摘 要：傳統(tǒng)的感知控制系統(tǒng)是在單一的傳感器數(shù)據(jù)基礎(chǔ)上實(shí)現(xiàn)的，其粗粒度的數(shù)據(jù)結(jié)果無(wú)法用于對(duì)實(shí)際環(huán)境中人員活動(dòng)情況的檢測(cè)。針對(duì)該問(wèn)題，通過(guò)布置樹(shù)莓派智能采集系統(tǒng)感知環(huán)境數(shù)據(jù)，分析并建立了綜合的活動(dòng)感知模型。分布在不同關(guān)鍵位置的樹(shù)莓派Pico采集器將分散的檢測(cè)數(shù)據(jù)發(fā)送給樹(shù)莓派進(jìn)行收集匯總，其中包括環(huán)境光照、溫濕度、噪音、人體活動(dòng)、照明、空調(diào)等方面的數(shù)據(jù)。依據(jù)匯總的多傳感數(shù)據(jù)建立了數(shù)據(jù)模型，通過(guò)模型更新并找到了最優(yōu)閾值，解決了由于不同采集工具的應(yīng)用和采集位置的變化而導(dǎo)致的閾值差異問(wèn)題。研究發(fā)現(xiàn)，采用多層神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)環(huán)境數(shù)據(jù)，實(shí)現(xiàn)對(duì)實(shí)驗(yàn)室活動(dòng)類(lèi)型的精確甄別。該檢測(cè)系統(tǒng)實(shí)現(xiàn)了對(duì)實(shí)驗(yàn)室環(huán)境的動(dòng)態(tài)感知與智能管理，減輕了實(shí)驗(yàn)室管理人員的工作量，優(yōu)化了資源調(diào)配，減少了能源消耗。

關(guān)鍵詞：樹(shù)莓派；采集系統(tǒng)；檢測(cè)系統(tǒng)；傳感數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)；實(shí)驗(yàn)室環(huán)境檢測(cè)

中圖分類(lèi)號(hào)：TP311.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）09-00-04

DOI：10.16667/j.issn.2095-1302.2024.09.009

0 引 言

傳統(tǒng)的感知控制系統(tǒng)是在單一的傳感器數(shù)據(jù)基礎(chǔ)上實(shí)現(xiàn)的，其粗粒度的數(shù)據(jù)結(jié)果無(wú)法用于對(duì)實(shí)際環(huán)境下人員活動(dòng)情況的檢測(cè)[1-2]。攝像設(shè)備因其數(shù)據(jù)的敏感性在部署位置上受限。目前，以神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)熱舒適指標(biāo)PMV作為空調(diào)控制系統(tǒng)的核心控制目標(biāo)，正受到業(yè)界的廣泛關(guān)注。然而，當(dāng)前以PMV為關(guān)鍵指標(biāo)的控制系統(tǒng)存在一些顯著的不足，主要是由于PMV的預(yù)測(cè)精度不高以及參數(shù)取值的不精確性所導(dǎo)致。因此，系統(tǒng)存在應(yīng)用場(chǎng)景單一、應(yīng)用范圍小、預(yù)測(cè)控制結(jié)果差等問(wèn)題[3]。受神經(jīng)網(wǎng)絡(luò)在視頻預(yù)測(cè)[4]領(lǐng)域應(yīng)用的啟發(fā)，為突破單一傳感數(shù)據(jù)的局限，團(tuán)隊(duì)在教室、實(shí)驗(yàn)室、自習(xí)室等公共場(chǎng)所布置了智能數(shù)據(jù)采集系統(tǒng)，旨在構(gòu)建一個(gè)綠色、智慧化的校園。實(shí)施采集數(shù)據(jù)包括環(huán)境光照、溫濕度、噪音、人體活動(dòng)、照明、空調(diào)等方面的數(shù)據(jù)。樹(shù)莓派作為實(shí)驗(yàn)室服務(wù)節(jié)點(diǎn)與多個(gè)Pico采集器以藍(lán)牙通信的方式進(jìn)行組網(wǎng)。分布在不同關(guān)鍵位置的樹(shù)莓派Pico采集器將分散的檢測(cè)數(shù)據(jù)發(fā)送給樹(shù)莓派收集并匯總，進(jìn)而控制電器，同時(shí)輔以攝像頭進(jìn)行遠(yuǎn)程圖像傳輸和人體活動(dòng)識(shí)別。目的是為有效識(shí)別場(chǎng)景中的人體活動(dòng)情況，提供智能節(jié)能管理和環(huán)境健康分析等服務(wù)。

