一种智能洗地机控制系统

摘要

公开了一种智能洗地机控制系统。其通过采用基于深度学习的神经网络模型挖掘出智能洗地机的温度值时序动态变化特征和所述智能洗地机的电流值的时序动态变化特征之间的关联性特征，以此基于实际智能洗地机的电流和温度变化情况来进行异常监测，从而避免智能洗地机发生异常损坏，延长智能洗地机的使用寿命且避免发生安全事故。

说明书

技术领域

本申请涉及智能控制领域，且更为具体地，涉及一种智能洗地机控制系统。

背景技术

智能洗地机是一种可以自主进行清洁作业的设备，具有自主行走、自动识别环境等功能，其能够在保证卫生清洁的同时提高工作效率，在商业、工业和家庭等场合中具有广泛的应用。然而，智能洗地机常常需要面对复杂的工作环境和长时间的工作负荷，容易出现各种故障和异常情况，例如电力不足、电流不稳定、温度过高和电机损坏等问题。如果不及时发现并处理这些异常问题，可能会导致洗地机损坏或发生安全事故。

因此，期望一种优化的智能洗地机控制系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能洗地机控制系统，其通过采用基于深度学习的神经网络模型挖掘出智能洗地机的温度值时序动态变化特征和所述智能洗地机的电流值的时序动态变化特征之间的关联性特征，以此基于实际智能洗地机的电流和温度变化情况来进行异常监测，从而避免智能洗地机发生异常损坏，延长智能洗地机的使用寿命且避免发生安全事故。

根据本申请的一个方面，提供了一种智能洗地机控制系统，其包括：

数据采集模块，用于获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值和电流值；

数据分析模块，用于对所述多个预定时间点的温度值和电流值进行分析以得到融合特征向量；

工作状态检测模块，用于基于所述融合特征向量，确定处于运行状态的智能洗地机的工作状态是否正常；以及

异常预警模块，用于基于所述处于运行状态的智能洗地机的工作状态是否正常，生成控制指令，所述控制指令用于产生状态异常预警提示。

根据本申请的另一方面，提供了一种智能洗地机控制方法，其包括：

获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值和电流值；

对所述多个预定时间点的温度值和电流值进行分析以得到融合特征向量；

基于所述融合特征向量，确定处于运行状态的智能洗地机的工作状态是否正常；以及

基于所述处于运行状态的智能洗地机的工作状态是否正常，生成控制指令，所述控制指令用于产生状态异常预警提示。

根据本公开的实施例，其通过采用基于深度学习的神经网络模型挖掘出智能洗地机的温度值时序动态变化特征和所述智能洗地机的电流值的时序动态变化特征之间的关联性特征，以此基于实际智能洗地机的电流和温度变化情况来进行异常监测，从而避免智能洗地机发生异常损坏，延长智能洗地机的使用寿命且避免发生安全事故。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的智能洗地机控制系统的框图；

图2为根据本申请实施例的智能洗地机控制系统的训练模块的框图；

图3为根据本申请实施例的智能洗地机控制系统的系统架构图；

图4为根据本申请实施例的智能洗地机控制系统中数据分析模块的框图；

图5为根据本申请实施例的智能洗地机控制方法的流程图；

图6为根据本申请实施例的智能洗地机控制系统的应用场景图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

智能洗地机常常需要面对复杂的工作环境和长时间的工作负荷，容易出现各种故障和异常情况，例如电力不足、电流不稳定、温度过高和电机损坏等问题。如果不及时发现并处理这些异常问题，可能会导致洗地机损坏或发生安全事故。因此，期望一种优化的智能洗地机控制系统。

图1为根据本申请实施例的智能洗地机控制系统的框图。图3为根据本申请实施例的智能洗地机控制系统的系统架构图。如图1和图3所示，根据本申请实施例的智能洗地机控制系统300，包括：数据采集模块310，用于获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值和电流值；数据分析模块320，用于对所述多个预定时间点的温度值和电流值进行分析以得到融合特征向量；工作状态检测模块330，用于基于所述融合特征向量，确定处于运行状态的智能洗地机的工作状态是否正常；以及，异常预警模块340，用于基于所述处于运行状态的智能洗地机的工作状态是否正常，生成控制指令，所述控制指令用于产生状态异常预警提示。

