摘 要
隨著人們對生活質量要求的越來越高以及 iOS,Android 等智能手機的普及,智能家居這個概念又上次浮上水面,同時電子設備的集成度也越來越高,各種智能設備也不斷出現,傳統的電器也開始有了計算能力,智能家居正變得炙手可熱,又將要掀起一股熱潮。
智能家居是指通過在家庭中布置各種傳感器和控制設備,實時地監視家庭中各種環境以及控制各種用電器,使得整個家庭環境設施變地智能化。人們可以更方便更詳細地了解或者控制家里面的環境和設備。由此在能得到更舒適的居住環境的同時還能保證居家環境安全。
市面上已經出現了很多智能家居的系統,能夠提供一些環境的監測和用電器的遠程控制,但是在整套設備中,各設備之間并沒有很好地結合到一起,僅能夠單獨地提供各傳感器狀態和手動控制各節點,并沒有達到智能系統的要求。近年來,隨著人工智能,機器學習的快速發展,智能家居有了真正意義上的智能的可能性,這些變化為智能家居的發展方向提供了與以往不同的思路和難得的機遇。
本文通過使用 Python 定時讀取智能家居系統數據庫中各個節點間的數據并使用 Google 最新開源的機器學習框架 TensorFlow 實現前反饋神經網絡(feedforward neural network,FNN)對歷史數據進行分析學習,其中,本文使用了 ReLu作為激勵函數,使得前反饋神經網絡有多層感知能力。通過系統的持續運行,我們可以得到各個節點的預測狀態, 在預測結果與當前狀態差異達到限定閥值的時候,對于控制設備,向智能家居服務器發送控制命令,請求修改當前節點的狀態;對于環境監視設備,向用戶發送可能的異常狀態提醒。在將智能家居與機器學習技術相結合,把整個傳統的智能家居系統結合到一起,提供一套基于機器學習的智能家居實現方案。在機器學習的基礎下,可以最大程度地利用上系統中的各種數據,針對各個用戶自己的習慣 為用戶提供安全,方便,舒適的居家環境。
本文通過結合所有節點的數據,再以節點為單位進行預測,可以得到單一節點在系統中的可能狀態,而對系統所有節點預測結束后,所有節點的狀態會組成一個新的完整的系統模式,從而實現宏觀地對整個家居進行監控的同時,也可以很好地保持系統的靈活性,為增加或減少節點做好相應的準備。
關鍵字:智能家居,前反饋神經網絡,預測系統,機器學習,ReLu,TensorFlow
目錄
摘要
第 1 章 緒 論
1.1 研究背景及意義
1.2 國內外研究現狀
1.3 本文工作簡介
1.4 論文體系結構
第 2 章 智能家居系統需求分析
2.1 智能家居研究現狀
2.2 智能家居發展趨勢
2.3 系統總體設計與任務分析
2.3.1 智能家居架構
2.3.2 機器學習系統任務需求分析
2.4 本章小結
第 3 章 機器學習相關技術分析
3.1 機器學習概念與分類
3.1.1 機器學習概念
3.1.2 監督學習與無監督學習
3.2 基于神經網絡的預測系統理論分析
3.2.1 人工神經網絡
3.2.2 最優化算法
3.2.3 機器學習系統數據預處理與評估方法
3.3 TensorFlow 機器學習系統
3.4 本章小結
第 4 章 基于機器學習的智能家居系統
4.1 系統總體架構
4.1.1 模塊化設計
4.1.2 系統特性
4.1.3 實現平臺
4.2 任務管理模塊
4.2.1 并發性處理
4.2.2 優先級處理
4.3 數據管理模塊
4.3.1 數據接口
4.3.2 具體實現
4.4 預測模塊
4.4.1 整體流程
4.4.2 輸入輸出
4.4.3 神經網絡
4.4.4 具體實現
4.5 網絡通信模塊
4.5.1 請求節點列表
4.5.2 發送命令
4.6 系統測試
4.6.1 數據來源
4.6.2 具體測試
4.6.3 測試結果
4.7 本章小結
第 5 章 總結與展望
5.1 工作總結
5.2 研究展望
參考文獻