基于自编码器的深度神经网络管控算法

针对智能养老设备集中管控与决策问题,提出一种基于自编码器和深度神经网络的智能管控算法。采用基于自编码器对各个设备进行无监督逐层贪婪预训练,挖掘设备之间的相似特征;结合具体的养老场景构建深度BP神经网络模型,使用养老环境下的实例监测数据对模型进行整体训练。实验结果表明,该管控算法对智能养老设备工作状态预测准确率达到99.7%,比传统神经网络模型提高了5.1%,比人工管控模型提高了39%。在智能养老设备不断增长、集中管控情况复杂多变时,管控算法依然可以保持97.3%的预测准确率,验证了算法的可行性和有效性。