本发明涉及集成灶控制，更具体的说是涉及一种基于神经网络的集成灶温控方法、系统及设备。
背景技术：
1、基于神经网络的集成灶温控方法，是近年来随着智能化和深度学习技术的发展而兴起的一种新型温控技术。这种方法利用神经网络的强大学习和预测能力，对集成灶的温控过程进行精确控制，提高了烹饪的效率和品质。在温控系统中，对于大多数传统的温控系统，特别是像集成灶这样的应用场景，bp神经网络因其相对简单、易于实现且效果显著而广受欢迎。
2、但是，基本bp神经网络主要存在以下两个缺陷，(1)传统bp网络是一个非线形优化问题，不可避免的存在局部极小问题。网络的权值和阀值沿局部改善的方向不断修正，力图达到使误差函数最小化的全局解，但实际上常得到的是局部最优点；(2)学习过程中，误差函数下降慢，学习速度缓，易出现较长时间的误差坦区，即出现平台。所以，采用传统bp神经网络并不能精确且高效的控制集成灶温度，从而影响烹饪的便捷性、精确性和安全性。
3、因此，如何提供一种能够解决上述问题的基于神经网络的集成灶温控方法、系统及设备，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种基于神经网络的集成灶温控方法、系统及设备，用以解决上述现有技术中存在的技术问题。
2、为了实现上述目的，本发明提供为技术方案：
3、一种基于神经网络的集成灶温控方法，包括以下步骤：
4、获取集成灶的运行数据并对运行数据进行预处理；
5、将经预处理的运行数据作为神经网络的输入，通过学习和训练神经网络，得到预测网络模型；
6、根据预测网络模型预测未来一段时间内集成灶的温度变化趋势，输出预测结果；
7、根据预测结果调整集成灶温控参数。
8、优选的，所述集成灶运行数据包括：集成灶的温度数据、时间序列数据、功率数据。
9、优选的，所述对运行数据进行预处理，包括：
10、分别对温度数据、功率数据进行去噪及标准化处理；
11、对处理后的温度数据以及功率数据进行滑窗取词，获得处理后的运行数据中的词向量矩阵；
12、按照时间序列数据对词向量矩阵进行排列，得到随时间变化的词向量矩阵。
13、优选的，所述预测网络模型的结构包括卷积神经网络单元以及门控循环单元，其中，所述卷积神经网络单元提取运行数据的空间特征，所述门控循环单元提取运行数据中的时间序列数据，捕捉运行数据中的长期依赖关系。
14、优选的，所述卷积神经网络单元包括：输入层、第一卷积层、第二卷积层、第三卷阶层、池化层、全连接层以及第一输出层，所述第一卷积层、所述第二卷积层、所述第三卷阶层之间设置残差块；
15、通过所述输入层接收随时间变化的词向量矩阵，所述随时间变化的词向量矩阵依次通过所述第一卷积层、所述第二卷积层、所述第三卷阶层进行卷积运算，提取空间特征；通过所述池化层进行最大池化；通过所述全连接层进行分类后，通过所述第一输出层输出。
16、优选的，所述卷积神经网络的运算表达为：
17、
18、式中，i＝1，为起始窗口；f为激活函数；d是词向量的维度，h是卷积核的高度；b为偏置顶；w[j,k]为卷积核的第j行、第k列的元素；x[i+j-1,k]为词向量矩阵中从第i+j-1个词的第k个维度，由于i＝1，且卷积核从当前位置开始向前看h个词。
19、优选的，所述门控循环单元包括：gru层、归一化ln层、注意力机制层以及第二输出层；
20、卷积神经网络单元的输出经过归一化ln层后输入至所述gru层，通过所述注意力机制层计算每个时间步的注意力权重，将所述gru层输出的特征向量加权求和得到最终结果并通过所述第二输出层输出。
21、优选的，所述注意力机制层计算每个时间步的注意力权重，包括：
22、
23、sm＝tanh(wtgm)；
24、
25、式中，am为权重系数，gm为gru层输出的特征向量，cm为空间特征向量，sm为cm与gm的相关程度，wt为模型参数，sz表示共有z个相关程度。
26、一种的基于神经网络的集成灶温控系统，包括：
27、获取模块：获取集成灶的运行数据并对运行数据进行预处理；
28、构建模块：将经预处理的运行数据作为神经网络的输入，通过学习和训练神经网络，得到预测网络模型；
29、预测模块：根据预测网络模型预测未来一段时间内集成灶的温度变化趋势，输出预测结果；
30、调控模块：根据预测结果调整集成灶温控参数。
31、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于神经网络的集成灶温控方法。
32、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于神经网络的集成灶温控方法、系统及设备，通过包括卷积神经网络单元以及门控循环单元的预测网络模型预测未来集成灶温度变化趋势，并通过预测结果自动调整控制参数以实现精确温控，提升烹饪的便捷性、精确性和安全性。
1.一种基于神经网络的集成灶温控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的集成灶温控方法，其特征在于，所述集成灶运行数据包括：集成灶的温度数据、时间序列数据、功率数据。
3.根据权利要求2所述的一种基于神经网络的集成灶温控方法，其特征在于，所述对运行数据进行预处理，包括：
4.根据权利要求3所述的一种基于神经网络的集成灶温控方法，其特征在于，所述卷积神经网络单元提取运行数据的空间特征，所述门控循环单元提取运行数据中的时间序列数据，捕捉运行数据中的长期依赖关系。
5.根据权利要求4所述的一种基于神经网络的集成灶温控方法，其特征在于，所述卷积神经网络单元包括：输入层、第一卷积层、第二卷积层、第三卷阶层、池化层、全连接层以及第一输出层，所述第一卷积层、所述第二卷积层、所述第三卷阶层之间设置残差块；
6.根据权利要求4所述的一种基于神经网络的集成灶温控方法，其特征在于，所述卷积神经网络的运算表达为：
7.根据权利要求4所述的一种基于神经网络的集成灶温控方法，其特征在于，所述门控循环单元包括：gru层、归一化ln层、注意力机制层以及第二输出层；
8.根据权利要求7所述的一种基于神经网络的集成灶温控方法，其特征在于，所述注意力机制层计算每个时间步的注意力权重，包括：
9.一种利用权利要求1至8任一项所述的基于神经网络的集成灶温控方法的基于神经网络的集成灶温控系统，其特征在于，包括：
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一所述的基于神经网络的集成灶温控方法。
