CN103529770A - 一种基于条件反射机制的智能家电控制系统的应用 - Google Patents

Abstract

本发明提供一种基于条件反射机制的智能家电控制系统的应用。该控制系统利用生物体的条件反射的原理，实现对智能家电的智能化和个性化管理与控制。条件反射是生物体，特别是动物身上普遍存在的一种能力。动物在建立条件反射的过程中，首先是通过外界的刺激建立一个暂时行为关系，然后通过不断的强化积累，最后变成一个相对稳固的行为，另一方面，当这一暂时行为得不到后续强化的情况下，该行为关系将逐渐解除。

Description

一种基于条件反射机制的智能家电控制系统的应用

技术领域

本发明涉及一种基于条件反射机制的智能家电控制系统的应用，属于智能家电控制的技术领域。

背景技术

随着当前科学技术的快速发展，智能化的生活方式逐渐受到了人们的青睐，各种各样的生活辅助设备和技术相继产生，为人们的生活提供了极大的便利。当前智能空间技术的研究正不断走向深入，智慧住宅、智能家居等理念和技术也都相继被提出，在这一背景下，如何实现在智能家居环境下，智能设备和资源的智能化管理和应用成为当今研究的一个热点问题。当前关于在智能家居环境下的设备管理的研究有很多，涉及智能家居的搭建方式和网络选取方面的研究也多种多样，常用的构建网络有Zigbee、蓝牙^{错误！未找到引用源。}、Wifi等；而在设备控制策略方面，主要有基于规则的控制方式、基于模糊推理的控制方法等。

现有智能化生活的研究正向人性化服务面发展，显然上述的基于规则的控制方式、基于模糊推理的控制方法都与人性化服务具有较大的距离。因此，怎样实现对智能家电的个性化控制成为了先进智能化生活的新目标，为满足用户的个性化需求提供基础保障。

发明内容

针对现有技术的不足，本发明提供一种基于条件反射机制的智能家电控制系统的应用。该控制系统利用生物体的条件反射的原理，实现对智能家电的智能化和个性化管理与控制。条件反射是生物体，特别是动物身上普遍存在的一种能力。动物在建立条件反射的过程中，首先是通过外界的刺激建立一个暂时行为关系，然后通过不断的强化积累，最后变成一个相对稳固的行为，另一方面，当这一暂时行为得不到后续强化的情况下，该行为关系将逐渐解除。

本发明的技术方案如下：

一种基于条件反射机制的智能家电控制系统的应用，所述基于条件反射机制的智能家电控制系统包括信息记录模块、数据分析模块和设备控制模块；

所述的智能家电控制系统安装在目标空间内，在所述目标空间内设置有家电和各类传感器，所述的传感器包括温度传感器、湿度传感器、亮度传感器和声音传感器；

所述信息记录模块分别与所述目标空间内家电中的控制单元相连，在所述信息记录模块中建立目标空间内所有家电的操作属性表；所述信息记录模块与目标空间内的传感器相连；

所述家电操作属性表是将所述目标空间内的家电的ID标识与对家电操作数据进行对应列表；例如：将目标空间内的第一盏电灯的ID标识记为“A1”，即A1的操作属性表即为表1，以此类推对目标空间内所有家电建立家电操作属性表；

表1 电灯A1的属性表

所述信息记录模块将实时采集到的用户操作家电数据填入其内部的家电属性表，同时，所述信息记录模块将家电属性表中数据发生变化时所述传感器的实时状态数据与所述家电属性表进行对应标记，并加载该家电操作数据形成的时间；

所述数据分析模块与所述信息记录模块的数据接口相连，对信息记录模块中的家电属性表、传感器的实时状态数据及家电操作数据形成的时间进行保存：形成操作家电条件行为数据库；所述的数据分析模块对所述操作家电条件行为数据库中的数据进行处理，以获得根据外部条件、模拟人为条件反射来控制家电的指令；

所述数据分析模块将处理获得的指令传递给所述的设备控制模块，所述的设备控制模块通过执行串口实现对目标空间内家电的智能控制。

根据本发明优选的，所述的数据分析模块对所述操作家电条件行为数据库中的数据进行处理的步骤如下：

（1）用户操作家电的习惯信息提取：利用统计聚类方法与基于低维聚类、高维分析的高维子空间聚类方法（SCLCHV，subspace clustering based on low dimensional clustering andhigh dimensional verification），对收集到家电属性表、传感器的实时状态数据及家电操作数据形成的时间进行聚类处理，以获得用户操作家电的习惯信息；其中时间与传感器均是由一维线性数据构成，而家电操作数据则由独立离散量构成，因此对于家电操作数据通过统计聚类方法提取习惯信息，而对于时间与传感器则是通过基于低维聚类、高维分析的高维子空间聚类方法来进行习惯信息的提取；