在本申请的一个示例中，所述数据采集模块310，用于获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值和电流值。考虑到在智能洗地机的实际工作过程中，为了能够对于洗地机的工作状态进行实时监测，以此来发现洗地机工作过程中的异常情况，例如电流不稳定和温度过高等问题，从而对于异常情况进行预警并采取相应地措施，防止洗地机损坏或发生危险。但是，由于处于运行状态的智能洗地机的温度值和电流值在时间维度上都具有着各自的动态变化规律性，而这两者之间还具有着时序的协同关联特性。因此，为了能够对于智能洗地机的工作状态进行准确检测，可通过挖掘智能洗地机的温度值时序动态变化特征和所述智能洗地机的电流值的时序动态变化特征之间的关联性特征，以此基于实际智能洗地机的电流和温度变化情况来进行异常监测，从而避免智能洗地机发生异常损坏，延长智能洗地机的使用寿命且避免发生安全事故。

智能洗地机是一种自动化清洁设备，它能够自主地清洗地面，而无需人工干预。智能洗地机通常配有传感器和计算机视觉技术，可以感知周围环境，并根据预设的清洁路线进行清洁。它们还可以根据地面的不同材质和污渍程度自动调整清洁力度和清洁剂的使用量。智能洗地机的使用可以提高清洁效率和质量，减少清洁人员的工作强度。

根据本申请的实施例，可通过在智能洗地机上安装一个温度传感器，以此来获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值。温度传感器是一种测量温度的装置，它可以将温度变化转换成电信号输出。温度传感器的原理有很多种，其中常见的有热电偶、热敏电阻、半导体温度传感器等。热电偶是一种利用两种不同金属在不同温度下产生电动势的原理来测量温度的传感器。当两种不同金属接触时，它们之间会产生一个电势差，这个电势差随着温度的变化而变化。将热电偶的两端连接到一个电路中，即可以测量温度。热敏电阻是一种利用材料电阻随温度变化的原理来测量温度的传感器。当材料的温度升高时，它的电阻会减小，反之亦然。将热敏电阻接入电路中，通过测量电阻值的变化来计算温度。半导体温度传感器是一种利用半导体材料电阻随温度变化的原理来测量温度的传感器。当半导体材料的温度升高时，它的电阻会减小，反之亦然。将半导体温度传感器接入电路中，通过测量电阻值的变化来计算温度。

根据本申请的实施例，可通过在智能洗地机上安装一个电流传感器，以此来获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的电流值。电流传感器是一种测量电流的装置，它可以将电流变化转换成电信号输出。电流传感器的原理有很多种，其中常见的有磁电传感器、霍尔传感器、电阻式传感器等。磁电传感器是一种利用磁场感应原理来测量电流的传感器。当电流通过导体时，会产生一个磁场，磁电传感器通过感应这个磁场来测量电流。霍尔传感器是一种利用霍尔效应来测量电流的传感器。当电流通过导体时，会在导体周围产生一个磁场，霍尔传感器通过感应这个磁场来测量电流。电阻式传感器是一种利用电阻值随电流变化的原理来测量电流的传感器。电阻式传感器通常由一个电阻和一个电路组成，当电流通过电阻时，电阻的电阻值会随电流的变化而变化，从而在电路中产生一个电压信号。

相应地，在一种可能的实现方式中，可通过以下步骤来获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值：确定预定时间段；确定预定时间点；连接智能洗地机的温度传感器和电流传感器，并将它们接入数据采集设备；在数据采集设备上设置数据采集程序，使其在预定时间点时采集温度值和电流值；将采集到的数据保存到数据库或文件中，以备后续分析和处理；根据需要，可以对采集到的数据进行清洗、处理、分析和可视化，以便更好地理解智能洗地机的运行状态和性能表现。

特别地，在本申请的一个具体示例中，如图4所示，所述数据分析模块320，包括：数据参数时序排列单元321，用于将所述多个预定时间点的温度值和电流值分别按照时间维度排列为温度时序输入向量和电流值时序输入向量；参数时序变化特征提取单元322，用于从所述温度时序输入向量和所述电流值时序输入向量提取温度时序特征向量和电流时序特征向量；以及，特征关联融合单元323，用于融合所述温度时序特征向量和所述电流时序特征向量以得到所述融合特征向量。

相应地，所述数据参数时序排列单元321，用于将所述多个预定时间点的温度值和电流值分别按照时间维度排列为温度时序输入向量和电流值时序输入向量。考虑到由于所述温度值和所述电流值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述温度值和所述电流值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的温度值和电流值分别按照时间维度排列为温度时序输入向量和电流值时序输入向量，以此来分别整合所述温度值和所述电流值在时序上的分布信息。

