[发明专利]用于在云端和IOT网络之间共享机器学习功能的系统和方法

说明书

提供了用于基于被应用于包括多个感测节点和聚集节点的物联网（IoT）网络的卷积神经网络（CNN）使用深度学习的系统和方法。感兴趣事件基于所收集的数据而以更高可靠性被检测，并且IoT网络通过在IoT网络和云计算网络之间划分处理功能而改善带宽使用情况。

技术领域

本发明涉及一种系统和方法，其使用基于被应用于IoT网络的卷积神经网络的深度学习，更特别地，以基于所收集的数据以更高可靠性检测事件，并且通过在IoT网络和云端之间划分处理功能来节省带宽。

背景技术

具有多个发光器和传感器的智能照明系统正经历在市场上的稳定增长。智能照明系统是一种针对能量效率所设计的照明技术。这可以包括高效装置以及基于诸如占用或日光可用性之类的条件进行调节的自动化控制。照明是为了实现一些审美或实际效果而进行的刻意光应用。其包括任务照明、重点照明和一般照明。

这样的智能照明系统可以使用例如占用和光测量形式的多模传感器输入来控制发光器的光输出并且针对普遍的环境条件来调适人工照明条件。利用这样的传感器部署在照明系统情境中达到的空间粒度，可能使用传感器数据来关于操作环境进行学习。例如，一个这样的方面涉及到占用。对于关于超出基本存在之外的占用环境进行学习的兴趣有所增长。就此而言，占用建模与建筑能量效率、照明控制、安全监视、紧急疏散和救援操作紧密相关。在一些应用中，占用建模可以在作出例如有关HVAC控制等的自动决策时被使用。

将光源连接至照明管理系统还实现了大量先进特征，诸如：通过追踪光源的位置和状态所进行的财产管理，通过调适照明日程而降低的能耗，等等。这样的智能照明系统还可以实现诸如定位或可见光通信之类的其它应用。

智能照明系统还可以实现其它超出光照之外的应用。这样的应用可以在现有照明基础设施上运行并且带来附加价值。这样的其它应用的示例包括人数统计和土壤运动监视。

可以使用被动红外（PIR）传感器来实现人数统计应用。这样的PIR传感器传统上被用来通过在被占用的那些区域中开启灯而降低能耗。PIR传感器在市面上已经广泛可用。还存在将这样的PIR传感器用于诸如办公室中的人数统计、活动监视等的其它功能的可能性。

可以使用GPS数据来实现土壤运动监视应用。例如，每个智能户外发光器可以具有GPS传感器，从而该发光器一旦被安装就可以被自动定位。已知可以使用两个GPS传感器来以相对高的准确度跟踪土壤运动的量，一个GPS传感器位于静态区域而另一个则位于承受运动的区域。然而，并不知晓是否存在可以被用来产生有关土壤运动的量的见解（insight）的更好算法。

就此而言，如下文所讨论的，本发明利用机器和深度学习算法的方面可以被用来提供改进的算法。

机器学习（ML）是计算机科学的一个领域，其给予计算机在没有被明确编程的情况下进行学习的能力。就此而言，机器学习是指允许计算机从数据“学习”相应地调适程序动作的算法。机器学习算法被分类为有监督和无监督的。无监督学习涉及例如通过将数据项分类为差异类而从数据表得出结论。不向学习算法给出标签，而是让它自己在其输入中找出结构。无监督学习可以是目标本身（发现数据中的隐藏模式）或者是去往终点的手段（特征学习）。有监督算法使用过往数据中的学习以将其应用于新数据。由“教师”给出示例输入以及它们的期望输出，并且目标是学习将输入映射至输出的总体规则。作为特殊情形，输入信号可以仅是部分可用的，或者被限制于特殊反馈。

深度学习是以大脑工作的方式所激发的机器学习算法的一种具体类型。该方法尝试对人脑将光和声音处理为视觉和听觉的方式进行建模。一些成功的深度学习的应用是计算机视觉和语音识别。神经元被互连，从而根据输入触发答案。深度学习旨在定义以多个层组织的神经元网络，从而输入数据被逐层处理，使得在链路之间的权重被正确选择的情况下，最后的层可以提供输入数据的高级别抽象。