基于机器学习的智能家居系统设计研究总结与参考文献

　　第 5 章 总结与展望

　　5.1 工作总结。

　　本章对论文的工作进行了总结，总结了基于机器学习的智能家居系统通过使用人工神经网络实现机器学习系统，再通过 TCP/IP 网络与智能家居系统结合的实现。

　　本文主要针对机器学习与智能家居两个方向，通过研究以往这两个方向的研究，提出一个机器学习与智能家居的结合点，通过人工神经网络的使用，使得基于机器学习的智能家居系统展现出比传统智能家居更高的智能性，便利性，还有更具发展前景。

　　本文首先对传统智能家居设计进行了调研和分析，再结合当前机器学习发展方向，提出把机器学习与智能家居相结合的设想，再比较了当前市面上机器学习与智能家居结合的实现的优缺点，提出本文设想的机器学习与智能家居结合的想法。

　　再通过对机器学习的系统分析，得出使用人工神经网络的机器学习算法，并使用梯度下降法作为最优化算法，ReLu 作为激活函数的机器学习处理算法。并通过对比机器学习的实现选择 TensorFlow 机器学习系统作为核心机器学习库进行实现。

　　然后针对上文提出的问题，使用 Python 编程语言，对智能家居数据进行读取，转换，再输入到 TensorFlow 机器学习系统进行人工神经网络训练，预测，最后把输出结果发送到智能家居系统中进行远程操控。

　　最后通过一个例子的实现完成了对基于机器学习的智能家居系统进行一个测试工作，得到的结果也验证了之前的分析，系统有着较高的准确性。

　　而本文所实现系统虽然有一定完成度，但是受限于数据的不足，并没有实现完整的系统，可以期待在有一定数据量之后对系统进一步的完善。

　　5.2 研究展望。

　　在大数据时代，我们可以利用的数据越来越多，在数据中可以找到的价值也越来越高，但是同时也越来越困难，所以我们必须要多进行这方面的研究。同时智能家居对人们也是一个十分接近普及的，对生活能有较大提升的系统，把这两个系统相结合的想法更是发展的主要方向，通过更多的研究机器学习与智能家居的结合点，我们能找到这两个方向各自的瓶颈，也能针对问题提出解决办法，把机器学习与智能家居更好地结合，让更多人能够享受到机器学习与智能家居结合的智能生活。

　　参考文献：
　　
　　[1] 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,2010,06
　　[2] 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，2013,06:1147-1162
　　[3] 李频宇， 唐文源。 我国智能家居市场发展现状、问题及对策分析[J]. 科学时代，2014,11
　　[4] Dezhong Zheng, Yang Wang and Yan Wang. Intelligent Monitoring System forHome Based on FRBF Neural Network[J]. International Journal of Smart Home.2015.05: 207-218
　　[5] 余永权。 智能家居同针织物架构、功能及发展[J]. 电子世界，2002,05.
　　[6] Transparency Market Research. Home Automation Market – Global Industry　Analysis, Size, Share, Growth, Trends and Forecast 2014-2020[OL].
　　[7] Diane J. Cook, Michael Younghlood. MavHome: An Agent-Based Smart Home[J].　IEEE Pervasive Computing and Communications, 2013,March:521-524
　　[8] Das, S.K. The role of prediction algorithms in the MavHome smart home　architecture[J]. Wireless Communications, IEEE, 2002:77-84
　　[9] 严霄凤，张得馨。 大数据研究[J]. 计算机技术与发展，2013,04:168-172
　　[10]维克托 迈尔 舍恩伯格。 大数据时代[M]. 浙江人民出版社， 2012
　　[11]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：　吉林大学， 2013
　　[12]Jonghwa Choi, Dongkyoo Shin, Dongil Shin. Research and implementation of the　Context-Aware Middleware for Controlling Home Appliances[J]. Consumer　Electronics, ICCE. 2005,Jan:161-162
　　[13]田琴兰。 基于面向对象的智能家居系统建模研究[D]. 北京： 北京交通大学，　2012
　　[14]何清，李宁。 大数据下的机器学习算法综述[J]. 模式识别与人工智能，2014,04.
　　[15]张效祥 . 计算机科学技术百科全书 [M]. 第二版 . 北京 : 清华大学 ,　2005:302-304
　　[16]敖道敢。 无监督特征学习结合神经网络就用于图像识别[D]. 广东： 华南理工大学， 2014
　　[17]杨涛，刘文杰。 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，2013,04:75-77
　　[18]Tim Hill, Leorey Marquez. Artificial neural network models for forecasting and　decision making[J]. International Journal of Forecasting, 1994,june:5-15
　　[19]吴昌友。 神经网络的研究及应用[D]. 黑龙江： 东北农业大学，2007
　　[20]钟谭卫。 神经网络中的多维 MP 模型[J]. 华南农业大学学报，2004,02
　　[21]李 红 超 . 关 于 人 工 神 经 网 络 的 应 用 研 究 [J]. 电 脑 知 识 与 技术，2014,06:1285-1286
　　[22]吴佑寿，赵明生。 激活函数可调的神经元模型及其有监督学习与应用[J]. 中国科学 E 辑：技术科学，2001,03
　　[23]MD Zeiler, MA Ranzato. On rectified linear units for speech processing[J].Acoustics, Speech and Signal Processing（ICASSP）， IEEE,2013,May:3517-3521
　　[24]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，2011,18.
　　[25]李俭川，秦国军。 神经网络学习算法的过拟合问题及解决方法[J]. 振动、测试与诊断，2002,04
　　[26]Google. TensorFlow – an Open Source Software Library for MachineLearning[OL].
　　[27]王希光。 几种开源协议的比较研究[J]. 信息技术，2010,14.
　　[28]夏 明 忠 , 夏 以 轩 . 软 件 模 块 化 设 计 与 模 块 化 管 理 [J]. 中 国 信 息界，2012,11:56-59
　　[29]李慧霸，田甜。 网络程序设计中的并发复杂性[J]. 软件学报，2011,01
　　[30]Gevent: a coroutine based Python networking library[OL].
　　[31]孙鑫。 机器学习中特征选问题研究[D]. 吉林： 吉林大学，2013
　　[32]叶斌，雷燕。 关于 BP 网中隐含层层数及其节点数选取方法浅析[J]. 商丘职业技术学院学报。 2004.06
　　[33]高大文，王鹏。 人工神经网络中隐含层节点与训练次数的优化[J]. 哈尔滨工业大学学报。 2003.35
　　[34]王树乾。 无线传感器网络的信息处理架构[D]. 吉林： 吉林大学，2013
　　[35]Sean Barker, Aditya Mishra. Smart*: An Open Data Set and Tools for Enabling　Research in Sustainable Homes[J]. Proceedings of the 2012 Workshop on Data　MiningApplications in Sustainability, 2012
　　[36]UMass Trace Repository. Laboratory for Advanced System Software.
　　[37]The Laboratory for Advanced System Software （LASS）。