智能家居场景检测标准体系的构建与应用研究

随着场景化在智能家居领域的不断普及,用户对场景缺陷的容忍度越来越低。因此,如何有效提高场景质量成为目前行业迫切需要解决的问题,一个系统、全面的检测模型能够更好地保障场景检测质量。本文对场景测试现状提出问题,围绕问题进行分析,从质量体系、检测环节、检测方法三个维度提出场景检测的三维模型,并应用于语音场景检测中,希望有助于场景检测行业更好地开展检测。

智能家居场景联动中基于知识图谱的隐式冲突检测方法研究

智能家居场景联动是智能家居系统提供的一种自动化服务,它通过各类智能设备的互联、互通和互动,从而为住户提供更为舒适、安全和节能的家居环境.然而,由于各个智能场景的侧重点不同、管理策略各异,当多个智能场景联动和叠加时,会引起作动器设备之间的竞争、干扰和矛盾等控制冲突现象,降低智能场景用户体验,缩短智能设备使用寿命,甚至危及住户的人身财产安全.因此,智能家居场景联动中的控制冲突问题亟需大量实验研究并找到解决方案.本文中,我们将控制冲突分为两大类,一类是同一作动器上执行明显相反动作的显式冲突,一类是不同作动器之间产生相互干扰动作的隐式冲突.现有的控制冲突检测技术对于显式冲突检测的研究较为成熟,而在隐式冲突检测方面性能相对较弱,其原因可归结为自动化程度低与漏判率高两大缺点.本文提出了一种基于知识图谱语义分析的作动器隐式冲突检测方法,可以充分整合并有效挖掘各类作动器功能描述的常识性知识,进而实现对作动器隐式冲突的自动化检测.该方法有两个主要环节,分别是作动器设备注册环节与规则制定环节.我们在作动器设备注册环节提取知识图谱中的常识性知识,对作动器功能之间的效果冲突进行识别判断,并以隐式冲突矩阵的形式将判断结果在边缘设备上进行存储,实现存在于不同类型作动器之间的干扰检测;在规则制定环节,借助隐式冲突矩阵的冲突信息进行字典式查询与匹配,以判断规则之间的隐式冲突.此外,基于知识图谱中设备功能短语自身特点,设计了基于语义贡献度的权重分配策略,完成词向量到短语向量的转化.为解决聚类后相同簇中近反义功能短语混合杂糅的问题,本文提出了相对极性指标和近反义关系一步扩展方法,并借由图模型染色算法将反义关系的短语拆分到不同子类,优化了聚类效果.通过利用IFTTT数据集对10个典型户型的测试,我们的方法对隐式冲突的查全率达到0.8301,查准率达到0.9681,F-score值为0.8938.实验结果表明,我们的方法相比于当前检测技术,查全率至少高出61.93%,F-score值至少高出54.56%.并且与已有的方法相比,我们的方法不需要人工标注,可以自动化地进行隐式冲突检测,显著提高了检测效率,同时极大降低了冲突的漏判率.

以睡眠场景为例的智能家居场景模型构建研究

目的构建智能睡眠场景模型,为智能家居场景研究提供参考。方法运用扎根理论作为研究方法,搜集睡眠相关的品牌概念场景和用户使用场景作为原始资料。通过开放性编码与主轴性编码,提炼出智能睡眠场景维度与子项说明表。最终经过选择性编码将不同维度和子项组织起来。结果得到智能睡眠场景模型。藉由关系图的形式阐释了场景各要素的相互关系,以及场景的作用机制。结论智能家居场景分为有形场景与无形场景,共5个维度,18个子项。有形场景划分为空间要素、氛围要素和智能设备要素3个维度,他们构成了用户所在的物理空间。无形场景划分为数据要素和社会要素,分别为有形场景提供了“大脑”和“援助”。它们互相影响、共同作用,为用户构建了居家智能场景体验。

关于智能家居场景体验评估模型的研究

智能家居的“场景”是基于人工智能、物联网和云计算技术的一种应用技术,体现了人在智能家居环境中的心理活动和行为交互。智能家居场景体验好坏,直接影响用户构建设备网络的意愿,关乎企业持续发展。着重从用户的角度,希望通过定性与定量的研究,构建大数据与小数据分析指标,科学客观地对“智能家居场景”的用户体验进行综合评估,为智能家居的技术改进、产品优化以及推广运营提供参考依据。

智能家居联动场景下消费者线下体验对线上购买行为的链式影响机制研究

随着AI+IoT在实际应用中落地融合,企业智能家居联动技术已趋于成熟,消费者对智能家居联动场景的强烈需求正导致“线下体验+线上购买”消费模式快速形成。本文聚焦于消费者线上购买行为的感知与决策过程,在智能家居联动场景下,运用体验学习理论构建“线下体验—感知风险—感知质量—线上购买行为”的链式影响机制模型,并运用回归分析与Bootstrap方法实证检验了上述链式中介关系。研究结果表明,在智能家居联动场景下,线下体验对线上购买行为具有正向影响,感知风险和感知质量在线下体验与线上购买行为关系中发挥链式中介作用。进一步研究发现不同消费者价格敏感程度的分组下,从线下体验到线上购买行为的作用过程会出现感知阶段跨越这一独特现象,即随着价格敏感程度降低,线下体验到线上购买过程的阶段跨越逐渐增多。