基于逻辑判断的结构化自定义灯效配置方法及其系统与流程

1.本技术涉及智能化配置领域，且更为具体地，涉及一种基于逻辑判断的结构化自定义灯效配置方法及其系统。


背景技术：

2.现在市面上比较流行彩色装饰灯具，内置了一些灯光动态变幻的效果。其中智能型的装饰彩灯，可以通过app给灯带下发控制灯光的命令，允许用户自定义动态效果。具体过程为：app下发命令
→
彩灯命令储存器
→
彩灯mcu运算命令
→
彩灯灯珠驱动
→
灯珠发光关于彩灯灯效的存储，现有技术为全文存储。比如用户自定义了a、b、c、d分别代表某段时间内不同灯效，总的灯效是按照播放顺序abcabcacdacd的一种循环。业内通常要求用户完整定义abcabcacdacd，再采用全文存储。
3.如此，用户在定义灯效的时候，就需要重复输入所有的灯效，操作繁杂体验不好。灯效由app传输到彩灯时，传输、存储数据量也会增加。
4.因此，期待一种优化的灯效配置方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于逻辑判断的结构化自定义灯效配置方法及其系统。其首先对期待灯效模式的自然语言描述进行数据清洗和分词处理后通过词嵌入层以得到灯效模式词特征向量的序列，接着，将所述灯效模式词特征向量的序列通过上下文编码器以得到第一尺度灯效模式语义理解特征向量，然后，将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量，接着，融合得到的两个特征向量以得到灯效模式语义理解特征向量，最后，将所述灯效模式语义理解特征向量通过代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。这样，可以提高产品的交互智能性。
6.根据本技术的一个方面，提供了一种基于逻辑判断的结构化自定义灯效配置方法，其包括：获取用户输入的期待灯效模式的自然语言描述；对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列；将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列；将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量；将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量；融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量；以及将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。
7.在上述的基于逻辑判断的结构化自定义灯效配置方法中，所述词嵌入层为词袋模型或者所述词嵌入层为word2vec模型。
8.在上述的基于逻辑判断的结构化自定义灯效配置方法中，将所述灯效模式词特征
向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量，包括：将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量；以及将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量。
9.在上述的基于逻辑判断的结构化自定义灯效配置方法中，将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量，包括：将所述灯效模式词特征向量的序列进行一维排列以得到全局词序列特征向量；计算所述全局词序列特征向量与所述灯效模式词特征向量的序列中各个灯效模式词特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述灯效模式词特征向量的序列中各个灯效模式词特征向量进行加权以得到所述多个灯效模式语义理解特征向量。
10.在上述的基于逻辑判断的结构化自定义灯效配置方法中，将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量，包括：以如下级联公式将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量；其中，所述级联公式为：其中，表示所述多个灯效模式语义理解特征向量，表示级联函数，表示所述第一尺度灯效模式语义理解特征向量。
11.在上述的基于逻辑判断的结构化自定义灯效配置方法中，融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量，包括：以如下融合公式融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到所述灯效模式语义理解特征向量；其中，所述融合公式为：其中，是所述第一尺度灯效模式语义理解特征向量，是所述第二尺度灯效模式语义理解特征向量， 是所述第二尺度灯效模式语义理解特征向量的转置向量，为所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的距离矩阵，表示所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的欧式距离， 为所述第一尺度灯效模式语义理解
特征向量的第 个特征值，为所述第二尺度灯效模式语义理解特征向量的第个特征值，为掩码阈值超参数，且向量均为行向量，、 和分别表示特征向量的逐位置相加、相减和相乘，表示向量乘法，表示函数，是所述灯效模式语义理解特征向量。
12.根据本技术的另一个方面，提供了一种基于逻辑判断的结构化自定义灯效配置系统，其包括：用户输入获取模块，用于获取用户输入的期待灯效模式的自然语言描述；分词模块，用于对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列；词嵌入编码模块，用于将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列；上下文编码模块，用于将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量；双向长短期编码模块，用于将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量；融合模块，用于融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量；以及代码生成模块，用于将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。
