物联网智能家居方法、系统和电子设备与流程

1.本技术涉及智能家居的领域，且更为具体地，涉及一种物联网智能家居方法、系统和电子设备。
2.

背景技术：

3.随着现代都市生活节奏的加剧,工作压力的增大,越来越多的人们渴望有一个安全、舒适、智能化的避风港。而物联网技术、无线通信技术、嵌入式技术和数据融合等技术的快速发展已经将这一愿望变成了可能,从而使得智能化、安全化的家居生活已经不再是遥不可及。
4.为了满足现如今用户对智能家居安防中的一些需求,以及考虑到当今智能家居安防存在的一些不足之处，例如，大多数智能家居安防系统中的检测模块只根据单个传感器检测到的数据判断决策是否异常,尤其是火灾的检测,这样得到的结果精度不高,存在误报警与漏报警情况。因此，为了利用多传感器数据融合方法对家中的火灾进行准确及时地预警，期望一种物联网智能家居方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种物联网智能家居方法、系统和电子设备，其通过时序编码器对各个所述传感器在所述多个预定时间点的测量值进行高维关联特征提取，并在高维特征层面进行融合时，由于数据分布本身符合高斯分布，且所述各个特征向量在特征域方面存在巨大差异，因此针对高斯密度图可以用作卷积神经网络的学习目标的特性，通过高斯密度图的均值和斜方差迭代方式来进行特征融合。这样，再通过基于似然最大化的迭代方式，可以动态地更新目标密度图以修正特征域偏移以帮助卷积神经网学习到一致的特征表示，并且其对尺度变化鲁棒，响应区域可以反映融合特征的尺度特征，且协方差矩阵被迭代地调整以适应响应区域。这样能够对家中的火灾进行准确且及时地预警。
6.根据本技术的一个方面，提供了一种物联网智能家居方法，其包括：获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；构造所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特
征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置；对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵；以及将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。
7.在上述物联网智能家居方法中，将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量，包括：使用所述时序编码器的全连接层以如下公式分别对所述输入向量进行编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
8.在上述物联网智能家居方法中，基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，包括：基于似然最大化的迭代方式以如下公式来融合所述第一至第三高斯密度图以获得最终的高斯密度图；其中，所述公式为：所述公式为：其中表示点乘，表示张量乘，且，。
9.在上述物联网智能家居方法中，对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵，包括：对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以将各个位置的高斯分布转化为一维的向量；以及，将所述最终的高斯密度图中各个位置的高斯分布对应的一维的向量进行二维排列以获得所述分类矩阵。
10.在上述物联网智能家居方法中，将所述分类矩阵通过分类器以获得分类结果，所
述分类结果用于表示是否产生火灾预警，包括：使用所述分类器以如下公式对所述分类矩阵进行处理以生成所述分类结果，其中，所述公式为：，其中表示将所述分类矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
11.在上述物联网智能家居方法中，所述物联网智能家居方法，进一步包括响应于所述分类结果为产生火灾预警，发出火灾预警提示。
12.根据本技术的另一方面，提供了一种物联网智能家居系统，其包括：测量值获取单元，用于获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；编码单元，用于将各个所述测量值获取单元获得的所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；高斯密度图构造单元，用于构造所述编码单元获得的所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；似然最大化融合单元，用于基于似然最大化的迭代方式来融合所述高斯密度图构造单元获得的所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置；高斯离散化单元，用于对所述似然最大化融合单元获得的所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵；以及分类单元，用于将所述高斯离散化单元获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。
13.在上述物联网智能家居系统中，所述编码单元，包括：全连接层特征提取单元，用于使用所述时序编码器的全连接层以如下公式分别对所述输入向量进行编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；以及，一维卷积层特征提取单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其
中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
14.在上述物联网智能家居系统中，所述似然最大化融合单元，进一步用于：基于似然最大化的迭代方式以如下公式来融合所述第一至第三高斯密度图以获得最终的高斯密度图；其中，所述公式为：所述公式为：其中表示点乘，表示张量乘，且，。
15.在上述物联网智能家居系统中，所述高斯离散化单元，进一步用于：对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以将各个位置的高斯分布转化为一维的向量；以及，将所述最终的高斯密度图中各个位置的高斯分布对应的一维的向量进行二维排列以获得所述分类矩阵。
16.在上述物联网智能家居系统中，所述分类单元，进一步用于：使用所述分类器以如下公式对所述分类矩阵进行处理以生成所述分类结果，其中，所述公式为：，其中表示将所述分类矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
17.在上述物联网智能家居系统中，所述物联网智能家居方法，进一步包括响应于所述分类结果为产生火灾预警，发出火灾预警提示。
