基于传感器网络的自适应学习方法及其系统技术方案

本发明专利技术涉及一种基于传感器网络的自适应学习方法及其系统，该方法包括步骤：S1，使用传感器采集行为数据；S2，对所采集的行为数据进行分类并存储；S3，将存储的行为数据进行频数分布统计，得到推送结果；S4，将所述推送结果形成场景方案；S5，将所述场景方案进行推送，并接收推送后的反馈结果，对所述反馈结果进行分析。本发明专利技术所述的方法及其系统，具有自适应、智能化和自动化的特点，解脱了人们对各种设备的繁琐操控。

【技术实现步骤摘要】
基于传感器网络的自适应学习方法
本专利技术涉及无线通信
，具体地，涉及一种基于传感器网络的自适应学习方法。
技术介绍
无线传感器网络被认为是21世纪最具应用前景的技术之一，得到了众多政府机构、科研团体、商业公司的高度关注。随着硬件芯片、无线通信技术的快速进步，传感器以其简单、方便、实用的特点迅速引起学术界、商业界的极大关注，并正朝着小型化、多样化方向发展。随着人们越来越多的关注生产、交通、办公及生活环境，众多的传感设备开始广泛的应用到社会各个行业，以及与人们息息相关的生活当中。智能工业、智能楼宇、智能家居、智能车辆等具体应用场景蜂拥而出，极大的便利了人们的劳作行为。具体来说，当一个个微小的传感器利用无线方式连接组网之后，人们可以通过手机、平板电脑等智能便携设备，实现远程对各种设备的控制，从而提高了人们的生活质量。随着科技的迅速进步，社会各领域中的各型设备越来越趋于多样化、复杂化。然而，当前大多数设备的控制是必须要人为参与的。要想每个人都能对每台设备的熟练控制掌握是繁琐而又费时费力的，也是不现实的。
技术实现思路
本专利技术提供了一种基于传感器网络的自适应学习方法，具有自适应、智能化和自动化的特点，解脱了人们对各种设备的繁琐操控。为此目的，本专利技术提出了一种基于传感器网络的自适应学习方法，其特征在于，所述方法包括步骤：S1，使用传感器采集行为数据；S2，对所采集的行为数据进行分类并存储；S3，将存储的行为数据进行频数分布统计，得到推送结果；S4，将所述推送结果形成场景方案；S5，将所述场景方案进行推送，并接收推送后的反馈结果，对所述反馈结果进行分析。其中，所述步骤S1具体包括：使用传感器采集行为数据，并将所述数据组成特定的三元组{devicei，timestampj，actionk}，其中，i，j，k为自然数，devicei为第i个终端名称，timestampj为第j个时间戳，actionk为第k个行为方式。其中，所述步骤S2具体包括：将所述行为数据按照预设的第一时间段进行存储，并将超过第二时间段的行为数据删除。其中，所述步骤S3具体包括：S31，在所存储的三元组中选择任意一个不为空的devicei，得到包含devicei的第一集合；S32，在所述第一集合中，根据行为方式actionk进行频数分布统计，选择actionk的最大值的三元组，形成第二集合；S33，在所述第二集合中，根据时间戳timestampj进行频数分布统计，选择timestampj最大值，形成预设推送组；S34，将所述预设推送组与在所述步骤S5中接收到的反馈结果进行判断；S35，如果所述预设推送组与所述反馈结果相冲突，则在所述行为数据中将所上述预设推送组排除，重复上述步骤，直到得到与所述反馈结果不冲突的推送结果；S36，如果所述预设推送组与所述反馈结果不冲突，则直接将所述预设推送组作为推送结果。其中，所述步骤S5包括：将推送结果通过传感器推送到对应的各个终端，所述终端接收所述推送结果，在特定时间内进行调整，形成新的行为数据，并且将所述新的行为数据作为反馈结果。其中，所述步骤S5还包括：将所述推送结果直接发送到各个终用户终端，若所述用户终端对所述推送结果持否定意见超过特定的次数，则取消对所述推送结果的推送，重复步骤S3，得到新的推送结果。根据本专利技术的另一个方面，提供了一种基于传感器网络的自适应学习系统，其特征在于，所述体统包括：数据采集模块，用于使用传感器采集行为数据；数据存储模块，用于对所采集的行为数据进行分类并存储；数据分析模块，用于将存储的行为数据进行频数分布统计，得到推送结果；场景方案形成模块，将所述推送结果形成场景方案；数据推送和反馈模块，用于将所述场景方案进行推送，并接收推送后的反馈结果，对所述反馈结果进行分析。通过上述实施例可知，使用本专利技术所述的基于传感器网络的自适应学习方法，通过使用传感器，对用户终端的数据行为进行智能感知、存储和分析，选取频数最高的行为数据预先提供某种场景方案，进而对各种装有传感器的终端进行智能控制，并对终端的反馈信息做出响应。本专利技术的方法和系统具有自适应、智能化和自动化的有点，极大的解脱了人们对各种设备的繁琐操控。附图说明通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1示出了本专利技术的基于传感器网络的自适应学习方法的流程图；图2示出了本专利技术的基于传感器网络的自适应学习方法的步骤S3的流程图；图3示出了本专利技术的基于传感器网络的自适应学习系统的结构框图；图4示出了本专利技术的基于传感器网络的自适应学习系统的一个实施例的拓扑示意图。具体实施方式下面将结合附图对本专利技术的实施例进行详细描述。图1示出了本专利技术的基于传感器网络的自适应学习方法的流程图。参照图1，本专利技术实施例的基于传感器网络的自适应学习方法包括步骤：S1，使用传感器采集行为数据。本实施例中，通过安装在设备上的传感器采集各个终端的行为数据，如设备的开关、性能的设定等信息。可以将数据形式设定为：设备名称、时间戳和行为方式，并且将三者组成三元组{devicei，timestampj，actionk}，其中，i,j,k为自然数，devicei为第i个设备名称，timestampj为第j个时间戳，actionk为第k个行为方式。S2，对所采集的行为数据进行分类并存储，将所述行为数据按照预设的第一时间段进行存储，并将超过第二时间段的行为数据删除。在本实施例中，第一时间段设定为一周，第二时间段设定为一年，同时，对于第一时间段和第二时间段，可以根据具体的需要进行设定，如也可以将第一时间段设定为一个月，将第二时间段设定为六个月等等。同时，也可以将采集的行为数据分类成第一时间段内的数据，第二时间段内的数据和第三时间段内的数据，在本实施例中，第一时间段可以设定为一周，第二时间段可以设定为一个月，第三时间段可以设定为一年，并将第一时间段和第二时间段内的数据分别进行存储，将超过第三时间段的数据删除。S3，将存储的行为数据进行频数分布统计，得到推送结果。图2示出了本专利技术的基于传感器网络的自适应学习方法的步骤S3的流程图。参照图2，步骤S3具体包括：S31，在行为数据的三元组中选择任意一个不为空的devicei，如选择device3的集合作为第一集合；S32，在第一集合中，根据device3的行为方式actionk进行频数分布统计，选择actionk的最大值，如action7，然后根据action7的时间戳timestampj形成第二集合，如{device3，timestampj，action7}；S33，在第二集合中，根据时间戳timestampj进行频数分布统计，选择timestampj最大值，如timestamp2，形成预设推送组{device3，timestamp2，action7}，重复上述步骤，从而得到每个设备的预设推送组；S34，将所述预设推送组与接收到的反馈结果进行判断；S35，如果所述预设推送组与所述反馈结果相冲突，则在所述行为数据中将所上述预设推送组排除，重复上述步骤，直到得到与所述反馈结果不冲突的推送结果；S36，如果所述预设推送组与所述反馈结果不冲突，则直接将所述预设推送组作为推送结果。S4，将所本文档来自技高网...