13.在上述的基于逻辑判断的结构化自定义灯效配置系统中，所述词嵌入层为词袋模型或者所述词嵌入层为word2vec模型。
14.在上述的基于逻辑判断的结构化自定义灯效配置系统中，所述上下文编码模块，包括：上下文编码单元，用于将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量；以及级联单元，用于将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量。
15.在上述的基于逻辑判断的结构化自定义灯效配置系统中，所述上下文编码单元，用于：将所述灯效模式词特征向量的序列进行一维排列以得到全局词序列特征向量；计算所述全局词序列特征向量与所述灯效模式词特征向量的序列中各个灯效模式词特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述灯效模式词特征向量的序列中各个灯效模式词特征向量进行加权以得到所述多个灯效模式语义理解特征向量。
16.与现有技术相比，本技术提供的基于逻辑判断的结构化自定义灯效配置方法及其系统,其首先对期待灯效模式的自然语言描述进行数据清洗和分词处理后通过词嵌入层以得到灯效模式词特征向量的序列，接着，将所述灯效模式词特征向量的序列通过上下文编码器以得到第一尺度灯效模式语义理解特征向量，然后，将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量，接着，融合得到的两个特征向量以得到灯效模式语义理解特征向量，最后，将所述灯效模式语义理解特征向量通过代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。这样，可
以提高产品的交互智能性。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
18.图1为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的应用场景图。
19.图2为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的流程图。
20.图3为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的架构示意图。
21.图4为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的子步骤s140的流程图。
22.图5为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的子步骤s141的流程图。
23.图6为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置系统的框图。
实施方式
24.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本技术保护的范围。
25.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
26.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
27.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
28.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
29.针对上述技术问题，本技术的技术构思为给每种灯效引入逻辑判断的功能，并且
规定了每种灯效结束后要是否要进行干涉。
30.具例如，首先从最简单的计数器开始。比如abcabcacdacd这样一种循环，给a增加一个计数器q，q初始值1，q为1~4循环，即当q=5时，使q=1；每当a灯效被完整执行后，q=q+1。则abcabcacdacd这样的循环，可以简化表示为：a，if q=1or2，goto b; if q=3or4，goto cb，goto cc，if q=1or2，goto a; if q=3or4，goto dd，goto a执行起来的效果和abcabcacdacd循环完全一样。
31.abcd看上去只用了4个字母表示，但在灯效设置中是很复杂的操作以及很长串的代码。而计数器、判断、跳转的命令则只需要非常少的操作和代码即可设置和保存。
32.更进一步地，除了计数器，还能引入更多的参数和值。以当前的彩灯和智能家居系统，可以引入的参数包括但不限于：地理位置、时间；某些io的值比如当前环境感应器获取温度，声音感应器获取的音量和频率；某些io的开关比如某个按键有没有被按下，某盏灯有没有亮着。配合对应的逻辑判断包括但不限于：等于、大于、小于。同时，还可以引入更多的参数和逻辑，使灯效更加智能多变。
33.进一步地，在本技术的技术方案中，虽然引入逻辑判断可减少重复的灯效存储，也利于实现更为复杂的灯效变化，但是，只有编程人员对灯效模式进行深入研究并逻辑分析后，才能解析出灯效逻辑。对于普通消费者而言，对于编程逻辑存在专业壁垒，其习惯于用自然语言来描述其期待的灯效模式，因此，为了进一步优化用户体验，期待能够基于普通消费者对于灯效的自然语言描述，并基于灯效的自然语言描述来生成基于逻辑判断的灯效存储代码，通过这样的方式，提高产品的交互智能性。
34.具体地，在本技术的技术方案中，获取用户输入的期待灯效模式的自然语言描述。应可以理解，普通用户习惯于通过自然语言来描述其期待的灯效模式，因此，在本技术的技术方案中，可开放基于自然语言交互的灯效自定义配置模块。在本技术的另一些技术方案中，还可以开放基于语音交互的灯效自定义配置模块，相应地，在这些技术方案中，在接收到灯效的语音描述后，通过语音识别来生成所述期待灯效模式的自然语言描述。
