藍(lán)牙控制的智能家居系統(tǒng)及空調(diào)預(yù)測算法的設(shè)計與實現(xiàn).pdf

1、隨著計算機(jī)技術(shù)的不斷發(fā)展，越來越強(qiáng)大、方便的科技被應(yīng)用到生活中。近幾年來BP神經(jīng)網(wǎng)絡(luò)因為其對大量復(fù)雜數(shù)據(jù)的強(qiáng)大處理能力以及自學(xué)習(xí)、聯(lián)想存儲功能、高速尋找最優(yōu)化解的特點被大量運(yùn)用在各個領(lǐng)域。而隨著智能家居的發(fā)展，未來的家電使用應(yīng)該是智能的、自動的。未來的智能家居應(yīng)該是可以獲取用戶的行為習(xí)慣，幫用戶判斷行為需求，自動作出決定。本文以智能手機(jī)為操作平臺，建立了用戶空調(diào)使用預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，提出了一套基于BP神經(jīng)網(wǎng)絡(luò)的關(guān)于空調(diào)使用的用戶行為預(yù)

2、測算法。
　　針對上述問題，本文主要做了以下研究：
　　一方面，通過對于用戶使用空調(diào)的行為分析，確定了BP神經(jīng)網(wǎng)絡(luò)用戶行為預(yù)測系統(tǒng)模型的5個行為特征參數(shù)：當(dāng)天最高氣溫、當(dāng)天最低氣溫、開空調(diào)時間、關(guān)空調(diào)時間、空調(diào)溫度設(shè)定。通過上述幾個參數(shù)的統(tǒng)計數(shù)據(jù)及分布，確定了用戶行為數(shù)據(jù)的分組處理，以上這些數(shù)據(jù)很好的將用戶行為進(jìn)行了數(shù)據(jù)化表示。然后針對這些數(shù)據(jù)提出了取樣方法和樣本長度分析，從理論角度對本系統(tǒng)所用的BP神經(jīng)網(wǎng)絡(luò)模型的相關(guān)參數(shù)打

3、好了相應(yīng)的理論基礎(chǔ)。
　　然后，根據(jù)BP神經(jīng)網(wǎng)絡(luò)理論建立了單隱層結(jié)構(gòu)的用戶行為預(yù)測系統(tǒng)模型。在對時間和溫度的設(shè)定分析出一套合理的處理方法后，可以很好的用到神經(jīng)網(wǎng)絡(luò)模型中，其中輸入層為用戶行為特性參數(shù)記錄，包含14個節(jié)點，輸出層為預(yù)測數(shù)值，包含12個節(jié)點。通過相應(yīng)的算法流程分析，大致確定了神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)和運(yùn)行流程。
　　緊接著，針對該BP神經(jīng)網(wǎng)絡(luò)用戶行為預(yù)測模型，通過測試對比的方法，以歐式誤差距離為預(yù)測準(zhǔn)確性評價標(biāo)準(zhǔn)，在每

4、個參數(shù)的不同選項中選取誤差最小的數(shù)值，確定了包括訓(xùn)練數(shù)據(jù)、訓(xùn)練算法、隱層節(jié)點數(shù)和學(xué)習(xí)率在內(nèi)的參數(shù)，從而使得本模型得以具體建立和使用。
　　最后，實現(xiàn)了一個基于Android手機(jī)的智能系統(tǒng)。該系統(tǒng)通過STM32開發(fā)板得以實現(xiàn)手機(jī)對空調(diào)的控制，又通過一系列算法和設(shè)定得以讓系統(tǒng)獲取當(dāng)天氣溫和用戶行為數(shù)據(jù)，通過實驗驗證了該系統(tǒng)的初步可行性。
　　綜上所述，本文提出了一套基于用戶空調(diào)使用行為智能預(yù)測系統(tǒng)，該預(yù)測算法基于BP神經(jīng)網(wǎng)絡(luò)，用