论文部分内容阅读
摘 要：文章对当前较流行的“互联网+”智能家居系统进行了研究，并针对现存智能家居中的一些问题提出了解决办法。从算法入手，基于专家系统及带权平均值以及用户轨迹对算法进行设计，利用用户数据、专家知识、既有事实生成规则库，再使用人工智能算法对规则库进行运算得出最终的智能推荐。
关键词：人工智能 ；Java；智能家居专家系统
中图分类号：TP273 文献标识码：A
随着科技的发展，智能家居日益成为研究的热点并走入了大家的视线之中，但现在的智能家居真的“智能”么？当前市面上的产品大多不够人性化，且业务模式不合理。那么在这种情况下，研发出一种全新的更加智能化的家居系统就十分有必要了。为了解决现有系统存在的问题，本文提出了一种基于人工智能算法、嵌入式技术、网络通信技术等多种技术融合的智能家居系统。该系统设计并实现了具有硬件模块、网页界面、服务器端服务、安卓客户端机器的一整套的系统模块。本文着重进行学习算法的人工智能研究，并从用户日常行为数据中挖掘信息，使智能家居系统能够学习和识别行为，实现自主决策能力。
一、现状
在美国约有四万户家庭安装了智能家居系统，而在新加坡有三十多个住宅小区约五千户的家庭在家中安装了智能家居系统。智能家居系统是通过网络信号和主控收发器，将家居中的生活设备、安防设备、传感器等集合到一起的一个全面的互联网家居的控制系统。
中国在2000年出台的一项方案中提到，将建设智能化小康小区列入国家重点发展方向。据悉，国家将“智能家居”确立为技术创新重点专项计划，并投资将近15个亿用于支持该项目。国家建设部也提出要求，到2010年时，我国大中城市中，智能家居系统要普及超过半数的家庭。但在目前，实际情况却不容乐观。当前，市面上也出现了多种以智能家居为噱头的产品，但实现模式基本大同小异，且在“智能化”这一重点方面较为薄弱，只有极少的产品可以根据用户的行为进行自动定制，达到“智能化”。
二、关键技术介绍
1. 用户轨迹算法
用户轨迹这个概念经常用于对用户行为数据的获取方面。事实上，用户的一切操作、一切行为都能反映出这个用户的行为模式与生活习惯，甚至还能推断出多个用户之间的人际关系。
2.带权平均数
带权平均数，或称加权平均值。它的计算方式是：将每个数乘以它们对应的权重，先将各数相加求出总合，再以综合除以总的单位数。带权平均数的平均数大小不同于传统平均数，它不仅取决于每一个数值的大小，还取决于每个数值在综合之中所占的比重，即权重。在带权平均值中，若n个数x1，x2，…， xn的权分别是w1，w2，…， wn，x=—就成为n个数的加权平均值。
3.专家系统
专家系统是人工智能领域中一种常见的智能推理系统。专家系统由4个部分构成，即推理机（推理程序）、规则库（用户信息及专家知识归纳）、事实库（结论）、动态数据库。其中专家系统中最关键的就是规则部分，专家系统中的规则是从领域内的专家多年累积的知识与经验中提炼总结得出的，因此能够解决一些较为复杂的、因素繁多的、只有领域内的具备一定水平的专家才能解决的问题。
三、智能家居系统中的算法与应用
针对目前已有系统中常见的几个问题：
（1）大部分智能家居系统不具备 “智能”功能，只能实现部分设备的远程操作、设备的定时操作等普通的功能。
（2）目前智能家居的智能程度不足，无法适应用户行为习惯的变化，难以与用户的日常生活习惯相匹配。有时，智能算法生成的结果遇上了现实环境情况的不符，也没有进行修正，继续运行设备导致了能源上的大量浪费。
（3）智能家居系统模式不够轻盈灵便，以往智能家居系统固化在设备之中，属于C/S架构，这种架构导致用户数据采集麻烦，软件算法版本更新迭代复杂烦琐。
本系统针对这些问题，应用以上几种算法，提出了解决办法。以下为该系统的业务流程图。
