CN101060535B - 一种数字家庭网络设备自动分组的方法 - Google Patents

Abstract

本发明提供一种数字家庭网络设备自动分组的方法，包括以下步骤，确定在线设备数量满足最低分组数；获取系统分组参数；提取网络中设备特征指标值，生成设备特征等价矩阵；执行模糊聚类分析法对设备特征矩阵进行分析；输出初始分组结果。相比现有技术，本发明的提供的数字家庭网络设备自动分组的方法，一方面用户可以根据实际需要将设备进行一个初始分组，系统再通过模糊ISODATA聚类算法优化分组；另一方面网络中在线设备数达到一定的数目，系统就会根据默认的分组方式，自动通过模糊ISODATA聚类算法将设备进行合理的分组。此外，对于在线设备已分组完成后设备，如果有其他设备新上线，系统会自动将其加入到合适的设备组中，而无需人工重新分组。

Description

一种数字家庭网络设备自动分组的方法 

技术领域

本发明涉及数字家庭的领域，特别是涉及数字家庭设备互联互通的网络中对设备自动分组的方法。 

背景技术

随着信息化的普及，家庭拥有电脑、家电逐渐增多，家用环境越来越复杂，面向3C的数字家居是一个动态的环境，新设备加入到家庭网络里，可以被其它在网络中的设备识别，同时它也可以发现其它设备，并能相互协调工作。为了实现3C的融合，相关标准的制订也纷纷涌现，闪联就是其中的一种标准。 

闪联协议是一种应用层协议，应用于企业或家庭网络中，实现设备间的互联互通互操作，为了达到更好的资源共享和协同工作，闪联协议采用分组管理机制。闪联基础协议设备组部分介绍了基于闪联协议的设备为了达到更好的协同工作和资源共享可以将设备进行分组，分组类型有三种，全局对等设备组、特定对等设备组和主从设备组。协议详细说明了每种类型的设备组如何创建、加入、退出和解散，以及从创建到解散之间，同组内设备之间的交互模式。 

然而在现有闪联协议中，关于设备组的功能需要外部设置来实现，随着网络中的设备增减的不断变化及网络环境的复杂性，通过外部设置的方式进行分组无论是在家庭网络中还是企业网络，都是不可行的，而且外部设置的分组有时也存在一定的不合理性，比如把家庭网络中的DVD、洗衣机和冰箱分为一组，显然这样的分组没有任何实际意义。 

因此，在数字家庭设备互联互通的网络中，提供一种对网络设备进行自动分组的方法实有必要。 

发明内容

本发明要解决的技术问题是提供一个实现数字家庭网络设备自动分组的方法。 

本发明解决技术问题的技术方案是提供一种数字家庭网络设备自动分组的方法，包括以下步骤，判断在线设备数量是否达到系统最低分组要求，如果在线设备数量满足最低分组要求，即在线设备数量大于设定的设备分组最低限，则系统进行默认的初始分组；获取默认初始分组参数；提取网络中设备特征指标值，成设备特征矩阵，所述特征指标为根据具体要实现的功能和设备所在的环境，从设备特征出发，选出最具代表性的和最具有分辨能力的数字家电的指标；根据聚类准则，执行糊聚类分析法对设备特征矩阵进行分析，采用迭代自组织数据分析技术求出最佳模糊分类矩阵和最佳聚类中心矩阵，得到优化分组；输出分组结果。 

为了消除设备特性指标单位的差别和特性指标数量级不同的影响，本发明网络设备自动分组的方法进一步包括对特性指标形成特征矩阵进行数据规格化处理，从而使每一个指标值统一于某种共同的数值特性范围。 

更进一步的是本发明提供一种数字家庭网络设备自动分组的方法，新设备加入的分组方法包括最佳聚类中心矩阵法与最佳模糊分类拒阵法，如果新加入设备的特征指标值对最佳模糊分类矩阵某一类指标的隶属度最大，就将它归于该类；或者新加入设备的特征指标值对佳聚类中心矩阵的哪个聚类中心向量最靠近，就将它归于哪一类。 

