本文關(guān)鍵詞：基于機(jī)器學(xué)習(xí)的智能家居系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

  更多相關(guān)文章： 智能家居 前反饋神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)系統(tǒng) 機(jī)器學(xué)習(xí) ReLu TensorFlow

【摘要】：隨著人們對(duì)生活質(zhì)量要求的越來(lái)越高以及i OS,Android等智能手機(jī)的普及,智能家居這個(gè)概念又上次浮上水面,同時(shí)電子設(shè)備的集成度也越來(lái)越高,各種智能設(shè)備也不斷出現(xiàn),傳統(tǒng)的電器也開(kāi)始有了計(jì)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(guò)在家庭中布置各種傳感器和控制設(shè)備,實(shí)時(shí)地監(jiān)視家庭中各種環(huán)境以及控制各種用電器,使得整個(gè)家庭環(huán)境設(shè)施變地智能化。人們可以更方便更詳細(xì)地了解或者控制家里面的環(huán)境和設(shè)備。由此在能得到更舒適的居住環(huán)境的同時(shí)還能保證居家環(huán)境安全。市面上已經(jīng)出現(xiàn)了很多智能家居的系統(tǒng),能夠提供一些環(huán)境的監(jiān)測(cè)和用電器的遠(yuǎn)程控制,但是在整套設(shè)備中,各設(shè)備之間并沒(méi)有很好地結(jié)合到一起,僅能夠單獨(dú)地提供各傳感器狀態(tài)和手動(dòng)控制各節(jié)點(diǎn),并沒(méi)有達(dá)到智能系統(tǒng)的要求。近年來(lái),隨著人工智能,機(jī)器學(xué)習(xí)的快速發(fā)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(fā)展方向提供了與以往不同的思路和難得的機(jī)遇。本文通過(guò)使用Python定時(shí)讀取智能家居系統(tǒng)數(shù)據(jù)庫(kù)中各個(gè)節(jié)點(diǎn)間的數(shù)據(jù)并使用Google最新開(kāi)源的機(jī)器學(xué)習(xí)框架Tensor Flow實(shí)現(xiàn)前反饋神經(jīng)網(wǎng)絡(luò)(feed forward neural network,FNN)對(duì)歷史數(shù)據(jù)進(jìn)行分析學(xué)習(xí),其中,本文使用了Re Lu作為激勵(lì)函數(shù),使得前反饋神經(jīng)網(wǎng)絡(luò)有多層感知能力。通過(guò)系統(tǒng)的持續(xù)運(yùn)行,我們可以得到各個(gè)節(jié)點(diǎn)的預(yù)測(cè)狀態(tài),在預(yù)測(cè)結(jié)果與當(dāng)前狀態(tài)差異達(dá)到限定閥值的時(shí)候,對(duì)于控制設(shè)備,向智能家居服務(wù)器發(fā)送控制命令,請(qǐng)求修改當(dāng)前節(jié)點(diǎn)的狀態(tài);對(duì)于環(huán)境監(jiān)視設(shè)備,向用戶發(fā)送可能的異常狀態(tài)提醒。在將智能家居與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合,把整個(gè)傳統(tǒng)的智能家居系統(tǒng)結(jié)合到一起,提供一套基于機(jī)器學(xué)習(xí)的智能家居實(shí)現(xiàn)方案。在機(jī)器學(xué)習(xí)的基礎(chǔ)下,可以最大程度地利用上系統(tǒng)中的各種數(shù)據(jù),針對(duì)各個(gè)用戶自己的習(xí)慣為用戶提供安全,方便,舒適的居家環(huán)境。本文通過(guò)結(jié)合所有節(jié)點(diǎn)的數(shù)據(jù),再以節(jié)點(diǎn)為單位進(jìn)行預(yù)測(cè),可以得到單一節(jié)點(diǎn)在系統(tǒng)中的可能狀態(tài),而對(duì)系統(tǒng)所有節(jié)點(diǎn)預(yù)測(cè)結(jié)束后,所有節(jié)點(diǎn)的狀態(tài)會(huì)組成一個(gè)新的完整的系統(tǒng)模式,從而實(shí)現(xiàn)宏觀地對(duì)整個(gè)家居進(jìn)行監(jiān)控的同時(shí),也可以很好地保持系統(tǒng)的靈活性,為增加或減少節(jié)點(diǎn)做好相應(yīng)的準(zhǔn)備。
【關(guān)鍵詞】：智能家居 前反饋神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)系統(tǒng) 機(jī)器學(xué)習(xí) ReLu TensorFlow
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TU855;TP181
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 研究背景及意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-13
• 1.3 本文工作簡(jiǎn)介13
• 1.4 論文體系結(jié)構(gòu)13-15
• 第2章 智能家居系統(tǒng)需求分析15-21
• 2.1 智能家居研究現(xiàn)狀15-16
• 2.2 智能家居發(fā)展趨勢(shì)16-17
• 2.3 系統(tǒng)總體設(shè)計(jì)與任務(wù)分析17-20
• 2.3.1 智能家居架構(gòu)17-19
• 2.3.2 機(jī)器學(xué)習(xí)系統(tǒng)任務(wù)需求分析19-20
• 2.4 本章小結(jié)20-21
• 第3章 機(jī)器學(xué)習(xí)相關(guān)技術(shù)分析21-35
• 3.1 機(jī)器學(xué)習(xí)概念與分類21-23
• 3.1.1 機(jī)器學(xué)習(xí)概念21-22
• 3.1.2 監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)22-23
• 3.2 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)理論分析23-31
• 3.2.1 人工神經(jīng)網(wǎng)絡(luò)23-28
• 3.2.2 最優(yōu)化算法28-30
• 3.2.3 機(jī)器學(xué)習(xí)系統(tǒng)數(shù)據(jù)預(yù)處理與評(píng)估方法30-31
• 3.3 TensorFlow機(jī)器學(xué)習(xí)系統(tǒng)31-33
• 3.4 本章小結(jié)33-35
• 第4章 基于機(jī)器學(xué)習(xí)的智能家居系統(tǒng)35-59
• 4.1 系統(tǒng)總體架構(gòu)35-39
• 4.1.1 模塊化設(shè)計(jì)35-37
• 4.1.2 系統(tǒng)特性37-38
• 4.1.3 實(shí)現(xiàn)平臺(tái)38-39
• 4.2 任務(wù)管理模塊39-42
• 4.2.1 并發(fā)性處理39-41
• 4.2.2 優(yōu)先級(jí)處理41-42
• 4.3 數(shù)據(jù)管理模塊42-43
• 4.3.1 數(shù)據(jù)接口42-43
• 4.3.2 具體實(shí)現(xiàn)43
• 4.4 預(yù)測(cè)模塊43-48
• 4.4.1 整體流程43-45
• 4.4.2 輸入輸出45-46
• 4.4.3 神經(jīng)網(wǎng)絡(luò)46-47
• 4.4.4 具體實(shí)現(xiàn)47-48
• 4.5 網(wǎng)絡(luò)通信模塊48-51
• 4.5.1 請(qǐng)求節(jié)點(diǎn)列表48-50
• 4.5.2 發(fā)送命令50-51
• 4.6 系統(tǒng)測(cè)試51-57
• 4.6.1 數(shù)據(jù)來(lái)源51-52
• 4.6.2 具體測(cè)試52-55
• 4.6.3 測(cè)試結(jié)果55-57
• 4.7 本章小結(jié)57-59
• 第5章 總結(jié)與展望59-61
• 5.1 工作總結(jié)59-60
• 5.2 研究展望60-61
• 參考文獻(xiàn)61-64
• 作者簡(jiǎn)介64-65
• 致謝65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 何清;李寧;羅文娟;史忠植;;大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述[J];模式識(shí)別與人工智能;2014年04期