首先，对每一次的用户操作都会通过用户轨迹算法进行采集整理，进而产生一次用户轨迹记录。在这里采用了AOP技术，即面向切面编程，此处将它作为一个日志采集的工具。
采集到的用户轨迹数据，需要具备一些必要的、有意义的信息，例如，操作用户的ID、操作的起始时间、操作的结束时间、设备的运行时间、操作的类型、操作的设备编号等信息，并生成一个用户记录存放进数据库，用于后续的算法使用。
算法阶段，需要对用户轨迹数据的整理过滤及生成专家系统的一阶规则，即初始智能任务的生成这两个方面的问题。
在对数据处理方面，设计了采集模型对象，并从采集范围、采样周期、样本时间片、样本相似度几个维度对用户轨迹数据进行分割。
智能任务的生成，主要就是数据中的各项时间根据操作的设备号、操作的类型进行分类处理计算，在经过了采集模型对数据的精简过滤后，带权平均数的方法就可以轻松应用，通过模型过滤得到的有效信息，可以轻松得出一份智能任务列表。
到了專家系统的部分，专家系统负责对初始的智能任务列表进行二次筛选过滤。先通过与专家交互获取到一些有价值的专业知识，开发人员根据获得的专业知识设计出对应的合理规则，并写入数据库构造成规则库。将智能任务列表放入已写好的推理程序中，根据规则库及一些现实情况进行分析过滤筛选，最终生成一份更加精确的智能任务列表，确保每个智能任务都是有效的、合理的。
有了智能列表之后，通过开发转换程序，对任务进行逐个转换，转换成能被硬件设备识别接收的信号，存入待执行列表，等待触发的操作。待指定的时间到达，再对设备发送执行操作。
经过以上步骤，就可以形成一个更加智能化的家居系统，同时也解决了一些令人头痛的现存难题。
本文主要介绍了对现有智能家居系统中存在的问题进行改进、研究开发的系统。该系统在解决问题的基础上，使用更加方便，且成本低廉。采用该系统可以构建更加智能化的生活，满足更多人的需求，使更多的人享受到更加优质的生活。
参考文献：
[1]潘 璐.基于层次分析法的服装推荐专家系统[D].上海： 东华大学，2016.
[2]刘 浩.智能家居中基于用户行为的算法研究[D].长沙： 湖南大学， 2013.
关键词：人工智能 ；Java；智能家居专家系统
中图分类号：TP273 文献标识码：A
随着科技的发展，智能家居日益成为研究的热点并走入了大家的视线之中，但现在的智能家居真的“智能”么？当前市面上的产品大多不够人性化，且业务模式不合理。那么在这种情况下，研发出一种全新的更加智能化的家居系统就十分有必要了。为了解决现有系统存在的问题，本文提出了一种基于人工智能算法、嵌入式技术、网络通信技术等多种技术融合的智能家居系统。该系统设计并实现了具有硬件模块、网页界面、服务器端服务、安卓客户端机器的一整套的系统模块。本文着重进行学习算法的人工智能研究，并从用户日常行为数据中挖掘信息，使智能家居系统能够学习和识别行为，实现自主决策能力。
一、现状
在美国约有四万户家庭安装了智能家居系统，而在新加坡有三十多个住宅小区约五千户的家庭在家中安装了智能家居系统。智能家居系统是通过网络信号和主控收发器，将家居中的生活设备、安防设备、传感器等集合到一起的一个全面的互联网家居的控制系统。
中国在2000年出台的一项方案中提到，将建设智能化小康小区列入国家重点发展方向。据悉，国家将“智能家居”确立为技术创新重点专项计划，并投资将近15个亿用于支持该项目。国家建设部也提出要求，到2010年时，我国大中城市中，智能家居系统要普及超过半数的家庭。但在目前，实际情况却不容乐观。当前，市面上也出现了多种以智能家居为噱头的产品，但实现模式基本大同小异，且在“智能化”这一重点方面较为薄弱，只有极少的产品可以根据用户的行为进行自动定制，达到“智能化”。
二、关键技术介绍
1. 用户轨迹算法
用户轨迹这个概念经常用于对用户行为数据的获取方面。事实上，用户的一切操作、一切行为都能反映出这个用户的行为模式与生活习惯，甚至还能推断出多个用户之间的人际关系。
