基于机器学习的智能家居系统设计与实现

发布时间：2017-07-07 04:01

  本文关键词：基于机器学习的智能家居系统设计与实现

  更多相关文章： 智能家居 前反馈神经网络 预测系统 机器学习 ReLu TensorFlow

【摘要】：随着人们对生活质量要求的越来越高以及i OS,Android等智能手机的普及,智能家居这个概念又上次浮上水面,同时电子设备的集成度也越来越高,各种智能设备也不断出现,传统的电器也开始有了计算能力,智能家居正变得炙手可热,又将要掀起一股热潮。智能家居是指通过在家庭中布置各种传感器和控制设备,实时地监视家庭中各种环境以及控制各种用电器,使得整个家庭环境设施变地智能化。人们可以更方便更详细地了解或者控制家里面的环境和设备。由此在能得到更舒适的居住环境的同时还能保证居家环境安全。市面上已经出现了很多智能家居的系统,能够提供一些环境的监测和用电器的远程控制,但是在整套设备中,各设备之间并没有很好地结合到一起,仅能够单独地提供各传感器状态和手动控制各节点,并没有达到智能系统的要求。近年来,随着人工智能,机器学习的快速发展,智能家居有了真正意义上的智能的可能性,这些变化为智能家居的发展方向提供了与以往不同的思路和难得的机遇。本文通过使用Python定时读取智能家居系统数据库中各个节点间的数据并使用Google最新开源的机器学习框架Tensor Flow实现前反馈神经网络(feed forward neural network,FNN)对历史数据进行分析学习,其中,本文使用了Re Lu作为激励函数,使得前反馈神经网络有多层感知能力。通过系统的持续运行,我们可以得到各个节点的预测状态,在预测结果与当前状态差异达到限定阀值的时候,对于控制设备,向智能家居服务器发送控制命令,请求修改当前节点的状态;对于环境监视设备,向用户发送可能的异常状态提醒。在将智能家居与机器学习技术相结合,把整个传统的智能家居系统结合到一起,提供一套基于机器学习的智能家居实现方案。在机器学习的基础下,可以最大程度地利用上系统中的各种数据,针对各个用户自己的习惯为用户提供安全,方便,舒适的居家环境。本文通过结合所有节点的数据,再以节点为单位进行预测,可以得到单一节点在系统中的可能状态,而对系统所有节点预测结束后,所有节点的状态会组成一个新的完整的系统模式,从而实现宏观地对整个家居进行监控的同时,也可以很好地保持系统的灵活性,为增加或减少节点做好相应的准备。
【关键词】：智能家居 前反馈神经网络 预测系统 机器学习 ReLu TensorFlow
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU855;TP181
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-13
• 1.3 本文工作简介13
• 1.4 论文体系结构13-15
• 第2章 智能家居系统需求分析15-21
• 2.1 智能家居研究现状15-16
• 2.2 智能家居发展趋势16-17
• 2.3 系统总体设计与任务分析17-20
• 2.3.1 智能家居架构17-19
• 2.3.2 机器学习系统任务需求分析19-20
• 2.4 本章小结20-21
• 第3章 机器学习相关技术分析21-35
• 3.1 机器学习概念与分类21-23
• 3.1.1 机器学习概念21-22
• 3.1.2 监督学习与无监督学习22-23
• 3.2 基于神经网络的预测系统理论分析23-31
• 3.2.1 人工神经网络23-28
• 3.2.2 最优化算法28-30
• 3.2.3 机器学习系统数据预处理与评估方法30-31
• 3.3 TensorFlow机器学习系统31-33
• 3.4 本章小结33-35
• 第4章 基于机器学习的智能家居系统35-59
• 4.1 系统总体架构35-39
• 4.1.1 模块化设计35-37
• 4.1.2 系统特性37-38
• 4.1.3 实现平台38-39
• 4.2 任务管理模块39-42
• 4.2.1 并发性处理39-41
• 4.2.2 优先级处理41-42
• 4.3 数据管理模块42-43
• 4.3.1 数据接口42-43
• 4.3.2 具体实现43
• 4.4 预测模块43-48
• 4.4.1 整体流程43-45
• 4.4.2 输入输出45-46
• 4.4.3 神经网络46-47
• 4.4.4 具体实现47-48
• 4.5 网络通信模块48-51
• 4.5.1 请求节点列表48-50
• 4.5.2 发送命令50-51
• 4.6 系统测试51-57
• 4.6.1 数据来源51-52
• 4.6.2 具体测试52-55
• 4.6.3 测试结果55-57
• 4.7 本章小结57-59
• 第5章 总结与展望59-61
• 5.1 工作总结59-60
• 5.2 研究展望60-61
• 参考文献61-64
• 作者简介64-65
• 致谢65

【参考文献】

中国期刊全文数据库 前10条

1 何清;李宁;罗文娟;史忠植;;大数据下的机器学习算法综述[J];模式识别与人工智能;2014年04期

2 李红超;;关于人工神经网络的应用研究[J];电脑知识与技术;2014年06期

3 李建中;刘显敏;;大数据的一个重要方面:数据可用性[J];计算机研究与发展;2013年06期

4 杨涛;刘文杰;丁宁;;基于梯度下降算法的神经网络模型研究[J];网络安全技术与应用;2013年04期

5 严霄凤;张德馨;;大数据研究[J];计算机技术与发展;2013年04期

6 夏明忠;夏以轩;李兵元;;软件模块化设计和模块化管理[J];中国信息界;2012年11期

7 李友坤;;最优化算法在BP网络中的应用[J];中国新技术新产品;2011年18期

8 李慧霸;田甜;彭宇行;李东升;卢锡城;;网络程序设计中的并发复杂性[J];软件学报;2011年01期

9 王希光;;几种开源协议的比较研究[J];科技资讯;2010年14期

10 冯凯;童世华;;智能家居的由来及其发展趋势[J];中国新技术新产品;2010年06期

中国博士学位论文全文数据库 前1条

1 孙鑫;机器学习中特征选问题研究[D];吉林大学;2013年

中国硕士学位论文全文数据库 前5条

1 敖道敢;无监督特征学习结合神经网络应用于图像识别[D];华南理工大学;2014年

2 王树乾;无线传感器网络的信息处理架构[D];吉林大学;2013年

3 祝章伟;基于ZigBee网络的智能家居网关及终端节点设计与实现[D];吉林大学;2013年

4 田琴兰;基于面向对象的智能家居系统建模研究[D];北京交通大学;2012年

5 吴昌友;神经网络的研究及应用[D];东北农业大学;2007年

，

本文编号：528728