CN111856954A - 基于粗糙集理论与规则相结合的智能家居数据补全方法 - Google Patents

基于粗糙集理论与规则相结合的智能家居数据补全方法 Download PDF

Info

Publication number
CN111856954A
CN111856954A CN202010699554.0A CN202010699554A CN111856954A CN 111856954 A CN111856954 A CN 111856954A CN 202010699554 A CN202010699554 A CN 202010699554A CN 111856954 A CN111856954 A CN 111856954A
Authority
CN
China
Prior art keywords
attribute
condition
data
home data
conditional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010699554.0A
Other languages
English (en)
Other versions
CN111856954B (zh
Inventor
赵岭忠
王经书
翟仲毅
钱俊彦
潘海玉
林炫宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010699554.0A priority Critical patent/CN111856954B/zh
Publication of CN111856954A publication Critical patent/CN111856954A/zh
Application granted granted Critical
Publication of CN111856954B publication Critical patent/CN111856954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于粗糙集理论与规则相结合的智能家居数据补全方法，使用粗糙集属性约简算法将冗余信息去除，避免多于信息对数据补全产生。粗糙集理论使用信息熵的概念，能够发现数据之间潜在关系，而不是简单的数据之间线性关系。根据约简结果形成的规则符合决策系统中行为习惯，缺省推理允许信息在不完全情况下做出合适的推理，符合现实推理需求。粗糙集理论将连续数据离散化处理，在智能家居决策系统中，系统不需要准确数据，只需要传感器达到某个范围内就能做出决策，因此本方法能够实现智能家居决策系统中缺失值补全，提高决策系统的可靠性和准确性，提供良好的用户体验。