（2）用户操作家电的习惯信息验证：针对已获得用户操作家电的习惯信息，进行准确度验证，从而排除那些有误的准习惯信息，获得高可信度的用户习惯信息。

根据本发明优选的，所述统计聚类方法的步骤如下：

对家电操作数据进行统计，对各家电操作的发生频率分别设定高基准频率γ_H和低基准频率γ_L；

当实时得出的单一家电操作频率γ，即单一家电操作次数占全部家电操作次数的比值，当γ大于高基准频率γ_H时，则所述单一家电操作为家电操作习惯信息；当γ介于高基准频率γ_H与低基准频率γ_L之间时，则待定，需进一步考察；当γ小于高基准频率γ_L时，则所述单一家电操作为无效信息。

根据本发明优选的，所述基于低维聚类、高维分析的高维子空间聚类方法（SCLCHV）的步骤如下：

（1）对单一操作信息表中的时间与传感器先分别进行一维数据聚类，此处所述的时间和传感器是指用户对家电操作时的时间信息和传感器所采集到的环境信息；然后对各个维度上的聚类区间在高维度上进行关联度检测，从而获得相应的家电操作习惯信息；所谓一维数据聚类，即在单一维度上，将相互靠近的数据构成一个个数据群，每个数据群称为一个聚类区间，并将区间的数据平均值作为此区间的代表值，其具体过程为：设定一个群间差值L_α，设定单个聚类区间的最大长度L_max；由小到大依次计算相邻数据点的差值，若差值≤L_α，则构建一个聚类区间，并将相邻数据点归入此区间中；待所有数据点检测完成后，考察所有的聚类区间，若单个聚类区间的长度≥L_max，说明该聚类区间共性特征不明显，则放弃该聚类区间；若单个聚类区间的长度＜L_max，则该聚类区间为有效聚类区间，并计算所有聚类区间的代表值，如图2所示：

（2）完成所有家电操作属性的一维数据聚类后，进一步判断各属性信息的关联度REL，在高维数据空间中以各属性聚类区间为基础进行网格划分，而后通过网格中的数据考察各属性的关联度；

由于在高维空间聚类中，数据在高维空间状态下若存在共性关系，则在任意子空间中的投影必然存在共性关系，因此为提高检测效率，对网格的考察均从全维度空间开始：判断网格数据在全维度属性上是否存在共性关系，若存在，则停止对该网格的考察，并继续考察其他网格，否则，则通过渐次降维的方式考察该网格数据在所有低维子空间中的投影数据，直到找到最大维度下的共性信息：最后，将存在共性关系的属性组合构成联合触发条件，而无任何共性关系的网格，则由组成该网格的各个一维属性聚类区间独立构成触发条件，从而获得全部可能的家电操作习惯信息以及相应的触发条件；

为方便直观地阐明网格数据的考察过程，仅以二维子空间为例进行说明。由图3可得，数据在两个维度上分别有两个聚类区间X₁,X₂,Y₁,Y₂，同时在二维子空间中共形成四个网格，分别是A,B,C,D，设聚类区间X₁,X₂,Y₁,Y₂经过计算后得出的代表值分别为x₁,x₂,y₁,y₂，则这四个参数为可能的习惯触发条件。为进一步考察这四个聚类区间的关联度，通过公式REL=N_and/N_or，分别计算A,B,C,D四个网格所对应的各属性的聚类区间的关联度，若关联度超过阈值ψ，则说明两者存在关联性，否则无关联性。而根据图3可得出，网格C所对应的区间X₁,Y₁存在关联性，其他三个不存在，因此，可能的习惯触发条件为{x₁&y₁},{x₂},{y₂}。其中，N_and为某一网格中点的个数，N_or为构成网格的各个属性区间的点的总个数。以网格C为例，REL_C=N_and/N_or，N_and为点网格C中点的个数，N_or为区间X₁,Y₁内点的总个数。

（3）时间信息与传感器采集信息由聚类区间来表征，而区间由其代表值来表示，即将代表值作为该区间所对应的触发条件，因此就存在触发条件与实际期望的触发数值存在偏差，从而影响行为习惯信息的准确性，而相关操作信息因其为独立离散量，不存在数值偏差的问题，从客观上讲，其可信度要更高一些。鉴于上述原因，为了尽可能提高获取的行为习惯信息的准确性，在信息提取过程中，相关操作信息应优先对待。此外，在获取的行为习惯信息中，触发条件越多的信息，相应的优先级也应越高；

因此，在针对某一家电操作属性进行习惯信息提取时，优先计算各相关操作的发生频率，对于超过γ_H的可直接作为用户家电操作习惯信息的触发条件；而对于在γ_H与γ_L之间的，则进一步考察是否与其他条件相关联，而如果所有相关操作均不超过γ_L，则再考察其他条件是否存在行为习惯信息；其具体流程如图4所示：