18.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的物联网智能家居方法。
19.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的物联网智能家居方法。
20.与现有技术相比，本技术提供了一种物联网智能家居方法、系统和电子设备，其通过时序编码器对各个所述传感器在所述多个预定时间点的测量值进行高维关联特征提取，并在高维特征层面进行融合时，由于数据分布本身符合高斯分布，且所述各个特征向量在特征域方面存在巨大差异，因此针对高斯密度图可以用作卷积神经网络的学习目标的特性，通过高斯密度图的均值和斜方差迭代方式来进行特征融合。这样，再通过基于似然最大化的迭代方式，可以动态地更新目标密度图以修正特征域偏移以帮助卷积神经网学习到一致的特征表示，并且其对尺度变化鲁棒，响应区域可以反映融合特征的尺度特征，且协方差矩阵被迭代地调整以适应响应区域。这样能够对家中的火灾进行准确且及时地预警。
附图说明
21.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
22.图1为根据本技术实施例的物联网智能家居方法的应用场景图。
23.图2为根据本技术实施例的物联网智能家居方法的流程图。
24.图3为根据本技术实施例的物联网智能家居方法的架构示意图。
25.图4为根据本技术实施例的物联网智能家居系统的框图。
26.图5为根据本技术实施例的电子设备的框图。
具体实施方式
27.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
28.场景概述如前所述，随着现代都市生活节奏的加剧,工作压力的增大,越来越多的人们渴望有一个安全、舒适、智能化的避风港。而物联网技术、无线通信技术、嵌入式技术和数据融合等技术的快速发展已经将这一愿望变成了可能,从而使得智能化、安全化的家居生活已经不再是遥不可及。
29.为了满足现如今用户对智能家居安防中的一些需求,以及考虑到当今智能家居安防存在的一些不足之处，例如，大多数智能家居安防系统中的检测模块只根据单个传感器检测到的数据判断决策是否异常,尤其是火灾的检测,这样得到的结果精度不高,存在误报警与漏报警情况。因此，为了利用多传感器数据融合方法对家中的火灾进行准确及时地预警，期望一种物联网智能家居方案。
30.并且考虑到在进行多传感器信息融合时，需要根据各传感器的数据性质有效地将提取的特征在高维特征空间内进行融合，以获得表达准确的用于分类的特征。
31.基于此，在本技术的技术方案中，首先通过部署于家中的多个传感器在多个预定时间点获取所述各个传感器的测量值，这里，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器，然后将每个传感器的数据按照时间排列为输入向量后，通过时序编码器得到第一到第n特征向量。
32.针对每个特征向量，构造高斯密度图，其中是期望向量，即该特征向量本身，且为自协方差矩阵，为该特征向量的每两个位置的特征值之间的方差。
33.然后，通过基于似然最大化的迭代方式来融合以上的高斯密度图，可以表示为：可以表示为：其中表示点乘，表示张量乘，且，。
34.依次方式融合n个高斯密度图，最终得到最终的高斯密度图。
35.最后，将最终的高斯密度图进行高斯离散化后得到分类矩阵，再通过分类器得到分类结果。
36.应可以理解，在通过卷积神经网络提取其高维特征，并在高维特征层面进行融合时，基于数据分布本身符合高斯分布，且各个特征向量在特征域方面存在巨大差异，因此针对高斯密度图可以用作卷积神经网络的学习目标的特性，通过高斯密度图的均值和斜方差迭代方式来进行特征融合。
37.这样，通过基于似然最大化的迭代方式，可以动态地更新目标密度图以修正特征域偏移以帮助卷积神经网学习到一致的特征表示，并且其对尺度变化鲁棒，响应区域可以反映融合特征的尺度特征，且协方差矩阵被迭代地调整以适应响应区域。
38.基于此，本技术提出了一种物联网智能家居方法，其包括：获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；构造所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置；对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵；以及，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。
39.图1图示了根据本技术实施例的物联网智能家居方法的应用场景图。如图1所示，在该应用场景中，首先，通过部署于家（例如，如图1中所示意的h）中的多个传感器（例如，如图1中所示意的t）在多个预定时间点获取所述各个传感器的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器。然后，将所述各个传感器的测量值输入至部署有物联网智能家居算法的服务器中（例如，如图1中所示意的s），其中，所述服务器能够以物联网智能家居算法对所述各个传感器的测量值进行处理，以生成用于表示是否产生火灾预警的分类结果。
40.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
41.示例性方法图2图示了根据本技术实施例的物联网智能家居方法的流程图。如图2所示，根据本技术实施例的物联网智能家居方法，包括步骤：s110，获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；s120，将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；s130，构造所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；s140，基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置；s150，对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵；以及，s160，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。
42.图3图示了根据本技术实施例的物联网智能家居方法的架构示意图。如图3所示，在该网络架构中，首先，将获得的各个所述传感器在所述多个预定时间点的测量值（例如，如图3中所示意的p1、p2、p3）分别排列为输入向量（例如，如图3中所示意的v1、v2、v3）后再分别通过包含一维卷积层和全连接层的时序编码器（例如，如图3中所示意的e）以获得第一特征向量（例如，如图3中所示意的vf1）、第二特征向量（例如，如图3中所示意的vf2）和第三特征向量（例如，如图3中所示意的vf3）；s130，构造所述第一至第三特征向量的第一至第三高斯密度图（例如，如图3中所示意的gd1、gd2、gd3）；s140，基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图（例如，如图3中所示意的gd）；s150，对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵（例如，如图3中所示意的m）；以及，最后，将所述分类矩阵通过分类器（例如，如图3中所示意的分类器）以获得分类结果，所述分类结果用于表示是否产生火灾预警。
