开篇:润墨网以专业的文秘视角,为您筛选了一篇智能遥控器学习红外编码数据的纠错方法研究范文,如需获取更多写作素材,在线客服老师一对一协助。欢迎您的阅读与分享!
【摘要】本文通过运用差异数据遍历、差异数据相似个数统计、差异数据评价等方法,对用于家电设备集中管理和控制的智能遥控器在学习红外编码数据过程中出现的偏差进行纠错,对遥控器学习成功与否进行准确地反馈,大大提高了遥控器成功学习的效率。
【关键词】遥控器;红外;数据纠错;差异数据
1.引言
家用电器的集中管理,特别是家庭娱乐视听设备的集中管理,是数字家庭系统的核心所在。目前,大多数的娱乐视听设备都采用红外遥控器进行设备的控制,要实现这些设备的智能集中管理和控制,就必须对这些设备的遥控器红外编码数据进行学习。
由于遥控器在学习的过程中难免会受到距离、角度和周围环境等影响,导致个别学习数据出现干扰出错的现象,同时,用户的误操作也可能导致学习数据出错等问题。目前,在遥控器学习过程中,有的没有进行学习成败的判断,直接当作学习成功处理;有的则丢弃这些数据,再次进行重复学习,大大降低了遥控器学习成功的效率。
2.纠错原理
遥控器学习数据纠错算法的原理:在任意一种遥控器的编码格式中,其“逻辑0”和“逻辑1”都有固定的脉冲格式。所以,在遥控器的学习数据中,数据在一定偏差范围内其种类也是固定的,如果有数据超出了种类的范围,那么可以判断出该学习数据为错误数据。
如果两次学习到的某位数据出现差异,可以根据各自的相似数据统计个数分别对差异数据作出评价(即对是否存在该种类数据作出判断),如果有正确数据的存在,则用正确数据对错误数据进行替代,达到数据的纠错功能。
3.纠错方法
①对遥控器学习到的数据进行对比分析,找出学习数据中出现错误的数据;
②对出现错误的数据进行相似度统计分析,得出学习数据错误的类型;
③根据相似度统计结果,对符合纠错条件的错误数据进行纠正。
遥控器学习数据纠错过程包括:(1)差异数据遍历;(2)差异数据相似个数统计;(3)差异数据评价。
差异数据遍历:对所学习到的两组数据进行对应位的对比分析遍历,若对应数据之间的差值大于一定的限制范围,则确认为差异数据,最终把差异数据的位置和个数进行存储。差异数据相似个数统计:对所有的差异数据分别在自身数组中独位进行对比分析遍历,若差值小于一定的限制范围,则确认为相似数据,最终对差异数据的相似个数进行个数统计。
差异数据评价:根据差异数据的个数统计结果进行分析处理,分别得出“学习成功(包括纠错情况)”、“两次学习按键不一致,学习失败”、“两次学习都出现数据错误,学习失败”和“差异数据特征不明显,学习失败”的学习结果。其中,通过差异数据相似个数的统计结果,判断该位数据是否符合纠错条件,如果符合条件则对差异数据中错误的数据进行替代,实现学习数据的纠错功能。
4.实施步骤
步骤一:
获取遥控器两次学习的学习数据,剔除翻转位后的数据数组假设为A和B。
根据目前遥控器的数据传输协议,可将传输协议分为两类:一类是具备“重复不变性”,即同一按键重复多次遥控时,其发送的数据是一样的(如NEC协议);另一类是不具备“重复不变性”,即同一按键重复多次遥控时,其发送的数据是不一样的(如RC5协议的翻转位,该翻转位在两次重复遥控时会产生翻转)。翻转位是部分协议的特征,所以必须把翻转位剔除后再进行学习数据的纠错(因为纠错算法本身是对两组意义上是一致的数据所进行的处理)。
步骤二:
对数组A和数组B的对应位进行顺序对比分析遍历,找出数组A和数组B的差异数据位置和个数。
假设数组A={a1,a2,……,an};数组B={b1,b2,……,bn}
则其流程图如图1所示。
图1 差异数据遍历流程图
特别强调的是图1中公式中“15%”为差异数据的评价参数,该参数可以根据需要进行调整。
步骤三:
对步骤二遍历到的所有差异数据分别在自身数组中逐位进行对比分析遍历,若差值小于一定的限制范围,则确认为相似数据,最终对差异数据的相似个数进行个数统计。
假设差异数据位置的数组D={d1,d2,……,dm}
则其流程图如图2所示。
图2 差异数据相似个数统计流程图
图2中公式“或”中“5%”为相似数据的评价参数,该参数可以根据需要进行调整。
步骤四:
根据步骤三所统计到的差异数据的相似个数对差异数据进行分析评价。
设定差异数据具备基本类型特征的相似个数为MAX,不具备基本类型特征的相似个数为MIN,则处于MIN和MAX之间的差异数据相似个数为特征不明显数据。
根据“遥控器学习数据纠错算法的原理”,可以根据差异数据的相似个数对该数据的正确与否作出判断。设定差异数据的相似个数大于MAX,则认为该数据是具备有基本类型特征的,即该数据是学习正确的;设定差异数据的相似个数小于MIN,则认为该数据不具备有基本类型特征的,即该数据是学习错误的;设定差异数据的相似个数处于MIN与MAX之间,则认为该数据的基本类型特征不明显,最终也会当学习失败处理。
遥控器学习数据纠错方法的整体流程图如图3所示。
图3 遥控器学习数据纠错算法流程图
图3中“MIN”和“MAX”为判断差异数据相似个数数量是否具备基本类型特征的评价参数,该参数可以根据需要进行调整。
5.实施效果
在对智能遥控器进行红外数据学习的开发过程中,进行了大量的试验验证,表1为在各测试角度下的试验验证统计结果(测试距离为50cm)。
从表1的统计结果可以看出,在加入遥控器学习的纠错算法后,遥控器在小于±30°的测试角度范围内,其学习成功的概率保持在93%以上。
参考文献
[1]郑伟,谢利理,张震.一种具有自学习功能的智能红外遥控器设计[J].计算机测量与控制,2007,15(12):1758-1759.
[2]李厚春,史延东,宁飞.通用学习式智能红外遥控器检测仪的设计[J].计算机测量与控制,2005,13(1):98-100.
作者简介:
汪(1966―),男,安徽桐城人,工学硕士,现供职于深圳市TCL高新技术开发有限公司,主要研究方向:TD-LTE及4G技术研究工作、智能电视的产品设计及研发、智能云家庭系统的研究和开发。