相比现有技术，根据本发明的提供的数字家庭设备分组的方法，一方面用户可以根据实际需要将设备进行一个初始分组，系统再通过模糊ISODATA聚类算法优化分组；另一方面网络中在线设备数达到一定的数目，系统就会根据默认的分组方式，通过模糊ISODATA聚类算法将设备进行合理的分组。 

此外，对于已完成设备分组的网络，如果有其他设备新上线，系统会自动将其加入到合适的设备组中，而无需人工重新分组。 

附图说明

图1是本发明数字家庭设备分组的流程。 

图2是本发明新设备上线加入设备组流程图。 

具体实施方式

本发明通过模糊ISODATA聚类分析方法(Iterative Self-Organizing DataAnalysis Technique A，迭代自组织数据分析技术)，使基于闪联协议的设备进行更合理的分组，该方法根据设备本身的功能特性和日常生活中人们对设备的组合使用方式对设备进行自动分组，并经过迭代达到最优分组的效果。 

应用模糊聚类分析方法对研究对象及事物进行分类，分类效果的好坏关键在于把统计指标选择得合理，也就是说，统计指标应具有明确的实际意义，有较强的分辨力和代表性，因而也要有一定的普遍意义。 

本实施方法是以数字家庭网络中设备为分析对象，实现家庭在线设备的自动分组，数字家电的指标可以选择为某个家电是否具有控制能力以及控制能力的强弱、存储容量的大小、具有娱乐功能、具有视频功能、具有音频功能、在线时间的长短、是否可以联网等等。特性指标的选取可以根据具体要实现的功能和设备所在的环境，从设备的功能特性出发，选出最具有代表性的和最具有分辨能力的。目前，数字家庭中设备会很多，如电话、PC、数字电视、机顶盒、音响、数码相机、摄像机、录像机、游戏机、空调、冰箱、洗衣机、微波炉、电灯和电子门锁、报警设备等等。除此之外还将有一些新兴设备，如WebPad(手持式无线上网机)、PMP和电子书籍等等。虽然数字家庭中的家电种类繁多，但目前基本上可以分为三大部分，分别是数据通讯、家庭娱乐和信息家电控制三大部分，具体功能主要包含安防报警服务、数据信息通信服务、家 庭环境控制和家庭娱乐。 

根据对设备的不同分类要求，可以选择不同的指标进行采样分析，在本实施例中，选择三个相对数字家电具有代表性的也是最基本的指标来分析，包括设备控制能力、存储容量和家庭娱乐性。控制能力是设备具有控制其它设备的能力，涉及到设备的计算能力、传输能力等，评分标准分为五个等级，根据设备本身的特性，对设备进行等级划分，然后评分。存储容量是设备本身的硬件的存储容量的大小，如PC的存储能力就很强，而电视相对来说就很小，评分标准也分为五个等级。家庭娱乐功能是设备是否具有家庭娱乐的功能以及在家庭娱乐中的地位高低。评分标准分为三个等级，分别是不具备、可以算作家庭娱乐设备和是娱乐设备。三个指标的分级及评分标准参见下表。 

根据前面的描述，在本实施例中选取家庭中常用的九种家电，PC机、数字电视、手机、音响、洗衣机、冰箱、微波炉、DVD和数码相机，分别记为u₁、u₂、u₃、u₄、u₅、u₆、u₇、u₈、u₉，每个家电用3个特性指标来描述，分别是控制能力、存储容量、家庭娱乐功能。根据上述评分标准，通过本行业的多位研究人员对各个家电的各种指标进行人工评分，再将评分进行统计平均，建立如下所示统计表： 

  

指标 设备	控制能力	存储容量	家庭娱乐功能
				PC	9	9.17	8.67

[0021]   

数字电视	3.5	4.17	8.17
				手机	6.67	4.83	5.5
音响	1.5	1.83	7.5
				洗衣机	0.67	1	0.33
冰箱	1	1	0.33
				微波炉	1	1.33	0.5
DVD	2.33	3	7.67
				数码相机	2.17	6.5	7.83