35.接着，对所述期待灯效模式的自然语言描述进行语义理解以捕捉所述期待灯效模式的自然语言描述中所蕴含的语义信息。具体地，首先对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列，然后将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列。应可以理解，在所述期待灯效模式的自然语言描述中可能存在错别字或者重复字，因此，首先对所述期待灯效模式的自然语言描述进行数据清洗以去除异常词和重复词，并对清洗后的期待灯效模式的自然语言描述进行分词处理以得到所述灯效模式描述词的序列。
36.考虑到词文本是非结构化数据，无法直接被计算机所处理，因此，在本技术的技术方案中，在进行数据清洗、分词处理后，将所述灯效模式描述词的序列通过词嵌入层以得到所述灯效模式词特征向量的序列，其中，所述词嵌入层的作用在于将所述灯效模式描述词的序列中的各个灯效模式描述词进行低维向量嵌入化以将所述灯效模式描述词转化为计算机可以计算的数据格式。在本技术一个具体的示例中，所述词嵌入层基于词袋模型来构建，当然，在本技术的其他具体示例中，所述词嵌入层还可以基于其他模型来构建，例如，
word2vec模型等。
37.接着，将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量。这里，所述基于转换器的上下文编码器本质上是第一语义编码器，其对所述灯效模式词特征向量的序列进行基于自注意机制的全局上下文语义编码以得到所述第一尺度灯效模式语义理解特征向量。在本技术一个具体的示例中，所述基于转换器的上下文编码器为基于转换器的bert模型。
38.本领域普通技术人员应知晓，所述基于转换器的上下文编码器能够利用自注意力机制所提供的多头注意力机制来捕捉所述灯效模式词特征向量的序列中各个灯效模式词特征向量相对于其他所有灯效模式词特征向量的语义关联信息，也就是，所述基于转换器的上下文编码器擅于捕捉所述灯效模式词特征向量的序列中长距离语义依赖特征。但是，在人类使用自然语言来描述意图时，相邻的词之间的语义关联度较强，距离较远的词之间的语义关联度较弱，而所述基于转换器的上下文编码器无法利用语义关联强度信息，降低了语义理解的精准度。
39.因此，在本技术的技术方案中，进一步将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量。本领域普通技术人员应知晓，所述双向长短期记忆神经网络模型本质上也是一个语义理解模型，其能够通过遗忘门和记忆门（构成长短时记忆模块）来捕捉灯效模式词特征向量的序列中的中程或者短程语义关联信息以得到所述第二尺度灯效模式语义理解特征向量。
40.在得到所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量后，融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到具有多尺度语义关联信息的灯效模式语义理解特征向量。进而，将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。也就是，基于所述解码器来构造代码生成器，并以所述灯效模式语义理解特征向量作为输入，以生成对应于所述灯效的自然语言描述的基于逻辑判断的灯效存储代码，通过这样的方式，提高产品的交互智能性。
41.特别地，在本技术的技术方案中，在融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到具有多尺度语义关联信息的灯效模式语义理解特征向量时，所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量分别由所述基于转换器的上下文编码器和所述双向长短期记忆神经网络模型对所述灯效模式词特征向量的序列进行不同尺度的语义关联编码得到，因此，所述第一尺度灯效模式语义理解特征向量的特征分布相对于所述第二尺度灯效模式语义理解特征向量存在空间迁移，因此需要提升所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量的融合效果。
42.基于此，采用类转换器空间迁移置换融合来所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量，具体表示为：
为向量之间的距离矩阵，即其第位置的特征值是特征向量的第个特征值与特征向量的第个特征值之间的距离，表示向量间的欧式距离，为掩码阈值超参数，且向量均为行向量。
43.这里，所述类转换器空间迁移置换融合通过以所述融合生理状态关联向量和所述生理状态注意力向量的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了灯效模式语义理解特征向量在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过灯效模式语义理解特征向量相对于待融合的所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量在转换器机制下的全局旋转和平移不变形，实现所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量的特征分布的空间迁移可置换性，从而提升了所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量的融合效果。提高对所述期待灯效模式的自然语言描述的语义理解的精准度，从而提高所述灯效模式语义理解特征向量通过基于解码器的代码生成器所生成的基于逻辑判断的期待灯效模式的存储代码的精准度。