【技术保护点】
基于传感器网络的自适应学习方法，其特征在于，所述方法包括步骤：S1，使用传感器采集行为数据；S2，对所采集的行为数据进行分类并存储；S3，将存储的行为数据进行频数分布统计，得到推送结果；S4，将所述推送结果形成场景方案；S5，将所述场景方案进行推送，并接收推送后的反馈结果，对所述反馈结果进行分析。

【技术特征摘要】
1.基于传感器网络的自适应学习方法，其特征在于，所述方法包括步骤：S1，使用传感器采集行为数据；S2，对所采集的行为数据进行分类并存储；S3，将存储的行为数据进行频数分布统计，得到推送结果；S4，将所述推送结果形成场景方案；S5，将所述场景方案进行推送，并接收推送后的反馈结果，对所述反馈结果进行分析；其中，所述步骤S1具体包括：使用传感器采集行为数据，并将所述数据组成特定的三元组{devicei，timestampj，actionk}，其中，i，j，k为自然数，devicei为第i个终端名称，timestampj为第j个时间戳，actionk为第k个行为方式；相应地，所述步骤S3具体包括：S31，在所存储的行为数据的三元组中选择任意一个不为空的devicei，得到包含devicei的第一集合；S32，在所述第一集合中，根据行为方式actionk进行频数分布统计，选择actionk的最大值的三元组，形成第二集合；S33，在所述第二集合中，根据时间戳timestampj进行频数分布统计，选择timestampj最大值，形成预设推...

【专利技术属性】
技术研发人员：李沁，陈文龙，姚龙，
申请(专利权)人：北京网河时代科技有限公司，
类型：发明
国别省市：北京;11