所述用户操作家电的习惯信息验证是针对获得的用户习惯信息的准确度进行核实，该过程是对从所有单一家电操作信息提取到的可能的行为习惯信息进行进一步验证，从而实现信息强化与淘汰处理，并最终获得有效的行为习惯信息；为方便描述验证过程，首先定义两种准确度的概念：

（1）行为习惯信息准确度：指该行为习惯信息的可信程度，表现为满足行为习惯信息的触发条件后是否会发生相应的设备操作。

（2）触发条件准确度：指各个触发条件的准确程度，表现为满足这一触发条件后是否会发生对应的设备操作。需要说明的是，准确度的计算主要针对触发条件准确度，因此若无说明准确度均指触发条件准确度。

前者是对整个行为习惯信息而言的，而后者则是针对每个单独的触发条件。其中对于单触发行为习惯信息，这两者的意义是相同的，但对于多触发行为习惯信息而言，前者针对的是整体，而后者则是针对其中的每个条件个体。就数值上来说，对于单触发信息，行为习惯信息准确度等于触发条件准确度；而对于多触发信息，行为习惯信息准确度取各个触发条件准确度中的最小值。

而为了根据准确度来考核获取的行为习惯信息，本文定义了执行概率和淘汰概率的概念：

（1）执行概率（Φ_exe）是针对行为习惯信息准确度而言的，即当某一行为习惯信息准确度达到执行概率时，该行为习惯信息才能作为真正的行为习惯信息，否则只作为准行为习惯信息。

（2）淘汰概率（Φ_quit）则是针对触发条件准确度而言的，指当某一触发条件准确度低于淘汰概率时，该触发条件将被淘汰。对于单触发行为习惯信息，触发条件被淘汰便意味着该行为习惯信息被淘汰，而对于多触发行为习惯信息，当其中一个触发条件被淘汰时，只是信息所包含的触发条件减少一个，不会导致该行为习惯信息的淘汰。

根据习惯提取方法获得准行为习惯信息后，计算每个单一触发条件的初始准确度，初始准确度的计算公式如公式（3）和（4）所示：

Φ₀=p₀(1-Ω^-N) (3)

p₀=n₀/N (4)

其中Φ₀为初始准确度；n₀为该触发条件在单一信息操作表中的出现次数（时间等信息则是同一聚类区间内点的个数）；N为单一操作信息表中的数据量；Ω为置信参数（Ω>1）；

习惯信息的验证采用结果反馈的方式来评估触发条件准确度，即当条件满足某一触发条件后，系统考察用户下一步的行为是否与该触发条件所对应的家电操作相符合，若相符，则验证结果result为真；若不相符，则result为假；

准确度Φ的计算公式如公式（5）所示：

${\mathrm{\Φ}}_{\mathrm{new}}=\left\{\begin{array}{cc}1-(1-\mathrm{\Φ})*{\mathrm{\Ω}}^{-1},& \mathrm{result}=\mathrm{true}\\ \mathrm{\Φ}-\mathrm{\β},& \mathrm{result}=\mathrm{false}\end{array}\right.---\left(5\right)$

其中，Ω为置信参数，β为单次衰减量，Φ为当前准确度，Φ_new为新准确度；

通过公式（5），实现对触发条件准确度的验证的计算，从而可得到相应的家电操作习惯信息准确度，进而通过与执行概率和淘汰概率的比较判断，最终可得到高可信度的用户家电操作习惯信息。将这些信息作为设备管理的规则，实现智能空间下设备的智能化管理。

所述数据分析模块将处理获得的指令的形成：将获得的用户家电操作习惯信息将作为设备控制依据，实现对智能家电的控制，从而满足用户对智能家电的个性化需求：通过用户家电操作习惯信息提取，系统可以获得相应的用户习惯，用户家电操作习惯信息包括触发该习惯的触发条件与习惯对应的设备属性操作构成，其中，触发条件由时间因素、环境因素以及设备操作因素的一种或多种组合构成；系统在运行过程中会检测当前的时间、环境及设备操作状况，如果检测到当前条件满足某一习惯信息的触发条件时，则系统将根据该习惯信息所对应的家电操作属性，控制对应家电实现相应的属性操作，实现对家电的控制。如当提取到的用户习惯信息为早上七点开卧室窗帘，则当早上七点时，系统检测到符合该习惯信息的触发条件，则系统将根据习惯信息控制卧室的窗帘打开。

本发明的优势在于：

1、本发明在记录与管理家电设备时，不需要考虑家电的具体类型与功能特点，只需关注该家电设备抽象出的操作属性即可，便于扩展与使用，不必针对每个设备的特点与功能设备独立的控制策略，因此在使用时能够屏蔽到每个设备的具体特点，表现出较好的灵活性；