根据设备的特性和日常生活使用习惯将设备分为三组，分别是：信息家电控制、家庭娱乐和数据通信三个小组。为验证聚类分类方法的可靠性，在本实施例中，将9种家电分两个阶段进行分类，首先将前六种家电u₁、u₂、u₃、u₄、u₅、u₆进行一个初始的分组，通过聚类分析看是否达到一个最佳分组的结果。分组完成后再将u₇、u₈、u₉加入，看系统将他们归为那个组中。 

首先进行初始分组：第一组信息家电控制，包括洗衣机和冰箱，第二组家庭娱乐，包括数字电视和音响；第三组数据通信，包括PC和手机。得到对象的特征矩阵： 

$U=\left(\begin{array}{ccc}9& 9.17& 8.67\\ 3.5& 4.17& 8.17\\ 6.67& 4.83& 5.5\\ 1.5& 1.83& 7.5\\ 0.67& 1& 0.33\\ 1& 1& 0.33\end{array}\right)$

接下对对像的特征矩阵进行规格化，常用的数据规格化的方法包括数据标准化、均值标准化、中心规格化、最大值规格化，在本实施方式中采用最大值法对对象的特征矩阵进行规格化，结果如下

$U=\left(\begin{array}{ccc}1& 1& 1\\ 0.389& 0.455& 0.942\\ 0.741& 0.527& 0.634\\ 0.167& 0.2& 0.865\\ 0.074& 0.109& 0.038\\ 0.111& 0.109& 0.038\end{array}\right)$

根据模糊ISODATA聚类分析法的理论原理，根据前述被分组设备的特性指标矩阵为 

$U=\left(\begin{array}{cccc}{u}_{11}& u_{12}& L& u_{1m}\\ u_{21}& u_{22}& L& u_{2m}\\ M& M& & M\\ u_{n1}& u_{n2}& L& u_{\mathrm{nm}}\end{array}\right)$

如现在要把对象集U分成c类(2≤c≤n)，设c个聚类中心向量构成的矩阵为 

$V=\left(\begin{array}{c}{V}_1\\ V_2\\ M\\ V_c\end{array}\right)=\left(\begin{array}{cccc}{v}_{11}& v_{12}& L& v_{1m}\\ v_{21}& v_{22}& L& v_{2m}\\ M& M& & M\\ v_{c1}& v_{c2}& L& v_{\mathrm{cm}}\end{array}\right)$

为了获得一个最佳的模糊分类，可以按照下列聚类准则，从模糊分类空间中优选一个最好的模糊分类。聚类准则：求出适当的模糊分类矩阵R及聚类中心矩阵V，使目标函数 

$J(R,V)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{\left(r_{\mathrm{ik}}\right)}^q{\left|\right|u_k-V_i\left|\right|}^2$

达到极小值，其中q可取一定的值(一般去q＝2)，而‖u_k-V_i‖表示对象u_k与第i类聚类中心向量V_i的距离。在应用中，最常用的距离有Chebyshev距离、Hamming距离、Euclid距离和Minkowski距离几种。 

当q>1，u_k≠V_i时，可以通过模糊ISODATA算法进行迭代运算，而且运算过程是收敛的，具体步骤： 

(1)求最佳模糊分类矩阵和最佳聚类中心矩阵 

第一步选定分类数c，2≤c≤n，取一初始模糊分类矩阵R⁽⁰⁾∈M_fc，逐 步迭代，l＝0，1，2，L； 

第二步对于R^(l)，计算聚类中心矩阵V^(l)＝(V₁ ^(l)，V₂ ^(l)，L，V_c ^(l))^T，式中 

$V_i^{\left(l\right)}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(r_{\mathrm{ik}}^{\left(l\right)}\right)}^q{u}_k/\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(r_{\mathrm{ik}}^{\left(l\right)}\right)}^q$

第三步修正模糊分类矩阵R^(l)，取 

$r_{\mathrm{ik}}^{(l+1)}={\left[\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{\left|\right|u_k-V_i^{\left(l\right)}\left|\right|}{\left|\right|u_k-V_j^{\left(l\right)}\left|\right|}\right)}^{\frac{2}{q-1}}\right]}^{-1}$

(k＝1，2，Ln；j＝1，2，L，c). 