相应地，在一种可能的实现方式中，可通过以下步骤来将所述多个预定时间点的温度值和电流值分别按照时间维度排列为温度时序输入向量和电流值时序输入向量：收集多个预定时间点的温度值和电流值数据；将温度值和电流值分别按照时间维度排序，即将同一时间点的温度值和电流值放在同一行；将排序后的温度值和电流值数据分别存储为温度时序输入向量和电流值时序输入向量。其中，温度时序输入向量是一个一维向量，每个元素代表一个时间点的温度值；电流值时序输入向量也是一个一维向量，每个元素代表一个时间点的电流值；可以使用Python的numpy库对温度时序输入向量和电流值时序输入向量进行操作和处理。

相应地，所述参数时序变化特征提取单元322，用于从所述温度时序输入向量和所述电流值时序输入向量提取温度时序特征向量和电流时序特征向量。考虑到由于所述温度值和所述电流值在时间维度上具有着时序动态变化特征信息，也就是说，在所述预定时间段内多个预定时间点的所述温度值和所述电流值分别具有着时序的关联关系。因此，在本申请的一个具体示例中，使用在隐含关联特征提取方面具有优异表现性能的基于一维卷积神经网络模型的时序特征提取器来分别进行所述温度时序输入向量和所述电流值时序输入向量的特征挖掘，以此来分别提取出所述温度值和所述电流值在时间维度上的时序关联特征信息，从而得到温度时序特征向量和电流时序特征向量。

更具体地，将所述温度时序输入向量和所述电流值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述温度时序特征向量和所述电流时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述温度时序特征向量和所述电流时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述温度时序输入向量和所述电流值时序输入向量。

一维卷积神经网络模型是一种用于处理序列数据的神经网络模型。它的结构类似于传统的卷积神经网络，但是只对输入数据的一个维度(通常是时间维度)进行卷积操作。其结构包括输入层、卷积层、池化层和全连接层。输入层接收序列数据作为输入，经过卷积层进行特征提取，然后通过池化层进行下采样，最后通过全连接层进行分类或回归。一维卷积神经网络模型的编码流程如下：输入数据：将序列数据作为网络的输入，通常是一个一维向量或矩阵；卷积层：使用卷积核对输入数据进行卷积操作，提取特征信息。卷积操作可以通过滑动窗口实现，窗口大小和步长可以根据数据的特点进行调整；激活函数：对卷积层的输出进行非线性变换，增强模型的表达能力。常用的激活函数包括ReLU、sigmoid和tanh等；池化层：对卷积层的输出进行下采样，减少模型的计算量和参数数量。常用的池化方法包括最大池化和平均池化；全连接层：将池化层的输出展平成一维向量，然后通过一个全连接层进行分类或回归；输出层：根据任务的不同，输出层可以是一个softmax层或一个线性层。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式从所述温度时序输入向量和所述电流值时序输入向量提取温度时序特征向量和电流时序特征向量，例如：首先，对温度时序输入向量和电流值时序输入向量进行预处理，包括去噪、滤波、归一化等操作，以确保数据的质量和可靠性；接着，使用时序特征提取技术对温度时序输入向量和电流值时序输入向量进行特征提取，例如使用小波变换、时频分析等方法提取时域、频域和时频域特征；在提取特征之后，将温度时序特征向量和电流时序特征向量进行降维处理，以减少特征的维数和提高分类器的效率。可以使用主成分分析、线性判别分析等方法进行降维处理；进而，将降维后的温度时序特征向量和电流时序特征向量合并成一个特征向量，作为分类器的输入。可以使用支持向量机、神经网络、决策树等机器学习算法进行分类，以判断设备的运行状态是否正常。

相应地，所述特征关联融合单元323，用于融合所述温度时序特征向量和所述电流时序特征向量以得到所述融合特征向量。考虑到在智能洗地机的工作过程中，其温度和电流在时间维度上有着时序的关联关系，也就是说，所述温度值的时序变化和所述电流值的时序变化之间会相互影响，共同对于智能洗地机的工作状态检测产生影响。因此，在本申请的技术方案中，融合所述温度时序特征向量和所述电流时序特征向量以得到所述融合特征向量。

特别地，在本申请的一个具体示例中，使用级联函数来融合所述温度时序特征向量和所述电流时序特征向量以得到融合特征向量，以此来表示所述智能洗地机的温度时序动态变化特征和所述智能洗地机的电流值的时序动态变化特征之间的融合关联特征信息。更具体地，使用级联函数来融合所述温度时序特征向量和所述电流时序特征向量以得到融合特征向量，包括：以如下级联公式来融合所述温度时序特征向量和所述电流时序特征向量以得到融合特征向量，其中，所述公式为：V＝Concat[V