2、本发明能够针对不同的用户自主形成与用户习惯相匹配的控制策略，而不必像通常的智能家电控制方法，只能事先设定出通用的或标准的控制策略，因而体现出了以用户为中心的控制理念，比能够针对用户提供适合用户的个性化的服务和家电管理策略，同时也可自主的根据用户习惯的变化灵活调整控制策略，从而更好地服务用户。

附图说明

图1是本发明中所述系统的模块连接图；

图2是本发明中所述一维数据聚类的方法示意图；

图3是本发明中所述二维子空间网格的示意图；

图4本发明中对用户家电操作信息提取流程图；

图5为仿真系统的效果图。

具体实施方式

下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。

实施例1、

如图1所示。

一种基于条件反射机制的智能家电控制系统的应用，所述基于条件反射机制的智能家电控制系统包括信息记录模块、数据分析模块和设备控制模块；

所述的智能家电控制系统安装在目标空间内，在所述目标空间内设置有家电和各类传感器，所述的传感器包括温度传感器、湿度传感器、亮度传感器和声音传感器；

所述信息记录模块分别与所述目标空间内家电中的控制单元相连，在所述信息记录模块中建立目标空间内所有家电的操作属性表；所述信息记录模块与目标空间内的传感器相连；

所述家电操作属性表是将所述目标空间内的家电的ID标识与对家电操作数据进行对应列表；例如：将目标空间内的第一盏电灯的ID标识记为“A1”，即A1的操作属性表即为表1，以此类推对目标空间内所有家电建立家电操作属性表；

表1 电灯A1的属性表

所述信息记录模块将实时采集到的用户操作家电数据填入其内部的家电属性表，同时，所述信息记录模块将家电属性表中数据发生变化时所述传感器的实时状态数据与所述家电属性表进行对应标记，并加载该家电操作数据形成的时间；

所述数据分析模块与所述信息记录模块的数据接口相连，对信息记录模块中的家电属性表、传感器的实时状态数据及家电操作数据形成的时间进行保存：形成操作家电条件行为数据库；所述的数据分析模块对所述操作家电条件行为数据库中的数据进行处理，以获得根据外部条件、模拟人为条件反射来控制家电的指令；

所述数据分析模块将处理获得的指令传递给所述的设备控制模块，所述的设备控制模块通过执行串口实现对目标空间内家电的智能控制。

实施例2、

如实施例1所述的一种基于条件反射机制的智能家电控制系统的应用，所述的数据分析模块对所述操作家电条件行为数据库中的数据进行处理的步骤如下：

（1）用户操作家电的习惯信息提取：利用统计聚类方法与基于低维聚类、高维分析的高维子空间聚类方法（SCLCHV，subspace clustering based on low dimensional clustering andhigh dimensional verification），对收集到家电属性表、传感器的实时状态数据及家电操作数据形成的时间进行聚类处理，以获得用户操作家电的习惯信息；其中时间与传感器均是由一维线性数据构成，而家电操作数据则由独立离散量构成，因此对于家电操作数据通过统计聚类方法提取习惯信息，而对于时间与传感器则是通过基于低维聚类、高维分析的高维子空间聚类方法来进行习惯信息的提取；

（2）用户操作家电的习惯信息验证：针对已获得用户操作家电的习惯信息，进行准确度验证，从而排除那些有误的准习惯信息，获得高可信度的用户习惯信息。

所述统计聚类方法的步骤如下：

对家电操作数据进行统计，对各家电操作的发生频率分别设定高基准频率γ_H和低基准频率γ_L；

当实时得出的单一家电操作频率γ，即单一家电操作次数占全部家电操作次数的比值，当γ大于高基准频率γ_H时，则所述单一家电操作为家电操作习惯信息；当γ介于高基准频率γ_H与低基准频率γ_L之间时，则待定，需进一步考察；当γ小于高基准频率γ_L时，则所述单一家电操作为无效信息。

所述基于低维聚类、高维分析的高维子空间聚类方法（SCLCHV）的步骤如下：

（1）对单一操作信息表中的时间与传感器先分别进行一维数据聚类，此处所述的时间和传感器是指用户对家电操作时的时间信息和传感器所采集到的环境信息；然后对各个维度上的聚类区间在高维度上进行关联度检测，从而获得相应的家电操作习惯信息；所谓一维数据聚类，即在单一维度上，将相互靠近的数据构成一个个数据群，每个数据群称为一个聚类区间，并将区间的数据平均值作为此区间的代表值，其具体过程为：设定一个群间差值L_α，设定单个聚类区间的最大长度L_max；由小到大依次计算相邻数据点的差值，若差值≤L_α，则构建一个聚类区间，并将相邻数据点归入此区间中；待所有数据点检测完成后，考察所有的聚类区间，若单个聚类区间的长度≥L_max，说明该聚类区间共性特征不明显，则放弃该聚类区间；若单个聚类区间的长度＜L_max，则该聚类区间为有效聚类区间，并计算所有聚类区间的代表值，如图2所示：

