一种基于人工神经网络的家居环境智能监控方法及系统技术方案

本发明专利技术涉及智能家居技术领域，具体涉及一种基于人工神经网络的家居环境智能监控方法及系统，方法包括：采集家居环境中的多项传感器数据；对传感器数据提取特征值和特征向量；基于人工神经网络对特征向量进行数据融合；获取数据融合的决策信息，并采取反馈动作。本发明专利技术提供一种基于人工神经网络的家居环境智能监控方法及系统，在室内空气质量监测与控制系统中引入多传感器数据融合技术，全方位多角度采集信息数据，促进人居监控系统在使用过程中更加智能化，提高监控的可靠性。提高监控的可靠性。提高监控的可靠性。

【技术实现步骤摘要】
一种基于人工神经网络的家居环境智能监控方法及系统


[0001]本专利技术涉及智能家居
，具体涉及一种基于人工神经网络的家居环境智能监控方法及系统。

技术介绍

[0002]近年来，随着我国科技的发展，人们生活条件不断得到改善，使得人们对居住环境的要求因为越来越高，尤其是室内环境，因此智能家居监控系统逐渐走入人们的生活。智能家居监控系统可以监测和调整室内环境参数，让用户生活在安全、舒适的环境中。
[0003]在新型智能家居、房屋灾害报警等的设计和研发领域，世界各国已经走了很长的一段路程，美国公司研究制出了control4智能家居系统，该系统利用智能传感器技术、Zigbee无线网络技术和Wifi等先进技术，可实时监测家中温湿度、甲醛浓度，光照强度等环境参数，并自动将家中的环境参数调至最适宜的状态；日本松下(Panasonic)公司主要研究照明控制系统，该公司所研究的FULL
‑
WAY照明控制系统相比传统系统更为便捷，只需要用两根特定的信号线就可以把所有需要的控制面板连接起来形成网络，从而避免了传统方式中复杂的配线，该系统使用脉冲信号来对照明模块进行控制，并且使用定时装置和多种传感装置监控室内的光照强度，根据室内光线的明暗程度自动调节灯光。国外公司的智能家居系统并不能很好的普及到各家各户。
[0004]我国也已有不少公司对智能家居系统的研发小有成就，例如钜力华科技公司，该公司的产品主要偏向于室内各项环境参数的监控，以及智能灯光控制这两个方面。JU
‑
BUS系统是该公司的智能家居所用的主要控制系统，该系统主要由控制模块、执行模块和系统其他必要元件三部分组成。JU
‑
BUS智能控制系统是目前较为高端的控制系统，采用845总线，涵盖的功能范围极广，包括安全防范、电动窗帘的开关控制、灯光开关的控制、家居环境参数实时采集显示等功能。控制模块包括温度检测控制面板、智能参数采集面板、触摸屏、各类型传感器等等。控制模块会根据各传感器采集到室内的环境参数值(如空气质量，环境的温湿度，光照强度等)发控制命令，该命令可以控制执行模块根据环境参数值执行相应的动作(如开关家电，打开或关闭窗帘等)。从而达到检测室内环境参数，控制家电，报警等功能。
[0005]但是，目前国内市场上的各种智能家居设备和智能化产品的存在一些问题，例如实用性不高、性价比低等，对于复杂的场合无法适用，无法在智能家居环境监控中不能很好的处理数量较大的传感器数据，实际效果可能并不理想。