44.图1为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的应用场景图。如图1所示，在该应用场景中，首先，获取用户输入的期待灯效模式的自然语言描述（例如，图1中所示意的d），然后，将所述期待灯效模式的自然语言描述输入至部署有基于逻辑判断的结构化自定义灯效配置算法的服务器中（例如，图1中所示意的s），其中，所述服务器能够使用所述基于逻辑判断的结构化自定义灯效配置算法对所述期待灯效模式的自然语言描述进行处理以得到基于逻辑判断的期待灯效模式的存储代码。
45.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
46.图2为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的流程图。如图2所示，根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法，包括步骤：s110，获取用户输入的期待灯效模式的自然语言描述；s120，对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列；s130，将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列；s140，将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量；s150，将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得
到第二尺度灯效模式语义理解特征向量；s160，融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量；以及，s170，将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。
47.图3为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置方法的架构示意图。如图3所示，在该网络架构中，首先，获取用户输入的期待灯效模式的自然语言描述；接着，对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列；然后，将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列；接着，将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量；然后，将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量；接着，融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量；最后，将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。
48.更具体地，在步骤s110中，获取用户输入的期待灯效模式的自然语言描述。普通用户习惯于通过自然语言来描述其期待的灯效模式，因此，在本技术的技术方案中，可开放基于自然语言交互的灯效自定义配置模块。在本技术的另一些技术方案中，还可以开放基于语音交互的灯效自定义配置模块，相应地，在这些技术方案中，在接收到灯效的语音描述后，通过语音识别来生成所述期待灯效模式的自然语言描述。
49.更具体地，在步骤s120中，对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列。从而对所述期待灯效模式的自然语言描述进行语义理解以捕捉所述期待灯效模式的自然语言描述中所蕴含的语义信息。
50.应可以理解，在所述期待灯效模式的自然语言描述中可能存在错别字或者重复字，因此，首先对所述期待灯效模式的自然语言描述进行数据清洗以去除异常词和重复词，并对清洗后的期待灯效模式的自然语言描述进行分词处理以得到所述灯效模式描述词的序列。
51.更具体地，在步骤s130中，将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列。所述词嵌入层的作用在于将所述灯效模式描述词的序列中的各个灯效模式描述词进行低维向量嵌入化以将所述灯效模式描述词转化为计算机可以计算的数据格式。
52.相应地，在一个具体示例中，所述词嵌入层为词袋模型或者所述词嵌入层为word2vec模型。
53.更具体地，在步骤s140中，将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量。所述基于转换器的上下文编码器本质上是第一语义编码器，其对所述灯效模式词特征向量的序列进行基于自注意机制的全局上下文语义编码以得到所述第一尺度灯效模式语义理解特征向量。在本技术一个具体的示例中，所述基于转换器的上下文编码器为基于转换器的bert模型。
54.相应地，在一个具体示例中，如图4所示，将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量，包括：s141，将所
述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量；以及，s142，将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量。
55.相应地，在一个具体示例中，如图5所示，将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量，包括：s1411，将所述灯效模式词特征向量的序列进行一维排列以得到全局词序列特征向量；s1412，计算所述全局词序列特征向量与所述灯效模式词特征向量的序列中各个灯效模式词特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；s1413，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；s1414，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，s1415，分别以所述多个概率值中各个概率值作为权重对所述灯效模式词特征向量的序列中各个灯效模式词特征向量进行加权以得到所述多个灯效模式语义理解特征向量。