（2）完成所有家电操作属性的一维数据聚类后，进一步判断各属性信息的关联度REL，在高维数据空间中以各属性聚类区间为基础进行网格划分，而后通过网格中的数据考察各属性的关联度；

由于在高维空间聚类中，数据在高维空间状态下若存在共性关系，则在任意子空间中的投影必然存在共性关系，因此为提高检测效率，对网格的考察均从全维度空间开始：判断网格数据在全维度属性上是否存在共性关系，若存在，则停止对该网格的考察，并继续考察其他网格，否则，则通过渐次降维的方式考察该网格数据在所有低维子空间中的投影数据，直到找到最大维度下的共性信息：最后，将存在共性关系的属性组合构成联合触发条件，而无任何共性关系的网格，则由组成该网格的各个一维属性聚类区间独立构成触发条件，从而获得全部可能的家电操作习惯信息以及相应的触发条件；

为方便直观地阐明网格数据的考察过程，仅以二维子空间为例进行说明。由图3可得，数据在两个维度上分别有两个聚类区间X₁,X₂,Y₁,Y₂，同时在二维子空间中共形成四个网格，分别是A,B,C,D，设聚类区间X₁,X₂,Y₁,Y₂经过计算后得出的代表值分别为x₁,x₂,y₁,y₂，则这四个参数为可能的习惯触发条件。为进一步考察这四个聚类区间的关联度，通过公式REL=N_and/N_or，分别计算A,B,C,D四个网格所对应的各属性的聚类区间的关联度，若关联度超过阈值ψ，则说明两者存在关联性，否则无关联性。而根据图3可得出，网格C所对应的区间X₁,Y₁存在关联性，其他三个不存在，因此，可能的习惯触发条件为{x₁&y₁},{x₂},{y₂}。其中，N_and为某一网格中点的个数，N_or为构成网格的各个属性区间的点的总个数。以网格C为例，REL_C=N_and/N_or，N_and为点网格C中点的个数，N_or为区间X₁,Y₁内点的总个数。

（3）时间信息与传感器采集信息由聚类区间来表征，而区间由其代表值来表示，即将代表值作为该区间所对应的触发条件，因此就存在触发条件与实际期望的触发数值存在偏差，从而影响行为习惯信息的准确性，而相关操作信息因其为独立离散量，不存在数值偏差的问题，从客观上讲，其可信度要更高一些。鉴于上述原因，为了尽可能提高获取的行为习惯信息的准确性，在信息提取过程中，相关操作信息应优先对待。此外，在获取的行为习惯信息中，触发条件越多的信息，相应的优先级也应越高；

因此，在针对某一家电操作属性进行习惯信息提取时，优先计算各相关操作的发生频率，对于超过γ_H的可直接作为用户家电操作习惯信息的触发条件；而对于在γ_H与γ_L之间的，则进一步考察是否与其他条件相关联，而如果所有相关操作均不超过γ_L，则再考察其他条件是否存在行为习惯信息；其具体流程如图4所示：

所述用户操作家电的习惯信息验证是针对获得的用户习惯信息的准确度进行核实，该过程是对从所有单一家电操作信息提取到的可能的行为习惯信息进行进一步验证，从而实现信息强化与淘汰处理，并最终获得有效的行为习惯信息；为方便描述验证过程，首先定义两种准确度的概念：

（1）行为习惯信息准确度：指该行为习惯信息的可信程度，表现为满足行为习惯信息的触发条件后是否会发生相应的设备操作。

（2）触发条件准确度：指各个触发条件的准确程度，表现为满足这一触发条件后是否会发生对应的设备操作。需要说明的是，准确度的计算主要针对触发条件准确度，因此若无说明准确度均指触发条件准确度。

前者是对整个行为习惯信息而言的，而后者则是针对每个单独的触发条件。其中对于单触发行为习惯信息，这两者的意义是相同的，但对于多触发行为习惯信息而言，前者针对的是整体，而后者则是针对其中的每个条件个体。就数值上来说，对于单触发信息，行为习惯信息准确度等于触发条件准确度；而对于多触发信息，行为习惯信息准确度取各个触发条件准确度中的最小值。

而为了根据准确度来考核获取的行为习惯信息，本文定义了执行概率和淘汰概率的概念：

（1）执行概率（Φ_exe）是针对行为习惯信息准确度而言的，即当某一行为习惯信息准确度达到执行概率时，该行为习惯信息才能作为真正的行为习惯信息，否则只作为准行为习惯信息。

（2）淘汰概率（Φ_quit）则是针对触发条件准确度而言的，指当某一触发条件准确度低于淘汰概率时，该触发条件将被淘汰。对于单触发行为习惯信息，触发条件被淘汰便意味着该行为习惯信息被淘汰，而对于多触发行为习惯信息，当其中一个触发条件被淘汰时，只是信息所包含的触发条件减少一个，不会导致该行为习惯信息的淘汰。