Description

基于粗糙集理论与规则相结合的智能家居数据补全方法
技术领域
本发明涉及智能家居技术领域，具体涉及一种基于粗糙集理论与规则相 结合的智能家居数据补全方法。
背景技术
近几年来，基于物联网所开发系统被广泛应用于医疗、智能家居、智能 城市等各个领域和不同行业。智能家居通过促进用户与物联网设备之间的交 互，为用户提供更加多样化的普适计算服务。智能家居中传感器产生不同数 据，对上下文识别、服务推荐、异常检测和安全等方面有很大影响。所有的 智能家居应用都依赖于完整数据，然而由于存储错误、传感器设备不可靠、 网络状态不稳定或断电等原因，传感器设备所产生的数据是不完整的，而这 些不完整的数据可能包括噪声、冗余和缺失值。数据缺失在智能家居数据中 是一个非常普遍的现象，且丢失数据的复杂性则随着物联网设备的数量呈指 数级增长，缺失数据影响物联网应用的准确性和可靠性，例如在实时决策中， 由于数据缺失导致不能产生决策；在服务推荐中，可能推荐错误路线；缺失 数据给智能家居带来很多不利影响，影响用户体验。
发明内容
本发明所要解决的是现有智能家居的数据缺失会影响物联网应用的准确 性和可靠性的问题，提供一种基于粗糙集理论与规则相结合的智能家居数据 补全方法。
为解决上述问题，本发明是通过以下技术方案实现的：
基于粗糙集理论与规则相结合的智能家居数据补全方法，包括步骤如下：
步骤1：获取各个时间点上智能家居所有传感器的传感器数据，形成智 能家居数据集；
步骤2：将步骤1所获取的智能家居数据集中的所有智能家居数据进行 模糊化处理，得到模糊化的智能家居数据集；
步骤3、将步骤2所得的模糊化的智能家居数据集中的模糊化的智能家 居数据进行划分，其中所有传感器数据均完整的模糊化的智能家居数据划分 到完整智能家居数据集中，将任一传感器数据存在缺失的模糊化的智能家居 数据划分到缺失智能家居数据集中；
步骤4、将步骤3所得的完整数据集中的每一条完整智能家居数据进行 重构，得到重构后的完整智能家居数据集；在对每一条完整智能家居数据进 行重构时，依次将每个传感器作为决策属性，其他传感器作为条件属性，由 此得到n条重构后的完整智能家居数据；其中n为智能家居中传感器的数量；
步骤5、利用步骤4所得的重构后的完整智能家居数据集去构建规则集； 即对于每一条重构后的完整智能家居数据，将其决策属性作为规则的头部： 并利用信息熵和粗糙集理论对该决策属性所对应的条件属性进行冗余条件属 性删除后，将剩余的条件属性作为规则的体部，由此得到一条规则；
步骤6、基于回答集编程语言，利用步骤5所得的规则集中的规则对步 骤3所得的缺失智能家居数据集的缺失智能家居数据进行补全；在补全的过 程中，将每一条缺失智能家居数据作为待补全内容输入到DLV求解器中；将 该条缺失智能家居数据中缺失数据的传感器作为缺失属性，并将步骤5所得 的规则集中以该缺失属性作为决策属性的所有规则输入DLV求解器中；DLV 求解器基于回答集编程语言进行规则与待补全内容的匹配，预测得到相应的 缺失数据。
上述步骤5中，利用信息熵和粗糙集理论对该决策属性D所对应的条件 属性进行冗余条件属性删除的具体过程如下：
步骤5.1.计算当前决策属性D相对于的条件属性集合C的条件信息熵 H(D|C)；其中条件属性集合C包含该当前决策属性D的所有条件属性；
步骤5.2、从条件属性集合C中依次去掉条件属性ri，得到新的条件属性 集合C-{ri}，并计算当前决策属性D相对于新的条件属性集合C-{ri}的条件信 息熵H(D|C-{ri})；
步骤5.3、将步骤5.2所得的条件信息熵H(D|C-{ri})与步骤5.1所得的条 件信息熵H(D|C)进行比较：如果H(D|C-{ri})＞H(D|C)，则当前条件属性ri即为 当前决策属性D的核条件属性，并形成核条件属性集合P；否则，该条件属 性ri即为当前决策属性D的非核条件属性，并形成非核条件属性集合Q；
步骤5.4、计算当前决策属性D相对于核条件属性集合P的条件信息熵 H(D|P)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果 H(D|P)＝H(D|C)，则将所有核条件属性归入约简条件属性集合C0中；否则执 行步骤5.5；
步骤5.5、计算非核条件属性bj的属性重要度SGF(bj,P,D)：
SGF(bj,P,D)＝H(D|C)-H(D|P∪bj)
其中，H(D|P)表示当前决策属性D相对于核条件属性集合P的条件信息 熵；H(D|P∪bj)表示当前决策属性D相对于核条件属性集合P与非核条件属 性bj并集的条件信息熵；
步骤5.6、将属性重要度SGF(bj,P,D)最大的非核条件属性归入到约简条件 属性集合C0中，并将属性重要度SGF(bj,P,D)最大的非核条件属性和属性重要 度SGF(bj,P,D)为0的非核条件属性从非核条件属性集合Q中删除；
步骤5.7、计算当前决策属性D相对于约简条件属性集合C0的条件信息熵 H(D|C0)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果 H(D|C0)＝H(D|C)，则转至步骤5.8；否则，转至步骤5.6；
步骤5.8、保留约简条件属性集合C0中的条件属性，并将其他条件属性作 为决策属性D的冗余条件属性删除；
上述i＝1,2,…,M，M为条件属性集合C中条件属性的个数；j＝1,2,…,L， L为条核条件属性集合P中核条件属性的个数。
与现有技术相比，本发明使用粗糙集属性约简算法将冗余信息去除，避 免多于信息对数据补全产生。粗糙集理论使用信息熵的概念，能够发现数据 之间潜在关系，而不是简单的数据之间线性关系。根据约简结果形成的规则 符合决策系统中行为习惯，缺省推理允许信息在不完全情况下做出合适的推 理，符合现实推理需求。粗糙集理论将连续数据离散化处理，在智能家居决 策系统中，系统不需要准确数据，只需要传感器达到某个范围内就能做出决 策，因此本方法能够实现智能家居决策系统中缺失值补全，提高决策系统的可靠性和准确性，提供良好的用户体验。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例， 对本发明进一步详细说明。
一种基于粗糙集理论与规则相结合的智能家居数据补全方法，其具体包 括如下步骤：