1 背景與挖掘目標(biāo)

高校的教室、實(shí)驗(yàn)室、辦公室等環(huán)境所配備的空調(diào)、計(jì)算機(jī)等都是耗能量比較大的設(shè)備。如果沒(méi)有管理人員的時(shí)刻看護(hù)和管理，很容易造成能源浪費(fèi)。高等院校肩負(fù)著培養(yǎng)人才、科學(xué)研究、社會(huì)服務(wù)和文化引領(lǐng)等多重任務(wù)，在環(huán)境友好型社會(huì)的發(fā)展進(jìn)程中應(yīng)發(fā)揮引領(lǐng)作用[5]。考慮到高校節(jié)能減排的必要性，本文特別研發(fā)設(shè)計(jì)了一款基于樹(shù)莓派的數(shù)據(jù)采集系統(tǒng)。它可以通過(guò)實(shí)時(shí)采集環(huán)境光照、溫濕度、聲音發(fā)生頻次、人體運(yùn)動(dòng)情況等數(shù)據(jù)，建立數(shù)據(jù)模型，進(jìn)而實(shí)時(shí)檢測(cè)教室或辦公環(huán)境中的人員活動(dòng)情況，檢查是否存在電器設(shè)備比如空調(diào)、計(jì)算機(jī)等過(guò)度耗電的情況。通過(guò)構(gòu)建基于指標(biāo)加權(quán)的用電分析模型，實(shí)現(xiàn)智能節(jié)電的目標(biāo)。

2 分析方法與過(guò)程

在智能采集終端獲得的環(huán)境數(shù)據(jù)中，光照、溫度、人體活動(dòng)情況等數(shù)據(jù)可以作為判斷教室實(shí)際使用事件的依據(jù)。根據(jù)采集到的數(shù)據(jù)確定一次完整的教室使用事件以及上課、考試或維護(hù)等事件。

如圖1所示，建模的總體流程如下：

（1）有選擇地提取教室中的歷史功耗數(shù)據(jù)并構(gòu)建專(zhuān)家

樣本；

（2）對(duì)形成的數(shù)據(jù)集進(jìn)行數(shù)據(jù)探索分析和預(yù)處理，包括探索人員活動(dòng)時(shí)間間隔的分布，指定冗余屬性，識(shí)別收集數(shù)據(jù)中的缺失值，處理缺失值，并根據(jù)建模需要構(gòu)建屬性；

（3）構(gòu)建教室使用事件識(shí)別模型并分析和優(yōu)化；

（4）調(diào)用模型，自動(dòng)識(shí)別實(shí)時(shí)采集到的環(huán)境數(shù)據(jù)。

3 數(shù)據(jù)采集與抽取

在教室的日常使用過(guò)程中，教室的用途和環(huán)境會(huì)經(jīng)常發(fā)生改變，比如上課或考試、理論課或?qū)嵺`操作課、空調(diào)制熱或制冷等。為此，利用多個(gè)樹(shù)莓派Pico采集終端實(shí)現(xiàn)了多點(diǎn)采集，并設(shè)置數(shù)據(jù)匯總，目的是解決因終端采集頻率較高導(dǎo)致數(shù)據(jù)量大的問(wèn)題。以每分鐘為一個(gè)時(shí)間片斷，對(duì)原始數(shù)據(jù)采用了無(wú)放回抽取，以一周的教室環(huán)境記錄作為原始建模數(shù)據(jù)。

依據(jù)人體舒適度相關(guān)性分析[6]，確定樹(shù)莓派采集終端采集的教室環(huán)境數(shù)據(jù)包含以下8個(gè)屬性：時(shí)間戳、環(huán)境光照強(qiáng)度值、環(huán)境溫度值、環(huán)境濕度值、每分鐘聲音達(dá)到分貝閾值的次數(shù)、每分鐘有人體活動(dòng)的次數(shù)、當(dāng)前的時(shí)間、空調(diào)工作狀態(tài)下的電表電量。