根据习惯提取方法获得准行为习惯信息后，计算每个单一触发条件的初始准确度，初始准确度的计算公式如公式（3）和（4）所示：

Φ₀=p₀(1-Ω^-N) (3)

p₀=n₀/N (4)

其中Φ₀为初始准确度；n₀为该触发条件在单一信息操作表中的出现次数（时间等信息则是同一聚类区间内点的个数）；N为单一操作信息表中的数据量；Ω为置信参数（Ω>1）；

习惯信息的验证采用结果反馈的方式来评估触发条件准确度，即当条件满足某一触发条件后，系统考察用户下一步的行为是否与该触发条件所对应的家电操作相符合，若相符，则验证结果result为真；若不相符，则result为假；

准确度Φ的计算公式如公式（5）所示：

${\mathrm{\Φ}}_{\mathrm{new}}=\left\{\begin{array}{cc}1-(1-\mathrm{\Φ})*{\mathrm{\Ω}}^{-1},& \mathrm{result}=\mathrm{true}\\ \mathrm{\Φ}-\mathrm{\β},& \mathrm{result}=\mathrm{false}\end{array}\right.---\left(5\right)$

其中，Ω为置信参数，β为单次衰减量，Φ为当前准确度，Φ_new为新准确度；

通过公式（5），实现对触发条件准确度的验证的计算，从而可得到相应的家电操作习惯信息准确度，进而通过与执行概率和淘汰概率的比较判断，最终可得到高可信度的用户家电操作习惯信息。将这些信息作为设备管理的规则，实现智能空间下设备的智能化管理。

所述数据分析模块将处理获得的指令的形成：将获得的用户家电操作习惯信息将作为设备控制依据，实现对智能家电的控制，从而满足用户对智能家电的个性化需求：通过用户家电操作习惯信息提取，系统可以获得相应的用户习惯，用户家电操作习惯信息包括触发该习惯的触发条件与习惯对应的设备属性操作构成，其中，触发条件由时间因素、环境因素以及设备操作因素的一种或多种组合构成；系统在运行过程中会检测当前的时间、环境及设备操作状况，如果检测到当前条件满足某一习惯信息的触发条件时，则系统将根据该习惯信息所对应的家电操作属性，控制对应家电实现相应的属性操作，实现对家电的控制。

下面以智能家居环境下的卧室窗帘(C1)与卧室电灯(A1)为例，对本发明所述方法具体过程做出说明：

首先是家电操作属性划分，其中窗帘可分为四个属性，即

Property1：主窗帘开；

Property2：主窗帘关；

Property3：纱帘开；

Property4：纱帘关；

卧室电灯的属性也可分为四个属性，即

Property1：电灯开；

Property2：电灯关；

Property3：亮灯方式1；

Property4：亮灯方式2；

为进一步较为明确的说明该方法的具体实现过程，以早上起床作为考察点进行说明。用户早上起床后可能会发生的操作包括开窗帘，开灯等活动，因此系统将记录这些信息，并获得这一部分的信息记录表，如下：

通过信息量的积累，对于窗帘设备打开属性{C<Py1>}，经过对时间数据、环境数据与设备操作数据的分析，可得到其与时间数据可能相关，且对于触发条件为496，即8:16，因此可得习惯信息为窗帘在8:16打开；同时对于电灯设备的Py1与Py3两个设备属性，通过数据分析可得在窗帘打开且亮度超过142时点灯打开，且打开后选择亮灯方式1。

综合可得，用户可能的习惯为：

1、触发条件：时间（8:16）——操作属性：窗帘开（C1<Py1>）；

2、触发条件：操作（C1<Py1>）&亮度（142）——操作属性：电灯开（A1<Py1>）；

3、触发条件：操作（A1<Py1>）——操作属性：亮灯方式1（A1<Py3>）。

得到的习惯信息将存入习惯信息表中，并根据习惯准确度公式生成初始准确度，而后进一步验证习惯信息准确度，并利用准确度计算公式计算新的准确度，当准确度超过执行概率后，系统将根据习惯信息进行智能设备的操控。具体的操控过程，以第一个习惯为例，当系统检测到当前时间为8:16，与这一习惯信息的触发条件相符时，查看触发条件对应的操作属性为C1<Py1>，而后分析设备ID与属性ID对应的设备及属性得到对应的操作位窗帘开，最后操作窗帘打开，完成相应操作。

为验证本发明所述系统及其方法的可行性，对该习惯提取方法及家电控制系统进行仿真测试

为了验证本文提出的习惯获取方法的可行性，本文通过仿真的形式对其进行测试。测试方法为：利用VC++6.0的MFC软件平台和SQL Server2000数据库错误！未找到引用源。构建一个简易的仿真程序，并选择窗帘、电灯、空调等八个设备构成一个仿真的设备控制系统。用户对设备的操作通过按钮等控件来实现，而设备的当前状态等则通过相应的控件状态来体现。