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式融合所述温度时序特征向量和所述电流时序特征向量以得到所述融合特征向量，例如：获取温度时序特征向量和电流时序特征向量；将温度时序特征向量和电流时序特征向量按时间顺序对齐；将对齐后的温度时序特征向量和电流时序特征向量按时间顺序合并，得到一个新的特征向量；对新的特征向量进行归一化处理，确保每个特征的值在相同的范围内；对归一化后的新特征向量进行降维处理，以减少特征向量的维度；将降维后的新特征向量作为融合特征向量，用于后续的分类任务。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个预定时间点的温度值和电流值进行分析以得到融合特征向量，例如：收集多个预定时间点的温度值和电流值；对于每个时间点，计算温度值和电流值的统计特征，例如平均值、方差、最大值、最小值等；将每个时间点的温度值和电流值的统计特征组合成一个融合特征向量；对于所有时间点的融合特征向量，进行归一化处理，以消除不同特征值范围的影响；对于所有时间点的融合特征向量，使用主成分分析(PCA)或线性判别分析(LDA)等降维方法，将高维特征向量转换为低维特征向量，以便于后续的分类任务；对于所有时间点的融合特征向量，使用聚类算法(如K-means)将其分为不同的类别，以便于后续的分类任务；对于所有时间点的融合特征向量，使用机器学习算法(如支持向量机、决策树、随机森林等)进行分类任务，以判断健身器材的运行状态是否正常。

在本申请的一个示例中，所述工作状态检测模块330，用于基于所述融合特征向量，确定处于运行状态的智能洗地机的工作状态是否正常。特别地，在本申请的一个具体示例中，将所述融合特征向量作为分类特征向量通过分类器中进行分类处理以得到分类结果，所述分类结果用于表示处于运行状态的智能洗地机的工作状态是否正常。具体地，首先，使用所述分类器的多个全连接层对所述融合特征向量进行全连接编码以得到编码分类特征向量；然后，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。在一个具体示例中，所述分类器的标签包括处于运行状态的智能洗地机的工作状态正常(第一标签)，以及，处于运行状态的智能洗地机的工作状态不正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“处于运行状态的智能洗地机的工作状态是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，处于运行状态的智能洗地机的工作状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“处于运行状态的智能洗地机的工作状态是否正常”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为处于运行状态的智能洗地机的工作状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行该智能洗地机的工作状态异常监测，并在检测到异常时生成控制指令，从而产生状态异常预警提示。

分类器是一种机器学习模型，用于将输入数据分为不同的类别或标签。它可以是一个简单的规则集，也可以是一个复杂的数学模型。分类器通常使用已知的训练数据集来学习如何将新数据分类为已知的类别。在实际应用中，分类器可以用于图像识别、语音识别、自然语言处理等领域。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式来基于所述融合特征向量，确定处于运行状态的智能洗地机的工作状态是否正常，例如：收集智能洗地机的传感器数据，包括速度传感器和卡路里消耗传感器的数据。同时，还需要记录机器的工作状态，例如清洗地面、充电等；从速度传感器和卡路里消耗传感器的数据中提取时序特征向量。可以使用局部邻域时序关联特征提取方法，得到速度时序特征向量和卡路里消耗时序特征向量；将速度时序特征向量和卡路里消耗时序特征向量融合为一个特征向量；计算卡路里消耗时序特征向量相对于速度时序特征向量的响应性估计。这可以通过计算两个特征向量之间的相关性来完成；将响应性估计作为分类特征矩阵的一部分，构建分类特征矩阵；使用已知的训练数据集来训练分类器，以学习如何将新数据分类为正常或异常状态；使用另一个独立的测试数据集来测试分类器的性能。可以计算分类器的准确率、召回率、精度等指标来评估分类器的性能；将分类器应用于实际数据，判断智能洗地机的工作状态是否正常。

在本申请的一个示例中，所述异常预警模块340，用于基于所述处于运行状态的智能洗地机的工作状态是否正常，生成控制指令，所述控制指令用于产生状态异常预警提示。也就是，基于分类器所产生的分类标签，确定处于运行状态的智能洗地机的工作状态是否正常，并生成控制指令。

相应地，在一种可能的实现方式中，可通过以下步骤来基于所述处于运行状态的智能洗地机的工作状态是否正常，生成控制指令，所述控制指令用于产生状态异常预警提示：检测工作状态：使用分类器检测智能洗地机的工作状态，判断其是否正常；生成控制指令：如果智能洗地机的工作状态异常，生成控制指令，例如停止洗地机的运行或发送警报信息；发送控制指令：将生成的控制指令发送给智能洗地机的控制系统；产生状态异常预警提示：如果智能洗地机的工作状态异常，产生状态异常预警提示，例如在用户的手机应用程序上显示警报信息或发送短信给用户；等待反馈：等待智能洗地机的反馈，确认控制指令是否已经被执行；更新状态：根据智能洗地机的反馈，更新智能洗地机的状态，例如更新其工作状态或故障状态。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练。也就是说，在本申请的智能洗地机控制系统中，还包括训练模块，用于对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练。

