基于语音识别神经网络模型的智能家居网关方法及系统与流程

阅读：评论：0

1.本发明涉及智能设备技术领域，具体涉及一种基于语音识别神经网络模型的智能家居网关方法及系统。

背景技术：

2.智能家居是以住宅为平台，利用综合布线技术、网络通信技术、安全防范技术、自动控制技术、音视频技术将家居生活有关的设施集成，构建高效的住宅设施与家庭日程事务的管理系统，提升家居安全性、便利性、舒适性、艺术性，并实现环保节能的居住环境。语音识别是一门交叉学科，近年来，语音识别技术取得显著进步，开始从实验室走向市场，逐渐进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。神经网络是属于机器学习的一个重要分支，它在与传统的机器学习相比，有着更深的自我学习深度。机器学习的过程，本身就是模仿人脑中神经元之间信息的传递过程，深度学习提高了机器模仿脑神经工作的相似度，大大加深了机器学习的能力。
3.随着智能家居技术的飞速发展，越来越多的智能设备能够通过智能家居网关加入到智能家居网中，极大地方便了人们的工作和生活。在深度学习快速发展的背景下，基于深度神经网络的语音识别技术也被广泛的应用于各行各业，因此，将智能家居网关与基于神经网络的语音识别技术相结合具有发展前景与重要意义。