43.在步骤s110和步骤s120中，获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器，并将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量。如前所述，为了避免只依靠单个的传感器检测到的数据来判断决策是否异常，进而给判断结果带来损失，在本技术的技术方案中，期望利用多传感器数据融合方法对家中的火灾进行准确及时地预警，并且考虑到在进行多传感器信息融合时，需要根据所述各传感器的数据性
质有效地将提取的特征在高维特征空间内进行融合，以获得表达准确的用于分类的特征。
44.也就是，具体地，在本技术的技术方案中，首先，通过部署于家中的多个传感器在多个预定时间点获取所述各个传感器的测量值，这里，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器。然后，将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器中进行编码处理，以分别提取出所述温度、烟雾和一氧化碳的数据在各个时间点的高维关联特征，从而获得第一特征向量、第二特征向量和第三特征向量。
45.具体地，在本技术实施例中，将各个所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量的过程，包括：首先，使用所述时序编码器的全连接层以如下公式分别对所述输入向量进行编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘。然后，使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
46.在步骤s130中，构造所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差。应可以理解，考虑到所述第一至第三特征向量在高维特征空间中各自对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述第一至第三特征向量级联来获得分类特征向量，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要进一步地对所述第一至第三特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛，从而提高后续分类的准确性。
47.也就是，在本技术的技术方案中，针对所述第一至第三特征向量，构造所述第一至第三特征向量的第一至第三高斯密度图，其中是期望向量，即该所述特征向量本
身，且为自协方差矩阵，为该所述特征向量的每两个位置的特征值之间的方差。应可以理解，这样在通过卷积神经网络提取其高维特征，并在高维特征层面进行融合时，基于数据分布本身符合高斯分布，且所述各个特征向量在特征域方面存在巨大差异，因此针对所述高斯密度图可以用作卷积神经网络的学习目标的特性，通过高斯密度图的均值和斜方差迭代方式来进行特征融合。
48.在步骤s140中，基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置。也就是，在本技术的技术方案中，为了融合所述各个时间点的温度、烟雾和一氧化碳的高维特征信息，以综合三者的信息来准确地进行家里火灾的判断检测，还需要基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图。应可以理解，通过基于似然最大化的迭代方式，可以动态地更新所述目标密度图以修正特征域偏移以帮助卷积神经网学习到一致的特征表示，并且其对尺度变化鲁棒，响应区域可以反映融合特征的尺度特征，且协方差矩阵被迭代地调整以适应响应区域。
49.具体地，在本技术实施例中，基于似然最大化的迭代方式来融合所述第一至第三高斯密度图以获得最终的高斯密度图的过程，包括：基于似然最大化的迭代方式以如下公式来融合所述第一至第三高斯密度图以获得最终的高斯密度图；其中，所述公式为：所述公式为：其中表示点乘，表示张量乘，且，。
50.在步骤s150和步骤s160中，对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵，并将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。也就是，在本技术的技术方案中，在得到融合了特征信息的最终的高斯密度图后，进一步对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵。相应地，在一个具体示例中，首先，对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以将各个位置的高斯分布转化为一维的向量；接着，将所述最终的高斯密度图中各个位置的高斯分布对应的一维的向量进行二维排列以获得所述分类矩阵。然后，再将所述分类矩阵通过分类器以获得用于表示是否产生火灾预警分类结果，特别地，响应于所述分类结果为产生火灾预警，则发出火灾预警提示。
51.具体地，在本技术的实施例中，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警的过程，包括：使用所述分类器以如下公式对所述分类矩阵进行处理以生成所述分类结果，其中，所述公式为：，
其中表示将所述分类矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
52.综上，基于本技术实施例的物联网智能家居方法被阐明，其通过时序编码器对各个所述传感器在所述多个预定时间点的测量值进行高维关联特征提取，并在高维特征层面进行融合时，由于数据分布本身符合高斯分布，且所述各个特征向量在特征域方面存在巨大差异，因此针对高斯密度图可以用作卷积神经网络的学习目标的特性，通过高斯密度图的均值和斜方差迭代方式来进行特征融合。这样，再通过基于似然最大化的迭代方式，可以动态地更新目标密度图以修正特征域偏移以帮助卷积神经网学习到一致的特征表示，并且其对尺度变化鲁棒，响应区域可以反映融合特征的尺度特征，且协方差矩阵被迭代地调整以适应响应区域。这样能够对家中的火灾进行准确且及时地预警。