第四步比较R^(l)与R^(l+1)，若对取定的精度ε>0，有 

$\max \left\{|r_{\mathrm{ik}}^{(l+1)}-r_{\mathrm{ik}}^{\left(l\right)}|\right\}\≤\mathrm{\ϵ},$

则R^(l+1)和V^(l)即为所求，停止迭代；否则，l＝l+1，回到第二步，重复进行。 

应用上述算法的得到的模糊分类矩阵R^(l+1)和聚类中心矩阵V^(l)是相对于分类数c，初始模糊分类矩阵R⁽⁰⁾，ε和参数q的局部最优解。 

(2)模糊聚类 

在求出满足所要求的最佳模糊分类矩阵和最佳聚类中心矩阵之后，可按下列两个判断原则来进行分类。 

①利用最佳模糊分类矩阵聚类 

判断原则：设求得的最佳模糊分类矩阵为 

$R^{*}=\left(\begin{array}{cccc}{r}_{11}^{*}& r_{12}^{*}& L& r_{1n}^{*}\\ r_{21}^{*}& r_{22}^{*}& L& r_{2n}^{*}\\ M& M& & M\\ r_{c1}^{*}& r_{c2}^{*}& L& r_{\mathrm{cn}}^{*}\end{array}\right)$

$\∀u_k\∈U$ ，在R^*的第k列中，如果  $r_{\mathrm{ik}}^{*}=\underset{1\≤j\≤c}{\max }\left(r_{\mathrm{jk}}^{*}\right),$ 则将对象u_k归于第i类，即对象u_k对哪一类的隶属度最大，就将它归于哪一类。

②利用最佳聚类中心矩阵聚类 

判断原则：设求得的最佳聚类中心矩阵为 

$V^{*}={(V_1^{*},V_2^{*},L,V_c^{*})}^T$

$\∀u_k\∈U$ ，如果  $\left|\right|u_k-V_i^{*}\left|\right|=\underset{i\≤j\≤c}{\min }\left(\left|\right|u_k-V_j^{*}\left|\right|\right)$ ，则将对象u_k归于第i类，即对象u_k与哪一个聚类中心向量最靠近，就将它归于哪一类。 

(3)聚类效果的检验 

由于应用模糊ISODATA方法获得的模糊聚类是相对于分类数c，初始模糊分类矩阵R⁽⁰⁾，误差ε和参数q的局部最优解，如果改变c，R⁽⁰⁾，ε和q，则可以得到许多局部最优解。如何从这些最优解中选出最佳的呢？这就需要有鉴别模糊ISODATA聚类效果的指标。 

下面介绍两个检验聚类效果的方法 

①利用分类系数进行检验 

考虑分类系数  $F_c\left(R\right)=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}^2$

当R∈M_c时，F_c(R)＝1，因此F_c(R)愈接近于1，聚类效果愈好。 

②利用平均模糊熵进行检验 

考虑平均模糊熵  $H_c\left(R\right)=-\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}\ln \left(r_{\mathrm{ik}}\right)$

当平均模糊熵越接近于0，聚类效果越好。 

至此模糊ISODATA聚类分析方法已获取相关参数包括：设备数N＝6，每个设备的特征数为M＝3，选定分组数C＝3(2≤c≤n)，误差精度设定为ε＝0.001，参数q取值1.1，‖u_k-V_i‖计算采用汉明距确定。 