56.相应地，在一个具体示例中，将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量，包括：以如下级联公式将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量；其中，所述级联公式为：其中，表示所述多个灯效模式语义理解特征向量，表示级联函数，表示所述第一尺度灯效模式语义理解特征向量。
57.更具体地，在步骤s150中，将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量。所述双向长短期记忆神经网络模型本质上也是一个语义理解模型，其能够通过遗忘门和记忆门（构成长短时记忆模块）来捕捉灯效模式词特征向量的序列中的中程或者短程语义关联信息以得到所述第二尺度灯效模式语义理解特征向量。
58.更具体地，在步骤s160中，融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量。特别地，在本技术的技术方案中，在融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到具有多尺度语义关联信息的灯效模式语义理解特征向量时，所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量分别由所述基于转换器的上下文编码器和所述双向长短期记忆神经网络模型对所述灯效模式词特征向量的序列进行不同尺度的语义关联编码得到，因此，所述第一尺度灯效模式语义理解特征向量的特征分布相对于所述第二尺度灯效模式语义理解特征向量存在空间迁移，因此需要提升所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量的融合效果。基于此，采用类转换器空间迁移置换融合来所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量。
59.相应地，在一个具体示例中，融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量，包括：以如下融合公式融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理
解特征向量以得到所述灯效模式语义理解特征向量；其中，所述融合公式为：其中，是所述第一尺度灯效模式语义理解特征向量，是所述第二尺度灯效模式语义理解特征向量， 是所述第二尺度灯效模式语义理解特征向量的转置向量，为所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的距离矩阵，表示所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的欧式距离， 为所述第一尺度灯效模式语义理解特征向量的第 个特征值，为所述第二尺度灯效模式语义理解特征向量的第个特征值，为掩码阈值超参数，且向量均为行向量，、 和分别表示特征向量的逐位置相加、相减和相乘，表示向量乘法，表示函数，是所述灯效模式语义理解特征向量。
60.这里，所述类转换器空间迁移置换融合通过以所述融合生理状态关联向量和所述生理状态注意力向量的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了灯效模式语义理解特征向量在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过灯效模式语义理解特征向量相对于待融合的所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量在转换器机制下的全局旋转和平移不变形，实现所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量的特征分布的空间迁移可置换性，从而提升了所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量的融合效果。提高对所述期待灯效模式的自然语言描述的语义理解的精准度，从而提高所述灯效模式语义理解特征向量通过基于解码器的代码生成器所生成的基于逻辑判断的期待灯效模式的存储代码的精准度。
61.更具体地，在步骤s170中，将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。也就是，基于所述解码器来构造代码生成器，并以所述灯效模式语义理解特征向量作为输入，以生成对应于所述灯效的自然语言描述的基于逻辑判断的灯效存储代码，通过这样的方式，提高产品的交互智能性。
62.综上，基于本技术实施例的基于逻辑判断的结构化自定义灯效配置方法，其首先对期待灯效模式的自然语言描述进行数据清洗和分词处理后通过词嵌入层以得到灯效模式词特征向量的序列，接着，将所述灯效模式词特征向量的序列通过上下文编码器以得到
第一尺度灯效模式语义理解特征向量，然后，将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量，接着，融合得到的两个特征向量以得到灯效模式语义理解特征向量，最后，将所述灯效模式语义理解特征向量通过代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。这样，可以提高产品的交互智能性。
63.图6为根据本技术实施例的基于逻辑判断的结构化自定义灯效配置系统100的框图。如图6所示，根据本技术实施例的基于逻辑判断的结构化自定义灯效配置系统100，包括：用户输入获取模块110，用于获取用户输入的期待灯效模式的自然语言描述；分词模块120，用于对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列；词嵌入编码模块130，用于将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列；上下文编码模块140，用于将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量；双向长短期编码模块150，用于将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量；融合模块160，用于融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量；以及，代码生成模块170，用于将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。