4 數(shù)據(jù)探索分析

一次完整的未使用時(shí)段（即無(wú)聲音記錄且無(wú)人體運(yùn)動(dòng)記錄的時(shí)段）被視為一個(gè)用電時(shí)間間隔。當(dāng)然，實(shí)際上在評(píng)估這種間隔時(shí)，不能只看一種數(shù)據(jù)，因?yàn)橹T如光照等環(huán)境因素的顯著變化也很關(guān)鍵。教室兩次使用間隔時(shí)長(zhǎng)一般為5～10 min。

排除一些考試和維護(hù)的時(shí)段，基本和教室上課時(shí)段一致。實(shí)驗(yàn)統(tǒng)計(jì)了一周內(nèi)的教室使用數(shù)據(jù)。教室使用頻次分布見(jiàn)表1所列。聲音達(dá)到分貝閾值的次數(shù)大致可以說(shuō)明附近有頻率較高的活動(dòng)。人體紅外熱釋電傳感器采集的人體活動(dòng)數(shù)據(jù)會(huì)因風(fēng)扇、室外風(fēng)等影響而波動(dòng)不太明顯[7]，因此升級(jí)為毫米波雷達(dá)傳感器。

分析表1可知，每分鐘聲音達(dá)到分貝閾值的次數(shù)和人體活動(dòng)次數(shù)變化很大。其中間隔時(shí)間為5～10 min時(shí)，每分鐘聲音達(dá)到分貝閾值50次、有人體活動(dòng)的次數(shù)33次，可以判斷其為一次課間時(shí)間；每分鐘聲音達(dá)到分貝閾值60次且人體活動(dòng)頻率較低時(shí)，分析其為上課時(shí)間；每分鐘聲音達(dá)到分貝閾值10次左右且人體活動(dòng)次數(shù)在10次以下、光照變化也不劇烈時(shí)，可以認(rèn)為無(wú)人員活動(dòng)，進(jìn)行節(jié)電操作。

5 數(shù)據(jù)預(yù)處理

教室使用事件包括：上課、考試、實(shí)訓(xùn)、維護(hù)等。設(shè)計(jì)的目標(biāo)為識(shí)別這些事件，需要從原始數(shù)據(jù)（包括理論課、實(shí)踐課、課間休息、考試和日常維護(hù)、有人意外經(jīng)過(guò)）中識(shí)別哪些數(shù)據(jù)記錄是完整的課程事件；哪些是偶爾發(fā)生的事件，以便識(shí)別事件中的教室使用事件。一般情況下，判斷完整教室使用事件的關(guān)鍵因素是每分鐘聲音達(dá)到分貝閾值的次數(shù)和人體活動(dòng)次數(shù)。在閾值優(yōu)化模型中，為了提高在大量教室使用事件中發(fā)現(xiàn)正常事件的效率，建立了篩選規(guī)則，以消除非教學(xué)和維護(hù)等時(shí)間段的數(shù)據(jù)。數(shù)據(jù)變換流程：完整的教室使用事件劃分→劃分日常使用事件閾值尋優(yōu)→屬性構(gòu)造→篩選日常使用事件→得到建模數(shù)據(jù)樣本集。類(lèi)似地，也要對(duì)其他傳感器數(shù)據(jù)，包括光照強(qiáng)度、溫度、噪音、電器使用情況等方面的數(shù)據(jù)進(jìn)行篩選。下面以噪音和光照為例進(jìn)行介紹。

5.1 完整的教室使用事件甄別

教室的各種環(huán)境數(shù)據(jù)被存儲(chǔ)在樹(shù)莓派智能終端，并通過(guò)網(wǎng)絡(luò)傳輸?shù)綌?shù)據(jù)中心，其中記錄了包括上課、考試、課間、維護(hù)清掃和無(wú)人使用等所有情況下的環(huán)境數(shù)據(jù)。而一次使用事件由數(shù)條甚至上千條的傳感器狀態(tài)記錄組成，所以首先要在傳感器數(shù)據(jù)集中甄別哪些連續(xù)的時(shí)間片段屬于完整的教室使用事件。