根据前述分析方法步骤，通过模糊ISODATA聚类分析方法对规格化后的特征矩阵U进行分析，输出的结果如下：洗衣机u₅、冰箱u₆属于第一组信息家电控制；数字电视u₂、音响u₄属于第二组家庭娱乐；PC u₁、手机u₃属于第 三组数据通信。同时模糊ISODATA聚类效果的两个指标，其中分类系数F(R)＝0.58053，H(R)＝0.35717，和初始分组一样，说明初始分组基本上是一个最优的分组。 

对于上述分组结果，如果有新设备加入，可以根据模糊聚类判断原则将其加入到合适的组中。接下来再将微波炉、DVD和数码相机三个新设备加入设备组中，三个新设备的特征矩阵规格化后如下： 

$U\′=\left(\begin{array}{ccc}0.111& 0.145& 0.058\\ 0.259& 0.327& 0.885\\ 0.3& 0.709& 0.903\end{array}\right)$

利用最佳聚类中心矩阵聚类方法，微波炉u₇属于第一组信息家电控制，DVD u₈和数码相机u₉属于第二组家庭娱乐，这符合人工分组的结果。 

将初始分组改变，第一组信息家电控制，包括洗衣机和冰箱，第二组家庭娱乐，包括数字电视和手机；第三组数据通信，包括PC和手音响。显然音响不具有数据通信的能力。那么通过模糊ISODATA分析后，分组的结果会怎样？ 

$R=\left(\begin{array}{cccccc}0& 0& 0& 0& 1& 1\\ 0& 1& 1& 0& 0& 0\\ 1& 0& 0& 1& 0& 0\end{array}\right)$

聚类后分组情况如下：经过9次迭代，得到的分组结果是初始分组的情况已改变，说明此次迭代的初始分组并不是最优的，经过迭代后，分组是u₅、u₆属于第一组，u₂、u₄属于第二组，u₁、u₃属于第三组，初始分组被改变，分组结果与前一次分组结果一样。由此可看出，本发明的聚类分类方法可以实现设备的自动分组与优化，以实现最佳分组要求。 

根据本发明的提供的数字家庭设备分组的方法，一方面用户可以根据实际需要将设备进行一个初始分组，系统再通过模糊ISODATA聚类算法优化分组； 另一方面网络中在线设备数达到一定的数目，系统就会根据默认的分组方式，通过模糊ISODATA聚类算法将设备进行合理的分组。分组完成后，如果有其他设备上线，系统会自动将其加入到合适的设备组中。 

下面对本发明数字家庭设备分组的流程作进一步的详细说明，以便于对本发明的理解。 

请参阅图1，模糊ISODATA聚类分析方法实现步骤，首先是启动设备聚类分类系统，进行检测，等待设备接入。 

步骤S101：设备上线，上线设备向系统报告，通过认证接入系统，上线完成。 

接下来执行步骤S102：上线设备接收其它设备宣告报文并存储相关报文数据。 

在存储相关报文数据后，执行步骤S103：判断用户是否对在线设备进行初始分组，如果是则执行初始分组。 

如果用户没有对在线设备进行初始分组，则执行步骤S104：判断在线设备的数量是否大于设定的设备分组的最低限M，如果在线设备数不大于M，则系统无需对设备进行分组，运行结束。 

如果在线设备数大于M，则执行步骤S105：系统进行默认的初始分组。 

接下来系统执行步骤S106：输入初始分组，系统调用默认初始分组中预先设定目标函数中q的取值和采用的计算距离的方法d、分组数C、及每个设备的特征数值，以及迭代的精度ε等相关参数。 

接下来执行步骤S107：提取所有在线设备特征指标值M。 

在提取了所有在线设备特征值M后，系统执行步骤108：生成设备特征矩阵。

通过执行步骤S109：通过模糊ISODATA算法进行设备分组与优化。 

最后，执行步骤S110：输出分组结果和最佳聚类中心矩阵，分组完备，系统分组流程结束。 

对于已经完成分组的设备组，若有新设备上线，则需要通过对上线设备的特征指标的进行分析，判断新上线设备比较适合加入哪个组，相关流程请参阅图2所示的新设备上线加入设备组流程图。 