2.带权平均数
带权平均数，或称加权平均值。它的计算方式是：将每个数乘以它们对应的权重，先将各数相加求出总合，再以综合除以总的单位数。带权平均数的平均数大小不同于传统平均数，它不仅取决于每一个数值的大小，还取决于每个数值在综合之中所占的比重，即权重。在带权平均值中，若n个数x1，x2，…， xn的权分别是w1，w2，…， wn，x=—就成为n个数的加权平均值。
3.专家系统
专家系统是人工智能领域中一种常见的智能推理系统。专家系统由4个部分构成，即推理机（推理程序）、规则库（用户信息及专家知识归纳）、事实库（结论）、动态数据库。其中专家系统中最关键的就是规则部分，专家系统中的规则是从领域内的专家多年累积的知识与经验中提炼总结得出的，因此能够解决一些较为复杂的、因素繁多的、只有领域内的具备一定水平的专家才能解决的问题。
三、智能家居系统中的算法与应用
针对目前已有系统中常见的几个问题：
（1）大部分智能家居系统不具备 “智能”功能，只能实现部分设备的远程操作、设备的定时操作等普通的功能。
（2）目前智能家居的智能程度不足，无法适应用户行为习惯的变化，难以与用户的日常生活习惯相匹配。有时，智能算法生成的结果遇上了现实环境情况的不符，也没有进行修正，继续运行设备导致了能源上的大量浪费。
（3）智能家居系统模式不够轻盈灵便，以往智能家居系统固化在设备之中，属于C/S架构，这种架构导致用户数据采集麻烦，软件算法版本更新迭代复杂烦琐。
本系统针对这些问题，应用以上几种算法，提出了解决办法。以下为该系统的业务流程图。
首先，对每一次的用户操作都会通过用户轨迹算法进行采集整理，进而产生一次用户轨迹记录。在这里采用了AOP技术，即面向切面编程，此处将它作为一个日志采集的工具。
采集到的用户轨迹数据，需要具备一些必要的、有意义的信息，例如，操作用户的ID、操作的起始时间、操作的结束时间、设备的运行时间、操作的类型、操作的设备编号等信息，并生成一个用户记录存放进数据库，用于后续的算法使用。
算法阶段，需要对用户轨迹数据的整理过滤及生成专家系统的一阶规则，即初始智能任务的生成这两个方面的问题。
在对数据处理方面，设计了采集模型对象，并从采集范围、采样周期、样本时间片、样本相似度几个维度对用户轨迹数据进行分割。
智能任务的生成，主要就是数据中的各项时间根据操作的设备号、操作的类型进行分类处理计算，在经过了采集模型对数据的精简过滤后，带权平均数的方法就可以轻松应用，通过模型过滤得到的有效信息，可以轻松得出一份智能任务列表。
到了專家系统的部分，专家系统负责对初始的智能任务列表进行二次筛选过滤。先通过与专家交互获取到一些有价值的专业知识，开发人员根据获得的专业知识设计出对应的合理规则，并写入数据库构造成规则库。将智能任务列表放入已写好的推理程序中，根据规则库及一些现实情况进行分析过滤筛选，最终生成一份更加精确的智能任务列表，确保每个智能任务都是有效的、合理的。
有了智能列表之后，通过开发转换程序，对任务进行逐个转换，转换成能被硬件设备识别接收的信号，存入待执行列表，等待触发的操作。待指定的时间到达，再对设备发送执行操作。
经过以上步骤，就可以形成一个更加智能化的家居系统，同时也解决了一些令人头痛的现存难题。
本文主要介绍了对现有智能家居系统中存在的问题进行改进、研究开发的系统。该系统在解决问题的基础上，使用更加方便，且成本低廉。采用该系统可以构建更加智能化的生活，满足更多人的需求，使更多的人享受到更加优质的生活。
参考文献：
[1]潘 璐.基于层次分析法的服装推荐专家系统[D].上海： 东华大学，2016.
[2]刘 浩.智能家居中基于用户行为的算法研究[D].长沙： 湖南大学， 2013.