[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

说明书

技术领域:

本发明涉及机器学习、物联网以及移动互联网技术领域，具体涉及一种智能家居中基于Alljoyn和机器学习的智能化控制系统和方法。

背景技术:

智能家居是一个集成了互联网技术、计算机技术、无线通讯技术与电子技术的技术行业，它目前还是一个处于成长期的新兴，各方面技术并不是很成熟。它能够对家庭设备进行智能管理和控制，提供舒适、便利和可靠的家庭居住环境。但是，目前智能家居行业对智能性的重视程度不高，就目前主流的智能家居产品而言，只是简单地做到了如场景选择、定时功能以及条件触发等一些“人为触发”的功能，一旦离开了用户，这些控制方案基本上就行不通了。这种智能化程度很低的智能家居产品很难满足人们对于智能家居“智能化”的需求，所以，智能家居产品开发者们越来越重视对智能家居产品“智能化”程度的提高。

机器学习是在近十几年间最热门的学科之一，普遍认为机器学习是属于人工智能的一个分支，其涉及统计学，概率学，计算复杂性理论等多门学科。它的基本思想是通过对数据量达到一定程度的历史经验的分析学习，求出针对数据的分类或者是回归的目标函数，设计出能够让计算机自动学习的算法，并根据设计出的算法对未知数据进行求解。目前，机器学习已被广泛应用到了多个领域中，从我们经常使用互联网搜索引擎，到语音识别，再到图像识别图像分类，甚至是一些大型的预测系统，都是将机器学习与当前常用的技术相结合的结果。随着机器学习的快速发展，机器学习将会与越来越多领域的技术相结合。目前，将机器学习引入智能家居领域是解决智能家居“智能化”程度低问题的有效途径。

Alljoyn框架是高通公司在2012年开源的局域网通信软件框架，高通公司致力于将其打造为通用的物联网语言。随着Alljoyn框架的成熟，Alljoyn技术逐渐应用在智能家居中，主要作为家庭局域网设备通信的解决方案，它支持点对点Session和多点Session。Alljoyn框架为嵌入式设备提供了Thin应用，为局域网内移动端应用与嵌入式设备通信提供支持，可以实现在无外网的情况下对设备进行基本控制。

本方案是针对目前市场上主流智能家居控制系统存在的缺陷和不足进行改进，通过引入Alljoyn框架来提高局域网设备通信的灵活性、安全性以及扩展性，同时将机器学习与智能家居控制相结合，大大提高了智能家居的“智能化”程度。

发明内容:

本发明的目的在于设计出一种基于Alljoyn和机器学习的智能家居控制系统和方法，实现随时随地通过网络对智能家居设备进行控制、设备状态的实时同步、智能场景的无缝切换以及智能家居系统的自我管理。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于Alljoyn和机器学习的智能家居控制系统包括：

机器学习系统，根据训练样本集训练出基于LSTM的神经网络模型，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，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。

所述系统的基于Alljoyn和机器学习的智能家居控制方法包括如下步骤：

S10、采集样本集，训练出神经网络模型；

S20，部署机器学习系统，与服务器建立通信；

S30，部署Alljoyn网关，与服务器建立通信；

S40，将设备和数据采集模块接入Alljoyn网关；

S50，移动端应用控制设备；

S60，更新神经网络模型；

S70，无缝切换智能场景。

上述的技术方案，其中，所述步骤S10中训练出LSTM神经网络模型包括如下步骤：