开始； 

执行步骤S201：新设备上线， 

执行步骤S201：上线新设备获取最佳聚类中心矩阵或最佳模糊分类矩阵； 

执行步骤S203：判断新加入设备特征指标值与哪个聚类中心向量最接近，或新加入设备的特征指标值对哪一类的隶属度最大，就将它归于哪一类； 

执行步骤S204：加入新设备，程序运行结束。 

再有新设备加入，重复执行。 

本发明的数字家庭网络设备自动分组方法所需的设备特征指标值在系统设计中可以通过以下两种方法实现，一是建立设备档案库，系统需要时从中调用；二是将设备特征指标值加到设备宣告报文中，系统可以主动获取。 

将模糊聚类分组方法应用在闪联协议中，实现起来并不麻烦，基于闪联协议的设备通过接收设备在线宣告报文可以获取其他任何在线设备的信息，只需在设备宣告报文中增加一个描述设备特性指标的字段就可实现。这样既不影响协议的任何的功能，实现起来也比较方便。添加了这个字段以后，任何一个设备都可以获取其他设备的特征指标值，生成特征矩阵。应用时将模糊聚类算法模块化，通过添加算法函数，系统用到时调用相应的函数即可。 

用户想要实现设备分组功能，如要同时在线的家庭娱乐设备和家庭监控设 备分开，也就是将这些设备分为两组，通过使用本发明的提供的数字家庭设备分组的方法，用户无需对设备一个个进行分组设置，只要将初始分组告之系统，系统会通过模糊ISODATA聚类算法自动进行分组，并且验证是否是最优分组，如果不是最优分组，系统会自动修正，使分组达到最优。如果用户没有进行初始分组，系统就会判断如果在线设备的数量达到分组要求，就会调用默认分组模式，再通过模糊ISODATA聚类算法优化初始分组。通过引入模糊ISODATA聚类分组方法有利增加对家庭网络设备的管理与利用。

Claims (7)

1.一种数字家庭网络设备自动分组的方法，包括以下步骤：

判断在线设备数量是否达到系统最低分组要求，如果在线设备数量满足最低分组要求，即在线设备数量大于设定的设备分组最低限，则系统进行默认的初始分组；

获取默认初始分组参数；

提取网络中设备特征指标值，生成设备特征矩阵，所述特征指标为根据具体要实现的功能和设备所在的环境，从设备特征出发，选出最具代表性的和最具有分辨能力的数字家电的指标；

根据聚类准则，执行模糊聚类分析法对设备特征矩阵进行分析，采用迭代自组织数据分析技术求出最佳模糊分类矩阵和最佳聚类中心矩阵，得到优化分组；

输出分组结果。

2.如权利要求1所述的一种网络设备自动分组的方法，其特征在于初始分组参数由用户在初始分组时输入；如果用户没有输入，系统就调用默认的初始分组参数。

3.如权利要求1所述的一种网络设备自动分组的方法，其特征在于提取设备特征指标值在系统设计中通过以下两种方法实现，一是建立设备档案库，系统从设备档案库中调用设备特征指标值；二是在设备宣告报文中增加设备特征指标值，由系统主动获取。

4.如权利要求1或3所述的一种网络设备自动分组的方法，其特征在于设备特征指标包括设备控制能力、存储容量、家庭娱乐功能、在线时间。

5.如权利要求1所述的一种网络设备自动分组的方法，其特征在于所生成的设备特征矩阵进一步包括规格化处理。

6.如权利要求5所述的一种网络设备自动分组的方法，其特征在于对设备特征矩阵规格化处理方法包括数据标准化、均值标准化、中心规格化或最大值规格化。

7.如权利要求1所述的一种网络设备自动分组的方法，其特征在于，分组完成后，如果新加入设备的特征指标值对最佳模糊分类矩阵中哪一类指标的隶属度最大，就将它归于该类；或者新加入设备的特征指标值对最佳聚类中心矩阵中的哪个聚类中心向量最靠近，就将它归于哪一类。

Images