毛博
- 作品数：2 被引量：30H指数：1
- 供职机构：北京邮电大学计算机学院网络与交换技术国家重点实验室更多>>
- 发文基金：国家自然科学基金国家重点基础研究发展计划国家高技术研究发展计划更多>>
- 相关领域：自动化与计算机技术建筑科学更多>>
- DeepHome:一种基于深度学习的智能家居管控模型被引量：29
- 2018年
- 作为物联网技术在日常生活领域的重要应用,智能家居产业近年来取得了快速发展.但是不同智能家居设备之间差异化的通信方式与割裂的功能,大大增加了用户管理与使用的复杂度.智能家居管控平台旨在整合异构网络环境下多种设备的数据监测与控制能力,为用户提供整体化家居服务.在面对多种设备协同、环境参数众多、用户需求难以确定等众多困难时,如何建立一种无感化、精确化、智能化的家居设备统一管控能力,是智能家居平台化过程中亟需解决的问题.为破解智能家居设备自动管控难题,文中基于深度学习方法提出DeepHome智能家居管控模型.DeepHome模型首先采用自编码网络构建设备模型,通过逐层无监督预训练,挖掘通用化设备特征;继而基于具体家居场景,综合多个独立设备模型构建多隐层学习网络,并使用家居环境数据进行模型整体训练.经过训练,DeepHome模型能够基于家居环境数据预测智能设备工作状态,并依照预测结果调整相应设备,实现对智能家居设备的自动化统一管控.由于智能家居平台尚处于起步阶段,现阶段仍缺乏能够有效描述家居环境整体的数据.文中设计调查问卷与数据收集网站收集不同用户的家居环境、设备数据与生活习惯,并基于所得数据构建智能家居环境仿真测试平台HomeTest,模拟生成批量家居环境数据,辅助模型训练.使用仿真数据进行10轮训练后,DeepHome模型对智能设备工作状态的预测准确率达到99.4%,较浅层神经网络模型提高了6.4%,较基于逻辑规则的控制方案提高了36.1%;与此同时,DeepHome在设备状态需要调整时的预测准确率达到74.1%,较浅层神经网络模型提高了4.7倍,较基于逻辑规则的控制的方案提高了13.2倍.在真实环境数据集下,DeepHome的对设备状态的预测准确率也达到了可以被用户接受的98.9%.实验表明,DeepHome模型能够充分发�
- 毛博徐恪金跃辉王晓亮
- 关键词：智能家居物联网
- 应用于智能家居研究的数据多源采集体系被引量：1
- 2017年
- 智能家居的平台化技术,特别是设备智能化集中管控技术是智能家居研究的重要方向。本文针对相关研究对家居场景数据的迫切需求,在现阶段智能家居平台难以提供足够数量与质量的数据样本的前提下,提出一种家居场景数据多源采集体系。该体系构建了一种符合家居场景特征的结构化数据记录规范,并基于问卷调查、在线数据采集网站、家居环境模拟平台三种方案进行数据采集与整理。实验证明,本文所述体系所采集的数据能够有效支撑智能家居领域相关研究。
- 毛博金跃辉
- 关键词：智能家居物联网数据采集模拟平台