技术实现要素：

4.针对上述内容，本发明提供了一种基于语音识别神经网络模型的智能家居网关方法，智能家居网关接收语音采集设备采集的语音信息；构建语音识别神经网络模型，对语音信息进行语音识别处理，获得目标智能家居设备和目标操作；向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作，实现智能家居网关语音识别控制智能家居设备，为人们工作生活带来便利，提高智能家居使用体验感。
5.为了实现上述目的，本发明采用以下技术方案：基于语音识别神经网络模型的智能家居网关方法，包括以下步骤：步骤s1：智能家居网关接收语音采集设备采集的语音信息；步骤s2：对所述语音信息进行语音识别处理，获得目标智能家居设备和目标操作；步骤s3：向所述目标智能家居设备发送控制指令，所述控制指令用于指示所述目标智能家居设备执行所述目标操作。
6.本发明提供了一种基于语音识别神经网络模型的智能家居网关方法，智能家居网关分别与智能家居设备和语音采集设备连接，内部集成有语音识别模块；具体过程为：智能家居网关接收语音采集设备发送的语音信息，通过语音识别神经网络模型对语音信息进行语音识别处理，获得目标智能家居设备和目标操作，向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作，实现智能家居网关语音识别控制智能家居设备，为人
们工作生活带来便利，提高智能家居使用体验感；同时，语音识别模块集成在智能家居网关上，即使在断网情况下，智能家居网关也可自动切换到本地语音识别。
7.作为优选，所述步骤s2的具体过程，包括以下步骤：步骤a1：构建语音识别神经网络模型；步骤a2：将语音信息输入所述语音识别神经网络模型；步骤a3：语音识别神经网络模型输出目标智能家居设备和目标操作。
8.智能家居网关内部集成有语音识别模块，通过构建语音识别神经网络模型，对语音信息进行语音识别处理，具体的，向语音识别神经网络模型输入语音信息，语音识别神经网络模型输出目标智能家居设备和目标操作。
9.作为优选，所述目标智能家居设备为通过所述语音信息待控制的智能家居设备；所述目标操作为通过所述语音信息控制所述目标智能家居设备所执行的操作。获得目标智能家居设备和目标操作后，向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作，实现智能家居网关语音识别控制智能家居设备。
10.作为优选，所述步骤a1的具体过程，包括以下步骤：步骤b1：获取训练数据，所述训练数据包括音频信号及对应的标注文本；步骤b2：构建包含神经网络滤波器、神经网络编码器、激活函数输出层的初始神经网络模型，所述神经网络滤波器包括可参数化的带通滤波器，所述可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得；步骤b3：使用训练数据训练初始神经网络模型的训练参数，并通过损失函数在训练过程中优化初始神经网络模型，得到语音识别神经网络模型。
11.本发明还提供了一种语音识别神经网络模型训练方法，先收集训练数据并进行预处理，训练数据包括音频信号及对应的标注文本，然后构建初始神经网络模型，包括神经网络滤波器、神经网络编码器和激活函数输出层，接着用训练数据训练初始神经网络模型的训练参数，并使用损失函数进行优化，最终获得语音识别神经网络模型。
12.作为优选，所述步骤b3的具体过程，包括以下步骤：步骤c1：设定初始神经网络模型的训练参数的初始值，所述初始神经网络模型的训练参数包括卷积带通滤波器的训练参数和神经网络编码器的训练参数，所述卷积带通滤波器的训练参数至少包括卷积带通滤波器的低截止频率和高截止频率；步骤c2：将音频信号输入卷积带通滤波器，经过神经网络编码器，通过激活函数输出层输出预测文本；步骤c3：使用损失函数计算预测文本与标注文本的差值，以确定初始神经网络模型的损失值；步骤c4：确定损失值相对于初始神经网络模型的训练参数的梯度，并将初始神经网络模型的训练参数沿梯度进行反向调整；步骤c5：通过迭代处理对初始神经网络模型的训练参数进行多次反向调整，直至初始神经网络模型的损失值小于预设阈值，得到语音识别神经网络模型。
13.作为优选，所述步骤a1还包括：使用窗函数对所述卷积带通滤波器进行加窗处理，所述窗函数包括hann函数、balckman函数或kaiser函数。
14.作为优选，所述步骤a1还包括：使用测试数据对所述语音识别神经网络模型进行
测试验证。除了训练数据，还准备有测试数据，用于对训练获得的语音识别神经网络模型进行测试，验证训练获得的语音识别神经网络模型的有效性和准确性。
15.作为优选，所述步骤b1还包括：对所述训练数据进行预处理。预处理包括清洗异常数据。
16.基于语音识别神经网络模型的智能家居网关系统，采用上述的基于语音识别神经网络模型的智能家居网关方法，包括智能家居网关及与所述智能家居网关建立网络连接的语音采集设备，所述智能家居网关连接智能家居设备，所述智能家居网关集成有语音识别模块，所述语音识别模块通过构建以语音信息为输入，以目标智能家居设备和目标操作为输出的语音识别神经网络模型进行语音识别。
17.本发明还提供了一种基于语音识别神经网络模型的智能家居网关系统，包括智能家居网关及分别与智能家居网关连接的智能家居设备和语音采集设备，智能家居网关内部集成有语音识别模块，语音识别模块通过语音识别神经网络模型进行语音识别，具体过程为：智能家居网关接收语音采集设备发送的语音信息，输入到语音识别模块构建的语音识别神经网络模型，对语音信息进行语音识别处理，输出目标智能家居设备和目标操作，向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作，实现智能家居网关语音识别控制智能家居设备，为人们工作生活带来便利，提高智能家居使用体验感；同时，语音识别模块集成在智能家居网关上，通过组网技术，即使在断网情况下，智能家居网关也可自动切换到本地语音识别，不影响使用。