在教室使用狀態(tài)記錄中，若每分鐘聲音達(dá)到分貝閾值的次數(shù)、人體活動(dòng)次數(shù)同時(shí)較低，則說(shuō)明教室無(wú)人使用；而每分鐘聲音達(dá)到分貝閾值的次數(shù)較高、人體活動(dòng)次數(shù)較低時(shí)一般為上課過(guò)程中。通常一次事件開(kāi)始時(shí)聲音并不會(huì)太高并且間歇發(fā)生，事件開(kāi)始時(shí)間往往在這之前。音量閾值可以通過(guò)傳感器設(shè)置，但間隔時(shí)間需要作為變量進(jìn)行調(diào)整。假設(shè)單位時(shí)間按1 min計(jì)算，對(duì)在單位時(shí)間內(nèi)環(huán)境音量達(dá)到傳感器設(shè)置的閾值的次數(shù)進(jìn)行統(tǒng)計(jì)。單位時(shí)長(zhǎng)內(nèi)聲音達(dá)到分貝閾值的次數(shù)有連續(xù)且增強(qiáng)的一段區(qū)域可以判定為事件開(kāi)始時(shí)間，對(duì)應(yīng)的連續(xù)且減弱的一段區(qū)域可以判定為事件結(jié)束時(shí)間。這里的單位時(shí)間是一個(gè)重要的回歸模型系數(shù)。

完整的教室使用事件的劃分有以下幾步：首先是識(shí)別一次噪音和人體活動(dòng)同時(shí)偏低的數(shù)據(jù)，記錄為M1；再按照順序識(shí)別接下來(lái)的第一條噪音和人體活動(dòng)偏高的數(shù)據(jù)，記錄為M2，需要判斷任意一組連續(xù)數(shù)據(jù)（如從M1到M2之間）的時(shí)間跨度是否大于設(shè)定的時(shí)間閾值T，以避免前后兩次活動(dòng)數(shù)據(jù)被劃分為同一事件。重復(fù)此過(guò)程，直至遍歷完整個(gè)訓(xùn)練數(shù)據(jù)集的最后一條記錄。

從教室環(huán)境數(shù)據(jù)中梳理出一次完整的使用事件，截取每分鐘聲音達(dá)到分貝閾值的次數(shù)和人體活動(dòng)次數(shù)超過(guò)閾值的記錄，將相鄰時(shí)間作差分。教室使用事件中的環(huán)境數(shù)據(jù)見(jiàn)表2所列。

5.2 教室使用事件閾值尋優(yōu)模型

實(shí)際情況下實(shí)驗(yàn)室的用途會(huì)發(fā)生變化，在不同位置收集的數(shù)據(jù)會(huì)存在偏差，固定時(shí)間閾值對(duì)于處理某些特殊情況也并不理想。存在一個(gè)使用過(guò)程被分成兩個(gè)事件，或者兩個(gè)事件被合并成一個(gè)事件的情況。為解決閾值變化問(wèn)題，本文建立了閾值尋優(yōu)模型來(lái)更新并尋找最優(yōu)閾值，由此解決了因使用情況和采集位置變化而導(dǎo)致的閾值差異問(wèn)題。光照的波動(dòng)頻率一般呈現(xiàn)正態(tài)分布，可以用于驗(yàn)證模型的準(zhǔn)確性。當(dāng)習(xí)慣框的位置趨于穩(wěn)定時(shí)，表明當(dāng)前閾值設(shè)定效果較好。同時(shí)穩(wěn)定的變化趨勢(shì)和較小的斜率變化可以作為評(píng)估系統(tǒng)穩(wěn)定性的關(guān)鍵特征。為了進(jìn)一步提高分析的準(zhǔn)確性，應(yīng)去除噪聲數(shù)據(jù)，并計(jì)算斜率指數(shù)以量化這種穩(wěn)