技术实现思路

[0006]鉴于此，本专利技术提供一种基于人工神经网络的家居环境智能监控方法及系统，在室内空气质量监测与控制系统中引入多传感器数据融合技术，全方位多角度采集信息数据，促进人居监控系统在使用过程中更加智能化，提高监控的可靠性。
[0007]为了达到上述目的，本专利技术是通过以下技术方案实现的：
[0008]本专利技术提供一种基于人工神经网络的家居环境智能监控方法，包括：
[0009]采集家居环境中的多项传感器数据；
[0010]对传感器数据提取特征值和特征向量；
[0011]基于人工神经网络对特征向量进行数据融合；
[0012]获取数据融合的决策信息，并采取反馈动作。
[0013]在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述采集家居环境中的多项传感器数据之后，还包括：
[0014]对传感器数据进行预处理，生成传感器数据向量。
[0015]在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述对传感器数据提取特征值和特征向量，包括：
[0016]获取传感器数据的特征向量X
R
；
[0017]建立多个传感器的特征向量集合[x1,x2,
…
x
R
]T
。
[0018]在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述基于人工神经网络对特征向量进行数据融合，包括：
[0019]将传感器特征向量[x1,x2,
…
x
R
]T
输入给多个输入层神经元进行计算，获取多个输入层神经元的计算结果；
[0020]将多个输入层神经元的计算结果均分别输入给多个隐藏层神经元进行计算，获取多个隐藏层神经元的计算结果；
[0021]将多个隐藏层神经元的计算结果输入给输出层神经元进行计算，
[0022]获取输出层神经元的计算结果。
[0023]在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述输入层神经元进行计算，包括：
[0024]输入层神经元的输入数据表示为：
[0025]输入层神经元的输出函数为：a
i
＝f(net
i
)；
[0026]其中，θ
i
为输入层神经元所设定的阈值，f()为S型函数。
[0027]在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述隐藏层神经元进行计算，包括：
[0028]隐藏层神经元的输入数据表示为：
[0029]隐藏层神经元的输出函数为：a
j
＝f(net
j
)；
[0030]其中，w
ij
为隐藏层神经元权值，θ
j
为隐藏层神经元所设定的阈值。
[0031]在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述输出层神经元进行计算，包括。
[0032]输出层神经元的输入数据表示为：
[0033]输出层神经元的输出函数为：y
k
＝f(net
k
)；
[0034]其中，w
jk
为输出层神经元权值，θ
k
为输出层神经元所设定的阈值。
[0035]在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述基于人工神经网络对特征向量进行数据融合，还包括：
[0036]分别计算输出层神经元和隐藏层神经元的反向误差信号；
[0037]根据输出层神经元和隐藏层神经元的反向误差信号分别对输出层神经元和隐藏层神经元的权值进行修正；
[0038]优选地，输出层的反向误差信号δ
k
计算公式为：
[0039]δ
k
＝(y
pk
‑
y
k
)f(net
k
)＝y
k
(1
‑
y
k
)(y
pk
‑
y
k
)；
[0040]隐含层的反向误差信号δ
j
的计算公式为：
[0041][0042]再优选地，隐藏层神经元权值的修正公式为：
[0043]w
ij
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的家居环境智能监控方法，其特征在于，包括：采集家居环境中的多项传感器数据；对传感器数据提取特征值和特征向量；基于人工神经网络对特征向量进行数据融合；获取数据融合的决策信息，并采取反馈动作。2.根据权利要求1所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述采集家居环境中的多项传感器数据之后，还包括：对传感器采集的数据进行预处理，生成传感器数据向量。3.根据权利要求2所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述对传感器数据提取特征值和特征向量，包括：获取传感器数据的特征向量X
R
；建立多个传感器的特征向量集合[x1,x2,
…
x
R
]
T
。4.根据权利要求3所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述基于人工神经网络对特征向量进行数据融合，包括：将传感器特征向量[x1,x2,
…
x
R
]
T
输入给多个输入层神经元进行计算，获取多个输入层神经元的计算结果；将多个输入层神经元的计算结果均分别输入给多个隐藏层神经元进行计算，获取多个隐藏层神经元的计算结果；将多个隐藏层神经元的计算结果输入给输出层神经元进行计算，获取输出层神经元的计算结果。5.根据权利要求4所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述输入层神经元进行计算，包括：输入层神经元的输入数据表示为：输入层神经元的输出函数为：a
i
＝f(net
i
)；其中，θ
i
为输入层神经元所设定的阈值，f()为S型函数。6.根据权利要求5所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述隐藏层神经元进行计算，包括：隐藏层神经元的输入数据表示为：隐藏层神经元的输出函数为：a
j
＝f(net
j
)；其中，w
ij
为隐藏层神经元权值，θ
j
为隐藏层神经元所设定的阈值。7.根据权利要求6所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述输出层神经元进行计算，包括。输出层神经元的输入数据表示为：输出层神经元的输出函数为：y
k
＝f(net
k
)；其中，w
jk
为输出层神经元权值，θ
k
为输出层神经元所设定的阈值。
8.根据权利要求7所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述基于人工神经网络对特征向量进行...

【专利技术属性】
技术研发人员：叶建森，
申请(专利权)人：中央司法警官学院，
类型：发明
国别省市：