18.作为优选，所述语音识别神经网络模型包括神经网络滤波器、神经网络编码器和激活函数输出层，所述神经网络滤波器包括可参数化的带通滤波器，所述可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得。
19.因此，本发明的优点是：（1）构建语音识别神经网络模型，以语音信息为输入，以目标智能家居设备和目标操作为输出，实现智能家居网关语音识别控制智能家居设备，为人们工作生活带来便利，提高智能家居使用体验感；（2）语音识别模块集成在智能家居网关上，通过组网技术，即使在断网情况下，智能家居网关也可自动切换到本地语音识别，不影响使用。
附图说明
20.图1是本发明实施例一中基于语音识别神经网络模型的智能家居网关方法的流程图。
21.图2是本发明实施例二中基于语音识别神经网络模型的智能家居网关系统的结构示意图。
[0022] 1、智能家居网关 2、语音识别模块 3、智能家居设备 4、语音采集设备。
具体实施方式
[0023]
下面结合附图与具体实施方式对本发明做进一步的描述。
[0024]
实施例一：基于语音识别神经网络模型的智能家居网关方法，如图1所示，包括以下步骤：
步骤s1：智能家居网关接收语音采集设备采集的语音信息；步骤s2：对语音信息进行语音识别处理，获得目标智能家居设备和目标操作；步骤s3：向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作。
[0025]
本实施例提供了一种基于语音识别神经网络模型的智能家居网关方法，智能家居网关分别与智能家居设备和语音采集设备连接，内部集成有语音识别模块；具体过程为：智能家居网关接收语音采集设备发送的语音信息，通过语音识别神经网络模型对语音信息进行语音识别处理，获得目标智能家居设备和目标操作，向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作，实现智能家居网关语音识别控制智能家居设备。
[0026]
步骤s2的具体过程，包括以下步骤：步骤a1：构建语音识别神经网络模型；步骤a2：将语音信息输入语音识别神经网络模型；步骤a3：语音识别神经网络模型输出目标智能家居设备和目标操作，目标智能家居设备为通过语音信息待控制的智能家居设备；目标操作为通过语音信息控制目标智能家居设备所执行的操作。
[0027]
步骤a1的具体过程，包括以下步骤：步骤b1：获取训练数据并进行预处理，训练数据包括音频信号及对应的标注文本；步骤b2：构建包含神经网络滤波器、神经网络编码器、激活函数输出层的初始神经网络模型，神经网络滤波器包括可参数化的带通滤波器，可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得；步骤b3：使用训练数据训练初始神经网络模型的训练参数，并通过损失函数在训练过程中优化初始神经网络模型，得到语音识别神经网络模型。
[0028]
步骤b3的具体过程，包括以下步骤：步骤c1：设定初始神经网络模型的训练参数的初始值，初始神经网络模型的训练参数包括卷积带通滤波器的训练参数和神经网络编码器的训练参数，卷积带通滤波器的训练参数至少包括卷积带通滤波器的低截止频率和高截止频率；步骤c2：将音频信号输入卷积带通滤波器，经过神经网络编码器，通过激活函数输出层输出预测文本；步骤c3：使用损失函数计算预测文本与标注文本的差值，以确定初始神经网络模型的损失值；步骤c4：确定损失值相对于初始神经网络模型的训练参数的梯度，并将初始神经网络模型的训练参数沿梯度进行反向调整；步骤c5：通过迭代处理对初始神经网络模型的训练参数进行多次反向调整，直至初始神经网络模型的损失值小于预设阈值，得到语音识别神经网络模型。
[0029]
步骤a1还包括：使用窗函数对卷积带通滤波器进行加窗处理，窗函数包括hann函数、balckman函数或kaiser函数；还包括：使用测试数据对语音识别神经网络模型进行测试验证。
[0030]
本实施例还提供了一种语音识别神经网络模型训练方法，先收集训练数据并进行预处理，训练数据包括音频信号及对应的标注文本，然后构建初始神经网络模型，包括神经
网络滤波器、神经网络编码器和激活函数输出层，接着用训练数据训练初始神经网络模型的训练参数，并使用损失函数进行优化，最终获得语音识别神经网络模型。
[0031]
实施例二：基于语音识别神经网络模型的智能家居网关系统，采用上述的基于语音识别神经网络模型的智能家居网关方法，如图2所示，包括智能家居网关1及与智能家居网关1建立网络连接的语音采集设备4，智能家居网关1连接智能家居设备3，智能家居网关1集成有语音识别模块2，语音识别模块2通过构建以语音信息为输入，以目标智能家居设备和目标操作为输出的语音识别神经网络模型进行语音识别，语音识别神经网络模型包括神经网络滤波器、神经网络编码器和激活函数输出层，神经网络滤波器包括可参数化的带通滤波器，可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得。
[0032]
本实施例还提供了一种基于语音识别神经网络模型的智能家居网关系统，包括智能家居网关1及分别与智能家居网关1连接的智能家居设备3和语音采集设备4，智能家居网关1内部集成有语音识别模块2，语音识别模块2通过语音识别神经网络模型进行语音识别，具体过程为：智能家居网关1接收语音采集设备4发送的语音信息，输入到语音识别模块2构建的语音识别神经网络模型，对语音信息进行语音识别处理，输出目标智能家居设备和目标操作，向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作，实现智能家居网关1语音识别控制智能家居设备3。
[0033]
以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：

