|本期目录/Table of Contents|

[1]包晓安,常浩浩,徐海,等.基于LSTM的智能家居机器学习系统预测模型研究[J].浙江理工大学学报,2018,39-40(自科2):224-231.
　BAO Xiaoan,CHANG Haohao,XU Hai,et al.Research on LSTMbased prediction model of smart home machine learning system[J].Journal of Zhejiang Sci-Tech University,2018,39-40(自科2):224-231.
点击复制

基于LSTM的智能家居机器学习系统预测模型研究()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第39-40卷
期数:
2018年自科2期
页码:
224-231
栏目:
出版日期:
2018-03-31

文章信息/Info

Title:
Research on LSTMbased prediction model of smart home machine learning system
文章编号:
1673-3851 (2018) 03-0224-08
作者:
包晓安; 常浩浩; 徐海; 董亮亮; 张娜
浙江理工大学信息学院，杭州 31001
Author(s):
BAO Xiaoan;  CHANG Haohao;  XU Hai;  DONG Liangliang;  ZHANG Na
School of Information Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China
关键词:
智能家居; 机器学习系统; 预测模型; 递归神经网络; LSTM
分类号:
TP181
文献标志码:
A
摘要:
为了提高智能家居系统的智能化程度，提出了一种以基于LSTM改进的递归神经网络模型为核心的智能家居机器学习系统。该系统以家庭单位作为预测节点，以改进的LSTM网络作为基准预测模型；家庭节点的预测模型以基准预测模型为基础，利用新样本更新家庭预测模型，根据输入的环境数据调用预测模型预测出设备的状态。实验结果表明：该系统能够适应多个家庭节点以及新的家庭行为，基准预测模型与BP神经网络、一般递归神经网络以及标准的LSTM网络相比，其对设备状态的预测准确度高于其他三种模型。该系统方案既为每一个家庭节点建立一个预测模型，又可以根据用户在主动控制设备时生成的新样本数据更新预测模型，有助于匹配不同家庭用户的特点，实现对智能家居产品的智能化控制。

参考文献/References:

［1］ 中国产业信息网.2017年中国智能家居市场规模分析预测.(2017-02-24)［2017-08-25］. http://www.chyxx.com/industry/201702/498008.html.
［2］ 张炜.基于机器学习的智能家居系统设计与实现［D］.长春:吉林大学,2016:6-29.
［3］ 毛博,徐恪,金跃辉,等.DeepHome：一种基于深度学习的智能家居管控模型［J］.计算机学报,2017,40(8):2-12.
［4］ HUSSEIN A, ADDA M, ATIEH M, et al. Smart  home design for disabled people based on neural networks［J］. Procedia Computer Science,2014,37:117-126.
［5］ Schweizer D, Zehnder M, Wache H, et al. Using consumer behavior data to reduce energy consumption  in smart homes［C］//2015 IEEE 14th International  Conference on Machine Learning and Applications(ICMLA). IEEE,2015:1123-1129.
［6］ Zaouali K, Ammari M L, Bouallegua R, et al. Incoming data prediction in smart home environment with HMMbased machine learning［C］//Signal, Image, Video and Communications(ISIVC), International Symposium on. IEEE,2016:384-389.
［7］ Gariba D, Pipaliya B. Modelling human behaviour in smart home energy management systems via machine learning techniques［C］//Automatic Control Conference(CACS), 2016 International. IEEE,2016:53-58.
［8］ Singh D, Merdivan E, Psychoula I, et al. Human activity recognition using recurrent neural networks［C］//International CrossDomain Conference for Machine  Learning and Knowledge Extraction. Springer, Cham,2017:267-274.［9］ Paul J R, Vladimirova T. Blind equalization with recurrent neural networks using natural gradient［C］//Communications, Control and Signal Processing, 2008. ISCCSP 2008. 3rd International Symposium on. IEEE,2008:178-183.

相似文献/References:

[1]包晓安,林辉,周建平,等.基于智能家居的一致性模型融合技术研究[J].浙江理工大学学报,2015,33-34(自科1):109.
　BAO Xiao an,LIN Hui,ZHOU Jian ping,et al.Research on Consistency Model Fusion TechnologyBased on Smart Home[J].Journal of Zhejiang Sci-Tech University,2015,33-34(自科2):109.
[2]包晓安,徐海,张娜,等.基于深度学习的语音识别模型及其在智能家居中的应用[J].浙江理工大学学报,2019,41-42(自科二):217.
　BAO Xiaoan,XU Hai,ZHANG Na,et al.Speech recognition model based on deep learning and its application in smart home[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科2):217.

备注/Memo

备注/Memo:
收稿日期： 2017-09-23
网络出版日期： 2017-12-12
基金项目： 国家自然科学基金项目(61379036，61502430)；浙江省重大科技专项重点工业项目(2014C01047)；浙江理工大学521人才培养计划
作者简介： 包晓安 (1973－)，男，浙江东阳人，教授，硕士，主要从事软件测试、智能信息处理方面的研究
通信作者： 张娜，E-mail:zhangna@zstu.edu.cn
更新日期/Last Update: 2018-03-16