机器学习下智能家居系统研发探析

　　摘 要

　　随着人们对生活质量要求的越来越高以及 iOS,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 TensorFlow 实现前反馈神经网络（feedforward neural network,FNN）对历史数据进行分析学习，其中，本文使用了 ReLu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。

　　关键字：智能家居，前反馈神经网络，预测系统，机器学习，ReLu,TensorFlow

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