[发明专利]一种基于Alljoyn和机器学习的智能家居控制系统和方法

权利要求书

1.一种基于Alljoyn和机器学习的智能家居控制系统，其特征在于包括：

机器学习系统，根据训练样本集训练出LSTM神经网络模型，并与Meshblu服务器进行数据通信；

传感器数据采集模块，与Alljoyn网关采用Alljoyn协议通信，采集各传感器的数据发送给Alljoyn网关；

智能家居设备，与Alljoyn网关采用Alljoyn协议通信，将自身状态数据发送给Alljoyn网关，并受Alljoyn网关控制指令的控制；

Alljoyn网关，包括外网代理模块和网关代理模块，Alljoyn网关用外网代理模块与Meshblu服务器建立长连接，维持双向通信；Alljoyn网关用网关代理模块处理与局域网内的智能家居设备和传感器数据采集模块通信；

移动终端应用，通过Alljoyn协议与Alljoyn网关通信，通过WebSocket协议与Meshblu服务器通信；用于获取系统状态并发送控制指令；

Meshblu服务器，与Alljoyn网关和移动终端通信，通过机器学习系统得到预测的设备状态信息，向Alljoyn网关发送控制指令，向移动终端反馈设备状态或只能场景切换信息。

2.一种如权利要求1所述系统的基于Alljoyn和机器学习的智能家居控制方法，其特征在于包括如下步骤：

S10：机器学习系统根据训练样本集训练出LSTM神经网络模型，

S20：部署机器学习系统，与Meshblu服务器建立通信；

S30：部署Alljoyn网关，与Meshblu服务器建立通信；

S40：将智能家居设备和传感器数据采集模块接入Alljoyn网关；

S50：移动端应用控制智能家居设备；

S60：更新神经网络模型；

S70：无缝切换智能场景。

3.根据权利要求1所述的基于Alljoyn和机器学习的智能家居控制方法，其特征在于：所述步骤A包括：

A1.对智能家居样板房内的传感器数据和对应的设备状态数据进行采集，智能家居样板房内部署的传感器类型有红外传感器、光传感器、室内室外温度传感器、室内室外湿度传感器，利用传感器控制模块对智能家居样板房内的传感器进行设定时间间隔的定时采样，同时利用Alljoyn网关对家庭内各个智能家居设备的状态进行同步采样，对一年内采样的数据进行归一化处理，同时过滤连续时间戳峰值变化超过设定阈值的数据，生成样本集，并按照留出法将样本集划分成训练集、测试集和验证集；

A2.构建基于LSTM的神经网络，利用进行归一化和过滤处理后的训练集在Tensor Flow平台上对神经网络进行迭代训练，得到初始神经网络预测模型。

4.根据权利要求1所述的基于Alljoyn和机器学习的智能家居控制方法，其特征在于：所述步骤B包括：

B1、利用Python将机器学习系统部署在Linux环境下，机器学习系统可以根据一组传感器数据预测出智能家居设备的状态；

B2、机器学习系统利用AMQP与Meshblu服务器建立通信。

5.根据权利要求1所述的基于Alljoyn和机器学习的智能家居控制方法，其特征在于：所述步骤C包括：

C1、在OpenWrt环境下部署Alljoyn网关；

C2、基于网关，创建Alljoyn网关代理模块和外网代理模块，网关代理模块利用Alljoyn协议与设备通信，外网代理模块利用WebSocket协议与Meshblu服务器通信。

6.根据权利要求1所述的基于Alljoyn和机器学习的智能家居控制方法，其特征在于：所述步骤F包括：

F1、移动端应用对智能家居设备进行控制，产生一组新的设备状态；

F2、传感器数据采集模块采集当前的传感器数据，由Alljoyn网关将设备状态数据和传感器数据上传Meshblu服务器；

F3、Meshblu服务器接收到设备状态数据和传感器数据，将其处理成一条新的训练数据，并转发到机器学习系统，更新神经网络模型。

7.根据权利要求1所述的基于Alljoyn和机器学习的智能家居控制方法，其特征在于：所述步骤G包括：

G1、移动端应用控制智能家居设备；

G2、Alljoyn网关收集当前的传感器数据，上传至Meshblu服务器；

G3、Meshblu服务器对传感器数据进行预处理，生成新样本，并转发到机器学习系统，机器学习系统根据新样本生成一组设备状态的预测数据；

G4、Meshblu服务器根据预测数据生成一种场景的控制指令，并推送给移动端用户进行确认；

G5、用户确认之后，由Meshblu服务器将相应场景的控制指令下发到Alljoyn网关，网关根据Alljoyn协议对具体智能家居设备进行控制，实现智能场景的切换。