1.基于语音识别神经网络模型的智能家居网关方法，其特征在于，包括以下步骤：步骤s1：智能家居网关接收语音采集设备采集的语音信息；步骤s2：对所述语音信息进行语音识别处理，获得目标智能家居设备和目标操作；步骤s3：向所述目标智能家居设备发送控制指令，所述控制指令用于指示所述目标智能家居设备执行所述目标操作。2.根据权利要求1所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤s2的具体过程，包括以下步骤：步骤a1：构建语音识别神经网络模型；步骤a2：将语音信息输入所述语音识别神经网络模型；步骤a3：语音识别神经网络模型输出目标智能家居设备和目标操作。3.根据权利要求2所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述目标智能家居设备为通过所述语音信息待控制的智能家居设备；所述目标操作为通过所述语音信息控制所述目标智能家居设备所执行的操作。4.根据权利要求2所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤a1的具体过程，包括以下步骤：步骤b1：获取训练数据，所述训练数据包括音频信号及对应的标注文本；步骤b2：构建包含神经网络滤波器、神经网络编码器、激活函数输出层的初始神经网络模型，所述神经网络滤波器包括可参数化的带通滤波器，所述可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得；步骤b3：使用训练数据训练初始神经网络模型的训练参数，并通过损失函数在训练过程中优化初始神经网络模型，得到语音识别神经网络模型。5.根据权利要求4所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤b3的具体过程，包括以下步骤：步骤c1：设定初始神经网络模型的训练参数的初始值，所述初始神经网络模型的训练参数包括卷积带通滤波器的训练参数和神经网络编码器的训练参数，所述卷积带通滤波器的训练参数至少包括卷积带通滤波器的低截止频率和高截止频率；步骤c2：将音频信号输入卷积带通滤波器，经过神经网络编码器，通过激活函数输出层输出预测文本；步骤c3：使用损失函数计算预测文本与标注文本的差值，以确定初始神经网络模型的损失值；步骤c4：确定损失值相对于初始神经网络模型的训练参数的梯度，并将初始神经网络模型的训练参数沿梯度进行反向调整；步骤c5：通过迭代处理对初始神经网络模型的训练参数进行多次反向调整，直至初始神经网络模型的损失值小于预设阈值，得到语音识别神经网络模型。6.根据权利要求4所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤a1还包括：使用窗函数对所述卷积带通滤波器进行加窗处理，所述窗函数包括hann函数、balckman函数或kaiser函数。7.根据权利要求4所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤a1还包括：使用测试数据对所述语音识别神经网络模型进行测试验证。
8.根据权利要求4或5或6或7所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，所述步骤b1还包括：对所述训练数据进行预处理。9.基于语音识别神经网络模型的智能家居网关系统，采用如权利要求1-8任一项所述的基于语音识别神经网络模型的智能家居网关方法，其特征在于，包括智能家居网关及与所述智能家居网关建立网络连接的语音采集设备，所述智能家居网关连接智能家居设备，所述智能家居网关集成有语音识别模块，所述语音识别模块通过构建以语音信息为输入，以目标智能家居设备和目标操作为输出的语音识别神经网络模型进行语音识别。10.根据权利要求9所述的基于语音识别神经网络模型的智能家居网关系统，其特征在于，所述语音识别神经网络模型包括神经网络滤波器、神经网络编码器和激活函数输出层，所述神经网络滤波器包括可参数化的带通滤波器，所述可参数化的带通滤波器通过训练卷积带通滤波器的训练参数获得。

技术总结

本发明公开了一种基于语音识别神经网络模型的智能家居网关方法，智能家居网关接收语音采集设备采集的语音信息；构建语音识别神经网络模型，对语音信息进行语音识别处理，获得目标智能家居设备和目标操作；向目标智能家居设备发送控制指令，指示目标智能家居设备执行目标操作，实现智能家居网关语音识别控制智能家居设备，为人们工作生活带来便利，提高智能家居使用体验感。家居使用体验感。家居使用体验感。