定性。

通過(guò)智能數(shù)據(jù)采集終端采集教室環(huán)境數(shù)據(jù)，并劃定合理的閾值和對(duì)應(yīng)的事件數(shù)量。對(duì)教室使用數(shù)據(jù)劃分閾值進(jìn)行尋優(yōu)，變化區(qū)間在1～9 min。自動(dòng)優(yōu)化閾值后得到在此期間內(nèi)教室使用事件劃分的最佳閾值為5 min。

構(gòu)建教室使用情況的4個(gè)關(guān)鍵屬性指標(biāo)：時(shí)長(zhǎng)指標(biāo)、頻率指標(biāo)、教室的量化指標(biāo)以及教室使用的波動(dòng)指標(biāo)。對(duì)一次教室使用事件抽取主要的環(huán)境數(shù)據(jù)，具體見(jiàn)表3所列。

6 數(shù)據(jù)預(yù)處理及變換

實(shí)際采集到的環(huán)境數(shù)據(jù)存在記錄缺失的情況，需要對(duì)缺失的數(shù)據(jù)記錄進(jìn)行修正。在溫濕度、光照等傳感器啟動(dòng)時(shí)需要進(jìn)行預(yù)處理，這段事件通常是沒(méi)有記錄的。工作過(guò)程中出現(xiàn)的某些意外情況會(huì)導(dǎo)致采集到的數(shù)據(jù)不是實(shí)時(shí)有效數(shù)據(jù)。這可能是由設(shè)備故障、網(wǎng)絡(luò)中斷或進(jìn)程調(diào)度異常等原因?qū)е碌?，使得狀態(tài)記錄時(shí)間內(nèi)的時(shí)間戳未能正確更新。針對(duì)這類(lèi)問(wèn)題，可以采用下一個(gè)時(shí)間戳對(duì)應(yīng)的數(shù)據(jù)值進(jìn)行修正。建模所需數(shù)據(jù)樣本示例見(jiàn)表4所列。

7 構(gòu)建模型

BP神經(jīng)網(wǎng)絡(luò)構(gòu)建完成之后，要采用樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練[8]。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，得到教室日常使用日志，包括教室使用時(shí)間、結(jié)束時(shí)間等，然后通過(guò)多層神經(jīng)網(wǎng)絡(luò)模型[9]來(lái)識(shí)別教室使用事件。由于日常使用事件在特征上與空閑事件不同，這些不同的特征體現(xiàn)在具體屬性上。因此，將收集的教室日常使用時(shí)的屬性數(shù)據(jù)作為訓(xùn)練樣本，以訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)。然后，根據(jù)訓(xùn)練的網(wǎng)絡(luò)對(duì)新采集的數(shù)據(jù)進(jìn)行測(cè)試，如圖2所示。

訓(xùn)練事件識(shí)別網(wǎng)絡(luò)使用的訓(xùn)練集來(lái)源于教室使用記錄。BP算法首先需要根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差計(jì)算最后一層的學(xué)習(xí)信號(hào)，隨后逐層向上，依次計(jì)算倒數(shù)第二層直至第一層的學(xué)習(xí)信號(hào)。因此，算法也被稱為誤差反向傳播算法[10]。在計(jì)算完每一層的學(xué)習(xí)信號(hào)后，根據(jù)權(quán)重調(diào)整公式?jīng)Q定如何調(diào)整每一層的權(quán)重矩陣，最后更新所有層的權(quán)重矩陣。研究發(fā)現(xiàn)，擁有兩個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)具有較好的訓(xùn)練效果。

訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可以用于識(shí)別相應(yīng)的教室使用事件。將前文所述的待檢測(cè)樣本的7個(gè)屬性作為輸入，設(shè)定輸出層的預(yù)期值范圍為±1。將測(cè)試數(shù)據(jù)代入上述模型進(jìn)行實(shí)際測(cè)試。利用反向傳播機(jī)制訓(xùn)練模型，進(jìn)行模型優(yōu)化時(shí)需要注意數(shù)據(jù)本身特征之間存在量級(jí)差異，需要進(jìn)行標(biāo)準(zhǔn)化，以消除此差異，最后再對(duì)插值誤差進(jìn)行估計(jì)。聚類(lèi)之后可根據(jù)當(dāng)前檢測(cè)的屬性值推測(cè)當(dāng)前時(shí)間內(nèi)的教室用途。

