1.一种基于红外阵列传感器的室内人员占有率估计方法,其特征在于:所述方法的具体步骤:步骤1,利用红外阵列传感器在监测区域下进行温度采集,构建数据集;
步骤2,根据需要监测区域实际人员数量进行等级划分,构建数据标签;
步骤3,对红外阵列传感器采集的温度数据进行抽样,利用非负矩阵分解(NMF)对抽样后的温度数据进行压缩;
步骤4,将压缩后的数据转化为灰度值矩阵,并对灰度值矩阵数据进行特征提取,按分钟构建特征集向量;
步骤5,根据HVAC调控系统的调控周期,将一天24小时以15分钟为一个时间段划分为96个区间,将上述构建的多天特征集向量和人员等级标签按划分的区间纵向投入参与训练;
步骤6,对分段后的人员等级标签进行训练得到马尔科夫模型的隐含状态转移概率矩阵A和初始概率矩阵Pi;
步骤7,运用softmax回归对分段后的特征集向量进行分类训练,得到马尔科夫模型的表现矩阵B;
步骤8,依据训练得到的概率矩阵构建非均匀马尔可夫模型(IHMM);
将训练数据集的多天数据的相同时间段的数据纵向构建传统马尔科夫模型,在传统马尔科夫模型中对状态转移概率矩阵A、表现矩阵B和初始概率矩阵Pi进行训练,由一天中96个传统马尔科夫模型共同组成一个非均匀马尔科夫模型;
步骤9,利用前向算法(forward algorithm)实现室内人员占有率的在线估计;所述步骤9的具体内容如下:步骤9.1,将上述训练得到的非均匀马尔可夫模型的状态转移概率矩阵A,初始概率矩阵Pi,表现概率矩阵B输入到前向算法中;
步骤9.2,根据最大后验概率(MAP)迭代求得测试特征集序列的隐含状态序列,进而实现室内人员占有率的在线估计;
步骤10,利用维特比算法(Viterbi algorithm)实现室内人员占有率的离线估计;所述步骤10的具体内容如下:步骤10.1,将上述训练得到的马尔可夫模型的状态转移概率矩阵A,初始概率矩阵Pi,表现概率矩阵B输入到维特比算法中;
步骤10.2,计算寻找隐含状态转移的最大似然估计路径,从最终的状态向前递归得到隐含状态的序列的情况,实现室内人员占有率的离线估计。
2.根据权利要求1所述的一种基于红外阵列传感器的室内人员占有率估计方法,其特征在于:所述步骤1具体内容为步骤1.1,根据红外阵列传感器的视角范围60°*60°以及房顶距离地面的高度计算每个传感器的覆盖范围,确定需要传感器的数量,在房顶安装相应的红外阵列传感器覆盖整个监测区域;
步骤1.2,红外阵列传感器利用USB进行数据传输,同时利用Human_Detection_union软件在电脑端进行实时监测和数据存储。
3.根据权利要求1所述的一种基于红外阵列传感器的室内人员占有率估计方法,其特征在于:所述步骤3具体内容为步骤3.1,对红外阵列传感器采集的原始温度数据进行主观抽样;
步骤3.2,选取秩r为1利用非负矩阵分解(NMF)将抽样后的原始数据分解为特征矩阵W和系数矩阵H;
步骤3.3,选取系数矩阵H中的最大值,利用V≈WHmax进行矩阵融合实现数据压缩降维,V是抽样后的数据矩阵。
4.根据权利要求1所述的一种基于红外阵列传感器的室内人员占有率估计方法,其特征在于:所述步骤4具体内容为步骤4.1,将压缩后的温度数据转化为8*8矩阵,并进行灰度值转化;
步骤4.2,为防止数据产生重复计算的区域,将监测区域内多个传感器数据按方向融合成一个实验环境下的灰度值矩阵;
步骤4,3,求取灰度值矩阵的特征,构建特征集向量。
5.根据权利要求1所述的一种基于红外阵列传感器的室内人员占有率估计方法,其特征在于:所述步骤6的具体内容如下:步骤6.1,统计测试集中每个时间段内零、低、中、高四种状态分别转移到其他状态的数量和所有隐含状态的一步转移数量,训练得到每个十五分钟时间段的状态转移概率矩阵A;
步骤6.2,统计每个时间段在t=0时零、低、中、高四种等级的数量,将统计后的数量与一天96个初始状态相除,训练得到初始状态概率矩阵Pi。
6.根据权利要求1所述的一种基于红外阵列传感器的室内人员占有率估计方法,其特征在于:所述步骤7的具体内容如下:步骤7.1,将特征集对应每一时刻的人员等级,为训练集贴标签,利用softmax回归中数据训练部分对训练集中所有的特征集以及所对应的人员等级标签进行训练;
步骤7.2,将测试集以及测试集所对应的真实人员数量等级标签投入softmax回归的预测部分,得到表现概率矩阵B。