53.示例性系统图4图示了根据本技术实施例的物联网智能家居系统的框图。如图4所示，根据本技术实施例的物联网智能家居系统 400，包括：测量值获取单元 410，用于获取部署于家中的多个传感器在多个预定时间点的测量值，其中，所述多个传感器包括温度传感器、烟雾探测器和一氧化碳探测器；编码单元 420，用于将各个所述测量值获取单元 410获得的所述传感器在所述多个预定时间点的测量值分别排列为输入向量后再分别通过包含一维卷积层和全连接层的时序编码器以获得第一特征向量、第二特征向量和第三特征向量；高斯密度图构造单元 430，用于构造所述编码单元 420获得的所述第一至第三特征向量的第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量中相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量中相应两个位置的特征值之间的方差；似然最大化融合单元 440，用于基于似然最大化的迭代方式来融合所述高斯密度图构造单元 430获得的所述第一至第三高斯密度图以获得最终的高斯密度图，其中，所述似然最大化的迭代方式表示融合后的高斯密度图的均值向量为两个待融合的高斯密度图的均值向量之间的点乘，融合后的高斯密度图的协方差矩阵为第一个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积之间的乘积再乘以第二个待融合的高斯密度图的协方差矩阵与第二个待融合的高斯密度图的均值向量的张量乘积的转置；高斯离散化单元 450，用于对所述似然最大化融合单元 440获得的所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以获得分类矩阵；以及，分类单元 460，用于将所述高斯离散化单元 450获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示是否产生火灾预警。
54.在一个示例中，在上述物联网智能家居系统 400中，所述编码单元 420，包括：全连接层特征提取单元，用于使用所述时序编码器的全连接层以如下公式分别对所述输入向量进行编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式
为，其中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；以及，一维卷积层特征提取单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
55.在一个示例中，在上述物联网智能家居系统 400中，所述似然最大化融合单元 440，进一步用于：基于似然最大化的迭代方式以如下公式来融合所述第一至第三高斯密度图以获得最终的高斯密度图；其中，所述公式为：所述公式为：其中表示点乘，表示张量乘，且，。
56.在一个示例中，在上述物联网智能家居系统 400中，所述高斯离散化单元 450，进一步用于：对所述最终的高斯密度图中各个位置的高斯分布进行高斯离散化以将各个位置的高斯分布转化为一维的向量；以及，将所述最终的高斯密度图中各个位置的高斯分布对应的一维的向量进行二维排列以获得所述分类矩阵。
57.在一个示例中，在上述物联网智能家居系统 400中，所述分类单元 460，进一步用于：使用所述分类器以如下公式对所述分类矩阵进行处理以生成所述分类结果，其中，所述公式为：，其中表示将所述分类矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
58.在一个示例中，在上述物联网智能家居系统 400中，所述物联网智能家居方法，进一步包括响应于所述分类结果为产生火灾预警，发出火灾预警提示。
59.这里，本领域技术人员可以理解，上述物联网智能家居系统 400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的物联网智能家居方法的描述中得到了详细介绍，并因此，将省略其重复描述。
60.如上所述，根据本技术实施例的物联网智能家居系统 400可以实现在各种终端设备中，例如物联网智能家居算法的服务器等。在一个示例中，根据本技术实施例的物联网智能家居系统 400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该物联网智能家居系统 400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该物联网智能家居系统 400同样可以是该终端设备的众多硬件模块之一。
61.替换地，在另一示例中，该物联网智能家居系统 400与该终端设备也可以是分立
的设备，并且该物联网智能家居系统 400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
62.示例性电子设备下面，参考图5来描述根据本技术实施例的电子设备。如图5所示，电子设备10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
63.存储器12可以包括至少一个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储至少一个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的物联网智能家居方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一高斯密度图、分类矩阵等各种内容。
64.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
65.该输入装置13可以包括例如键盘、鼠标等等。
66.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
67.当然，为了简化，图5中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
68.示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的物联网智能家居方法中的步骤。
69.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
70.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的物联网智能家居方法中的步骤。
71.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有至少一个导线的电连接、便携式盘、硬盘、随机存取存储器
（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
72.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
73.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
74.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
75.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。