在测试过程中，由三个用户依照实际生活的情况对各个控件进行操作来体现用户对各个设备的使用。为体现测试过程中的客观性，信息收集过程中的时间数据有系统时间提供，而环境信息由实际的传感器信息来提供。在仿真系统的主要参数选取方面，关联度阈值ψ为0.6，高基准频率γ_H为0.85，低基准频率γ_L为0.4，执行概率Φ_exe为0.75，淘汰概率Φ_quit为0.3。图5为仿真系统的效果图。

为验证习惯提取的效果，在每天的相同时间分别记录三个用户的设备使用信息数UI，提取的习惯数HT，有效习惯数EH，有效习惯中符合用户习惯的数目CH，结果如表2所示。

表2 结果统计

由上述结果可知，随着时间增长，系统获取的设备操作信息会成倍增加；通过习惯提取方法获取的习惯信息在开始阶段快速增长，而后增速趋缓，说明随着时间推移，用户可能的设备使用习惯基本被提取出来；有效的用户习惯信息前期因为需要必要的时间进行强化或淘汰，因而数量较少，但随着时间推移，其数目也开始快速增长，且增长幅度也是逐渐趋缓，同时，有效的习惯信息也都基本符合用户的实际习惯，说明本文提出的习惯获取方法准确性较高，具备较好的可行性。

另一方面，通过对三个测试用户的独立测试，可发现三个用户的习惯信息的获得均遵循相似的过程和规律，说明本文提出的方法具有较好的适用性，能够根据不同用户的情况，发现符合该用户的习惯信息，从而满足用户的个性化需求。

通过仿真测试，表明本发明所述的系统及其方法能够较好地满足用户需求，具有较好的理论及应用价值。

Claims (6)

1.一种基于条件反射机制的智能家电控制系统的应用，其特征在于，该系统包括信息记录模块、数据分析模块和设备控制模块；

所述的智能家电控制系统安装在目标空间内，在所述目标空间内设置有家电和各类传感器，所述的传感器包括温度传感器、湿度传感器、亮度传感器和声音传感器；

所述信息记录模块分别与所述目标空间内家电中的控制单元相连，在所述信息记录模块中建立目标空间内所有家电的操作属性表；所述信息记录模块与目标空间内的传感器相连；

所述家电操作属性表是将所述目标空间内的家电的ID标识与对家电操作数据进行对应列表；

所述信息记录模块将实时采集到的用户操作家电数据填入其内部的家电属性表，同时，所述信息记录模块将家电属性表中数据发生变化时所述传感器的实时状态数据与所述家电属性表进行对应标记，并加载该家电操作数据形成的时间；

所述数据分析模块与所述信息记录模块的数据接口相连，对信息记录模块中的家电属性表、传感器的实时状态数据及家电操作数据形成的时间进行保存：形成操作家电条件行为数据库；所述的数据分析模块对所述操作家电条件行为数据库中的数据进行处理，以获得根据外部条件、模拟人为条件反射来控制家电的指令；

所述数据分析模块将处理获得的指令传递给所述的设备控制模块，所述的设备控制模块通过执行串口实现对目标空间内家电的智能控制。

2.根据权利要求1所述的一种基于条件反射机制的智能家电控制系统的应用，其特征在于，所述的数据分析模块对所述操作家电条件行为数据库中的数据进行处理的步骤如下：

（1）用户操作家电的习惯信息提取：利用统计聚类方法与基于低维聚类、高维分析的高维子空间聚类方法（SCLCHV，subspace clustering based on low dimensional clustering andhigh dimensional verification），对收集到家电属性表、传感器的实时状态数据及家电操作数据形成的时间进行聚类处理，以获得用户操作家电的习惯信息；

（2）用户操作家电的习惯信息验证：针对已获得用户操作家电的习惯信息，进行准确度验证，从而排除那些有误的准习惯信息，获得高可信度的用户习惯信息。

3.根据权利要求2所述的一种基于条件反射机制的智能家电控制系统的应用，其特征在于，所述统计聚类方法的步骤如下：

对家电操作数据进行统计，对各家电操作的发生频率分别设定高基准频率γ_H和低基准频率γ_L；

当实时得出的单一家电操作频率γ，即单一家电操作次数占全部家电操作次数的比值，当γ大于高基准频率γ_H时，则所述单一家电操作为家电操作习惯信息；当γ介于高基准频率γ_H与低基准频率γ_L之间时，则待定，需进一步考察；当γ小于高基准频率γ_L时，则所述单一家电操作为无效信息。