图2为根据本申请实施例的智能洗地机控制系统的训练模块的框图。如图2所示，根据本申请的实施例的智能洗地机控制系统，还包括：训练模块400，包括：训练数据采集模块410，用于获取训练数据，所述训练数据包括处于运行状态的智能洗地机在预定时间段内多个预定时间点的训练温度值和训练电流值，以及，所述处于运行状态的智能洗地机的工作状态是否正常的真实值；训练数据参数时序排列模块420，用于将所述多个预定时间点的训练温度值和训练电流值分别按照时间维度排列为训练温度时序输入向量和训练电流值时序输入向量；训练参数时序变化特征提取模块430，用于将所述训练温度时序输入向量和所述训练电流值时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练温度时序特征向量和训练电流时序特征向量；训练特征关联融合模块440，用于使用级联函数来融合所述训练温度时序特征向量和所述训练电流时序特征向量以得到训练融合特征向量；分类损失模块450，用于将所述训练融合特征向量通过所述分类器以得到分类损失函数值；以及，模型训练模块460，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代。

特别地，在本申请的技术方案中，所述温度时序特征向量和所述电流时序特征向量分别表达温度值和电流值的时序局部关联特征，在使用级联函数融合所述温度时序特征向量和所述电流时序特征向量时，可能由于所述温度值和所述电流值在时序分布上的差异，导致对其时序局部关联特征的点卷积操作分别相对于所述温度时序特征向量和所述电流时序特征向量进行不同方向的拟合，导致其间的拟合差异，例如对其中之一过拟合或者欠拟合，或者对两者分别过拟合和欠拟合。这样，所述温度时序特征向量和所述电流时序特征向量各自的特征分布相对于分类器的权重矩阵对应的部分具有不同的权重拟合方向，使得所得到的所述融合特征向量的整体特征分布相对于分类器的权重矩阵会具有收敛性差的问题，从而影响分类器的训练速度。基于此，本申请的申请人在所述融合特征向量，例如记为V的训练过程中，在每次分类器的权重矩阵，例如记为M的迭代过程中，对所述权重矩阵M进行权重本征支持的半空间结构化约束，具体表示为：

其中V是所述训练融合特征向量，M是所述分类器的权重矩阵，V

如上所述，根据本申请实施例的智能洗地机控制系统300可以实现在各种无线终端中，例如具有智能洗地机控制算法的服务器等。在一种可能的实现方式中，根据本申请实施例的智能洗地机控制系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该智能洗地机控制系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该智能洗地机控制系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该智能洗地机控制系统300与该无线终端也可以是分立的设备，并且该智能洗地机控制系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

进一步地，还提供一种智能洗地机控制方法。

图5为根据本申请实施例的智能洗地机控制方法的流程图。如图5所示，在所述智能洗地机控制方法中，包括：S110，获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值和电流值；S120，对所述多个预定时间点的温度值和电流值进行分析以得到融合特征向量；S130，基于所述融合特征向量，确定处于运行状态的智能洗地机的工作状态是否正常；以及，S140，基于所述处于运行状态的智能洗地机的工作状态是否正常，生成控制指令，所述控制指令用于产生状态异常预警提示。

图6为根据本申请实施例的智能洗地机控制系统的应用场景图。如图6所示，在该应用场景中，首先，通过温度传感器(例如，图6中所示意的V1)获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的温度值；以及，通过电流传感器(例如，图6中所示意的V2)获取处于运行状态的智能洗地机在预定时间段内多个预定时间点的电流值；然后，将上述数据输入至部署有用于智能洗地机控制算法的服务器中(例如，图6中所示意的S)，其中，所述服务器能够以智能洗地机控制算法对上述输入的数据进行处理以得到控制指令，所述控制指令用于产生状态异常预警提示。

综上，基于本申请实施例的智能洗地机控制方法，其通过采用基于深度学习的神经网络模型挖掘出智能洗地机的温度值时序动态变化特征和所述智能洗地机的电流值的时序动态变化特征之间的关联性特征，以此基于实际智能洗地机的电流和温度变化情况来进行异常监测，从而避免智能洗地机发生异常损坏，延长智能洗地机的使用寿命且避免发生安全事故。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。