64.在一个示例中，在上述基于逻辑判断的结构化自定义灯效配置系统100中，所述词嵌入层为词袋模型或者所述词嵌入层为word2vec模型。
65.在一个示例中，在上述基于逻辑判断的结构化自定义灯效配置系统100中，所述上下文编码模块140，包括：上下文编码单元，用于将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量；以及，级联单元，用于将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量。
66.在一个示例中，在上述基于逻辑判断的结构化自定义灯效配置系统100中，所述上下文编码单元，用于：将所述灯效模式词特征向量的序列进行一维排列以得到全局词序列特征向量；计算所述全局词序列特征向量与所述灯效模式词特征向量的序列中各个灯效模式词特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述灯效模式词特征向量的序列中各个灯效模式词特征向量进行加权以得到所述多个灯效模式语义理解特征向量。
67.在一个示例中，在上述基于逻辑判断的结构化自定义灯效配置系统100中，所述级联单元，用于：以如下级联公式将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量；其中，所述级联公式为：其中，表示所述多个灯效模式语义理解特征向量，表示级联函数，表示所述第一尺度灯效模式语义理解特征向量。
68.在一个示例中，在上述基于逻辑判断的结构化自定义灯效配置系统100中，所述融合模块160，用于：以如下融合公式融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到所述灯效模式语义理解特征向量；其中，所述融合公式为：其中，是所述第一尺度灯效模式语义理解特征向量，是所述第二尺度灯效模式语义理解特征向量， 是所述第二尺度灯效模式语义理解特征向量的转置向量，为所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的距离矩阵，表示所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的欧式距离， 为所述第一尺度灯效模式语义理解特征向量的第 个特征值，为所述第二尺度灯效模式语义理解特征向量的第个特征值，为掩码阈值超参数，且向量均为行向量，、 和分别表示特征向量的逐位置相加、相减和相乘，表示向量乘法，表示函数，是所述灯效模式语义理解特征向量。
69.这里，本领域技术人员可以理解，上述基于逻辑判断的结构化自定义灯效配置系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的基于逻辑判断的结构化自定义灯效配置方法的描述中得到了详细介绍，并因此，将省略其重复描述。
70.如上所述，根据本技术实施例的基于逻辑判断的结构化自定义灯效配置系统100可以实现在各种无线终端中，例如具有基于逻辑判断的结构化自定义灯效配置算法的服务器等。在一个示例中，根据本技术实施例的基于逻辑判断的结构化自定义灯效配置系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于逻辑判断的结构化自定义灯效配置系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于逻辑判断的结构化自定义灯效配置系统100同样可以是该无线终端的众多硬件模块之一。
71.替换地，在另一示例中，该基于逻辑判断的结构化自定义灯效配置系统100与该无线终端也可以是分立的设备，并且该基于逻辑判断的结构化自定义灯效配置系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
72.根据本技术的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
73.技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包
括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
74.所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
75.本技术使用了特定词语来描述本技术的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
76.此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
77.除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