2 李紅超;;關(guān)于人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J];電腦知識(shí)與技術(shù);2014年06期

3 李建中;劉顯敏;;大數(shù)據(jù)的一個(gè)重要方面:數(shù)據(jù)可用性[J];計(jì)算機(jī)研究與發(fā)展;2013年06期

4 楊濤;劉文杰;丁寧;;基于梯度下降算法的神經(jīng)網(wǎng)絡(luò)模型研究[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2013年04期

5 嚴(yán)霄鳳;張德馨;;大數(shù)據(jù)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年04期

6 夏明忠;夏以軒;李兵元;;軟件模塊化設(shè)計(jì)和模塊化管理[J];中國(guó)信息界;2012年11期

7 李友坤;;最優(yōu)化算法在BP網(wǎng)絡(luò)中的應(yīng)用[J];中國(guó)新技術(shù)新產(chǎn)品;2011年18期

8 李慧霸;田甜;彭宇行;李東升;盧錫城;;網(wǎng)絡(luò)程序設(shè)計(jì)中的并發(fā)復(fù)雜性[J];軟件學(xué)報(bào);2011年01期

9 王希光;;幾種開(kāi)源協(xié)議的比較研究[J];科技資訊;2010年14期

10 馮凱;童世華;;智能家居的由來(lái)及其發(fā)展趨勢(shì)[J];中國(guó)新技術(shù)新產(chǎn)品;2010年06期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 孫鑫;機(jī)器學(xué)習(xí)中特征選問(wèn)題研究[D];吉林大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 敖道敢;無(wú)監(jiān)督特征學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別[D];華南理工大學(xué);2014年

2 王樹(shù)乾;無(wú)線傳感器網(wǎng)絡(luò)的信息處理架構(gòu)[D];吉林大學(xué);2013年

3 祝章偉;基于ZigBee網(wǎng)絡(luò)的智能家居網(wǎng)關(guān)及終端節(jié)點(diǎn)設(shè)計(jì)與實(shí)現(xiàn)[D];吉林大學(xué);2013年

4 田琴蘭;基于面向?qū)ο蟮闹悄芗揖酉到y(tǒng)建模研究[D];北京交通大學(xué);2012年

5 吳昌友;神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2007年

，

本文編號(hào)：528728