4.根据权利要求2所述的一种基于条件反射机制的智能家电控制系统的应用，其特征在于，所述基于低维聚类、高维分析的高维子空间聚类方法（SCLCHV）的步骤如下：

（1）对单一操作信息表中的时间与传感器先分别进行一维数据聚类，此处所述的时间和传感器是指用户对家电操作时的时间信息和传感器所采集到的环境信息；然后对各个维度上的聚类区间在高维度上进行关联度检测，从而获得相应的家电操作习惯信息；所谓一维数据聚类，即在单一维度上，将相互靠近的数据构成一个个数据群，每个数据群称为一个聚类区间，并将区间的数据平均值作为此区间的代表值，其具体过程为：设定一个群间差值L_α，设定单个聚类区间的最大长度L_max；由小到大依次计算相邻数据点的差值，若差值≤L_α，则构建一个聚类区间，并将相邻数据点归入此区间中；待所有数据点检测完成后，考察所有的聚类区间，若单个聚类区间的长度≥L_max，说明该聚类区间共性特征不明显，则放弃该聚类区间；若单个聚类区间的长度＜L_max，则该聚类区间为有效聚类区间，并计算所有聚类区间的代表值；

（2）完成所有家电操作属性的一维数据聚类后，进一步判断各属性信息的关联度REL，在高维数据空间中以各属性聚类区间为基础进行网格划分，而后通过网格中的数据考察各属性的关联度；

由于在高维空间聚类中，数据在高维空间状态下若存在共性关系，则在任意子空间中的投影必然存在共性关系，因此为提高检测效率，对网格的考察均从全维度空间开始：判断网格数据在全维度属性上是否存在共性关系，若存在，则停止对该网格的考察，并继续考察其他网格，否则，则通过渐次降维的方式考察该网格数据在所有低维子空间中的投影数据，直到找到最大维度下的共性信息：最后，将存在共性关系的属性组合构成联合触发条件，而无任何共性关系的网格，则由组成该网格的各个一维属性聚类区间独立构成触发条件，从而获得全部可能的家电操作习惯信息以及相应的触发条件；

（3）时间信息与传感器采集信息由聚类区间来表征，而区间由其代表值来表示，即将代表值作为该区间所对应的触发条件，因此，在针对某一家电操作属性进行习惯信息提取时，优先计算各相关操作的发生频率，对于超过γ_H的可直接作为用户家电操作习惯信息的触发条件；而对于在γ_H与γ_L之间的，则进一步考察是否与其他条件相关联，而如果所有相关操作均不超过γ_L，则再考察其他条件是否存在行为习惯信息。

5.根据权利要求2所述的一种基于条件反射机制的智能家电控制系统的应用，其特征在于，

根据习惯提取方法获得准行为习惯信息后，计算每个单一触发条件的初始准确度，初始准确度的计算公式如公式（3）和（4）所示：

Φ₀=p₀(1-Ω^-N) (3)

p₀=n₀/N (4)

其中Φ₀为初始准确度；n₀为该触发条件在单一信息操作表中的出现次数（时间等信息则是同一聚类区间内点的个数）；N为单一操作信息表中的数据量；Ω为置信参数（Ω>1）；

习惯信息的验证采用结果反馈的方式来评估触发条件准确度，即当条件满足某一触发条件后，系统考察用户下一步的行为是否与该触发条件所对应的家电操作相符合，若相符，则验证结果result为真；若不相符，则result为假；

准确度Φ的计算公式如公式（5）所示：

${\mathrm{\&Phi;}}_{\mathrm{new}}=\left\{\begin{array}{cc}1-(1-\mathrm{\&Phi;})*{\mathrm{\&Omega;}}^{-1},& \mathrm{result}=\mathrm{true}\\ \mathrm{\&Phi;}-\mathrm{\&beta;},& \mathrm{result}=\mathrm{false}\end{array}\right.---\left(5\right)$

其中，Ω为置信参数，β为单次衰减量，Φ为当前准确度，Φ_new为新准确度；

通过公式（5），实现对触发条件准确度的验证的计算，从而可得到相应的家电操作习惯信息准确度，进而通过与执行概率和淘汰概率的比较判断，最终可得到高可信度的用户家电操作习惯信息。

6.根据权利要求1所述的一种基于条件反射机制的智能家电控制系统的应用，其特征在于，所述数据分析模块将处理获得的指令的形成：将获得的用户家电操作习惯信息将作为设备控制依据，实现对智能家电的控制，从而满足用户对智能家电的个性化需求：通过用户家电操作习惯信息提取，系统可以获得相应的用户习惯，用户家电操作习惯信息包括触发该习惯的触发条件与习惯对应的设备属性操作构成，其中，触发条件由时间因素、环境因素以及设备操作因素的一种或多种组合构成；系统在运行过程中会检测当前的时间、环境及设备操作状况，如果检测到当前条件满足某一习惯信息的触发条件时，则系统将根据该习惯信息所对应的家电操作属性，控制对应家电实现相应的属性操作，实现对家电的控制。

Images