78.上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种基于逻辑判断的结构化自定义灯效配置方法，其特征在于，包括：获取用户输入的期待灯效模式的自然语言描述；对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列；将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列；将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量；将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量；融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量；以及将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。2.根据权利要求1所述的基于逻辑判断的结构化自定义灯效配置方法，其特征在于，所述词嵌入层为词袋模型或者所述词嵌入层为word2vec模型。3.根据权利要求2所述的基于逻辑判断的结构化自定义灯效配置方法，其特征在于，将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量，包括：将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量；以及将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量。4.根据权利要求3所述的基于逻辑判断的结构化自定义灯效配置方法，其特征在于，将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量，包括：将所述灯效模式词特征向量的序列进行一维排列以得到全局词序列特征向量；计算所述全局词序列特征向量与所述灯效模式词特征向量的序列中各个灯效模式词特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述灯效模式词特征向量的序列中各个灯效模式词特征向量进行加权以得到所述多个灯效模式语义理解特征向量。5.根据权利要求4所述的基于逻辑判断的结构化自定义灯效配置方法，其特征在于，将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量，包括：以如下级联公式将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量；其中，所述级联公式为：其中，表示所述多个灯效模式语义理解特征向量，表示级联函数，表示所述第一尺度灯效模式语义理解特征向量。6.根据权利要求5所述的基于逻辑判断的结构化自定义灯效配置方法，其特征在于，融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量，包括：以如下融合公式融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到所述灯效模式语义理解特征向量；其中，所述融合公式为：
其中，是所述第一尺度灯效模式语义理解特征向量，是所述第二尺度灯效模式语义理解特征向量， 是所述第二尺度灯效模式语义理解特征向量的转置向量，为所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的距离矩阵，表示所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量之间的欧式距离， 为所述第一尺度灯效模式语义理解特征向量的第 个特征值，为所述第二尺度灯效模式语义理解特征向量的第个特征值，为掩码阈值超参数，且向量均为行向量，、 和分别表示特征向量的逐位置相加、相减和相乘，表示向量乘法，表示函数，是所述灯效模式语义理解特征向量。7.一种基于逻辑判断的结构化自定义灯效配置系统，其特征在于，包括：用户输入获取模块，用于获取用户输入的期待灯效模式的自然语言描述；分词模块，用于对所述期待灯效模式的自然语言描述进行数据清洗和分词处理以得到灯效模式描述词的序列；词嵌入编码模块，用于将所述灯效模式描述词的序列通过词嵌入层以得到灯效模式词特征向量的序列；上下文编码模块，用于将所述灯效模式词特征向量的序列通过基于转换器的上下文编码器以得到第一尺度灯效模式语义理解特征向量；双向长短期编码模块，用于将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量；融合模块，用于融合所述第一尺度灯效模式语义理解特征向量和所述第二尺度灯效模式语义理解特征向量以得到灯效模式语义理解特征向量；以及代码生成模块，用于将所述灯效模式语义理解特征向量通过基于解码器的代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。8.根据权利要求7所述的基于逻辑判断的结构化自定义灯效配置系统，其特征在于，所述词嵌入层为词袋模型或者所述词嵌入层为word2vec模型。9.根据权利要求8所述的基于逻辑判断的结构化自定义灯效配置系统，其特征在于，所述上下文编码模块，包括：上下文编码单元，用于将所述灯效模式词特征向量的序列分别输入所述基于转换器的上下文编码器以得到多个灯效模式语义理解特征向量；以及级联单元，用于将所述多个灯效模式语义理解特征向量进行级联以得到所述第一尺度灯效模式语义理解特征向量。10.根据权利要求9所述的基于逻辑判断的结构化自定义灯效配置系统，其特征在于，所述上下文编码单元，用于：将所述灯效模式词特征向量的序列进行一维排列以得到全局词序列特征向量；计算所述全局词序列特征向量与所述灯效模式词特征向量的序列中各个
灯效模式词特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述灯效模式词特征向量的序列中各个灯效模式词特征向量进行加权以得到所述多个灯效模式语义理解特征向量。

技术总结
公开了一种基于逻辑判断的结构化自定义灯效配置方法及其系统。其首先对期待灯效模式的自然语言描述进行数据清洗和分词处理后通过词嵌入层以得到灯效模式词特征向量的序列，接着，将所述灯效模式词特征向量的序列通过上下文编码器以得到第一尺度灯效模式语义理解特征向量，然后，将所述灯效模式词特征向量的序列通过双向长短期记忆神经网络模型以得到第二尺度灯效模式语义理解特征向量，接着，融合得到的两个特征向量以得到灯效模式语义理解特征向量，最后，将所述灯效模式语义理解特征向量通过代码生成器以得到基于逻辑判断的期待灯效模式的存储代码。这样，可以提高产品的交互智能性。的交互智能性。的交互智能性。


技术研发人员：任天游 赵春生
受保护的技术使用者：杭州行至云起科技有限公司
技术研发日：2023.05.30
技术公布日：2023/8/13