8 結(jié) 語(yǔ)

針對(duì)實(shí)驗(yàn)室的管理問(wèn)題，設(shè)計(jì)了一個(gè)易于使用和維護(hù)的管理系統(tǒng)。該系統(tǒng)結(jié)合多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)實(shí)現(xiàn)了對(duì)實(shí)驗(yàn)室活動(dòng)類(lèi)型的精確甄別，隨著數(shù)據(jù)的不斷積累，其準(zhǔn)確性穩(wěn)步提高。該系統(tǒng)可以長(zhǎng)期持續(xù)協(xié)助實(shí)驗(yàn)室管理人員管理實(shí)驗(yàn)室，甚至可以靈活添加新傳感器并遷移到其他使用場(chǎng)景，可以有效減少電力浪費(fèi)，節(jié)約人力成本。

參考文獻(xiàn)

[1] NICOL F，STEVENSON F. Adaptive comfort in an unpredictable world [J]. Building research amp; information，2013，41（6）：661-666.

[2]郭文強(qiáng)，董瑤，李清華，等. PSO-BP 神經(jīng)網(wǎng)絡(luò)在開(kāi)關(guān)柜設(shè)備溫度預(yù)測(cè)中的應(yīng)用[J].陜西科技大學(xué)學(xué)報(bào)，2020，38（1）：149-153.

[3]王玉濤，于金星，陳鑫，等. 基于樹(shù)莓派的自適應(yīng)空調(diào)控制系統(tǒng)設(shè)計(jì)[J].物聯(lián)網(wǎng)技術(shù)，2020，10（10）：76-78.

[4]曹潔，沈鈞珥，張紅，等. 基于小波和多維重構(gòu)的BP神經(jīng)網(wǎng)絡(luò)交通流短時(shí)預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件，2018，35（12）：61-65.

[5]劉發(fā)明，谷坤，王雪芹. 基于節(jié)能減排的高校節(jié)約型校園建設(shè)[J].節(jié)能技術(shù)，2010，28（3）：229-231.

[6]王曉輝，劉靜蕾，邊會(huì)娟，等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)環(huán)境熱舒適度預(yù)測(cè)與分析[J].控制工程，2021，28（7）：1437-1445.

[7]高學(xué)彬，張志強(qiáng)，葉世偉，等. 無(wú)線傳感器網(wǎng)絡(luò)中的被動(dòng)式紅外傳感器模型研究[J]. 計(jì)算機(jī)應(yīng)用，2007，27（5）：1086-1088.

[8]連之偉，曹彬，杜衡，等. 建筑室內(nèi)熱環(huán)境舒適區(qū)間確定方法[J]. 建筑科學(xué)，2022，38（8）：9-14.

[9]王永亮.基于BP神經(jīng)網(wǎng)絡(luò)數(shù)字識(shí)別技術(shù)的研究[J]. 山西電子技術(shù)，2021，49（5）：77-80.

[10]鮑偉，任超.基于GWO-BP神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測(cè)方法研究[J].計(jì)算機(jī)應(yīng)用與軟件，2022，39（9）：65-71.

收稿日期：2023-09-26 修回日期：2023-10-24

基金項(xiàng)目：安徽商貿(mào)職業(yè)技術(shù)學(xué)院重點(diǎn)產(chǎn)學(xué)研項(xiàng)目：基于語(yǔ)音控制智能節(jié)能系統(tǒng)的研究（2021KZZ04）；移動(dòng)互聯(lián)應(yīng)用技術(shù)專(zhuān)業(yè)教學(xué)團(tuán)隊(duì)（2020jxtd093）；AR及CoreML技術(shù)在古詩(shī)App“繪傳承”中的應(yīng)用研究（KJ2020A1082）；安徽商貿(mào)職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)應(yīng)用技術(shù)專(zhuān)業(yè)群（2020zyq29）

作者簡(jiǎn)介：湯義好（1983—），男，講師，研究方向?yàn)檐浖夹g(shù)與人工智能。