步骤1：利用爬虫算法从智能家居网站获取各个时间点所有n个传感器 的传感器数据，形成智能家居数据集，在该智能家居数据集中的一条智能家 居数据为一个时间点下的所有传感器数据。其中智能家居中包含有n个传感 器。
在本实施例中，利用python代码对智能家居网站(如https：//www.bwired.nl/ index.asp)其进行数据爬虫。在智能家居网站https：//www.bwired.nl/index.asp中，实时发布智能家居中传感器信息，其包括12个 子模块的智能家居数据，智能家居的位置划分主要有客厅(livingroom)、卧 室(bedroom)、游戏厅(playroom)、厨房(kitchen)、阁楼(Attic)等，不 同房间内部署不同的传感器装置，其主要有灯、电视、空调等设备开关传感器，室内外湿度、室内外温度、烟雾浓度等环境传感器，判断人是否在家的 位置传感器，以及视频传感器等。爬取页面的12个子模块中不仅展示了以上 传感器的数据，还包含了家居环境中的窗帘的状态(Curtain)、窗户的状态、 用户对室温的设定值(Setpoint)即对用户来说舒适的温度用于控制设备状态 (空调)等。
由于外部环境不断变化，传感器数据也在不断更新，当传感器数据变化 时，触发保存数据代码，将各个时间点下所有传感器数据全部爬取下来。在 本实施中，所爬取下来的各个时间点下的传感器数值如下：
1)time：23-06-2018-11：16，23-06-2018-15：30，23-06-2018-20：37等；
2)human(hu)：true，false；
3)light，tv，hvac：off，on；
4)curtain：open，close；
5)temperature(tp)，temperature_outside(tp_out)：18.5℃，20.0℃等；
6)weather(w)：sunny，rainy，cloud，snow；
7)humidity(h)，humidity_outside(h_out)：58％，57％等；
8)Setpoit(st):20.0℃等
整合这些时间点下的传感器数据，并按照时间的先后顺序依次按照所需 要顺序进行整合，得到如表1所示的智能家居数据集：
Figure BDA0002592524890000041
表1
步骤2：将步骤1所获取的智能家居数据集中的所有智能家居数据进行 模糊化处理，得到模糊化的智能家居数据集。
模糊化处理其实就是连续数值离散化的过程，一般的逻辑中，可是接受 的值可以使0或者1，在模糊逻辑中，它允许使用不精确的概念(例如温度： 冷，正常，热)对传感器数据进行简单地描述，而不需要准确的数值(例如 温度：10℃，25℃，30℃)，这在数据处理中是至关重要的，例如在智能家居 决策系统中，不需要精确数值，只需要模糊化的数值即可。大多数情况下， 模糊化处理不能单独存在，因此本发明将模糊化与粗糙集理论相结合，将智 能家居数据进行模糊化处理，如表2所示。
对于离散数据模糊化：一个属性下的存在多种状态时，将多种状态值转 换为数量较少的其他状态值，在天气属性下，由晴转阴的天气模糊化为晴或 者阴，减少不必要的状态。
对于连续数据模糊化：连续数据简单地进行模糊化处理，当某个值大于 一定阈值时，且在某个范围时，将这个范围数据统一某个值。
在本实施例中，模糊化后得到的智能家居数据集如表2所示：
Figure BDA0002592524890000042
表2
步骤3、将步骤2所得的模糊化的智能家居数据集中的模糊化的智能家 居数据划分到完整智能家居数据集或缺失智能家居数据集中，其中所有传感 器数据均完整的模糊化的智能家居数据划分到完整智能家居数据集中，将任 一传感器数据存在缺失的模糊化的智能家居数据划分到缺失智能家居数据集 中。
步骤4、将步骤3所得的完整智能家居数据集中的每一条完整智能家居 数据进行重构，得到重构后的完整智能家居数据集；在对每一条完整智能家 居数据进行重构时，依次将每个传感器作为决策属性，除上述传感器以外的 其他传感器作为条件属性，由此得到n条重构后的完整智能家居数据。其中 n为智能家居中传感器的数量。
在智能家居中由于各种原因导致传感器数据丢失，但是丢失不仅仅发生在 个别传感器，可能每个传感器数据都有丢失，因此本发明将完整数据中的每 个传感器依次作为一个缺失属性的决策属性，其余传感器作为条件属性，按 照缺省思想重新构建数据集。
在本实施例中，重构后的完整智能家居数据的形式如下：
light(on)：-tm
(afternoon)，hu(false)，w(clound)，tp(high)，tp_out(low)，h(normal)， h_out(wet)，sp(high)，curtain(open)，tv(off)，hvac(on).
步骤5、利用步骤4所得的重构后的完整数据集去构建规则集；在规则 集构建的过程中，对于每一条重构后的完整智能家居数据，将其决策属性作 为规则的头部，并利用信息熵和粗糙集理论对该决策属性所对应的条件属性 进行冗余条件属性删除后，将剩余的条件属性作为规则的体部，由此得到规 则集的一条规则。
粗糙集理论能够很好的处理不完全数据，且能发现数据之间潜在规律。 当决策属性(某个传感器)确定时，条件属性中可能含有对于该决策属性不 产生影响的条件属性(其他传感器)即冗余条件属性，此时需要使用粗糙集 理论和信息熵的概念对冗余条件属性进行删除，其具体过程如下：
步骤5.1.计算当前决策属性D相对于的条件属性集合C的条件信息熵 H(D|C)；其中条件属性集合C包含该当前决策属性D的所有条件属性。
粗糙集理论信息系统S＝(U,Q＝C∩D,V,f)，其中U为非空的有限集合；Q是 U上等价关系；C是条件属性；D为决策属性；V为Q中所有的值域范围；f是 f＝U∩Q→V的映射。
粗糙集理论信息系统S＝(U,Q＝C∩D,V,f)，对于任意的
Figure BDA0002592524890000051
且
Figure BDA0002592524890000052
B 的等价关系即为不可分辨关系：
Figure BDA0002592524890000053
对于任意的条件属性集合
Figure BDA0002592524890000054
U/IND(B)＝{X1,X2,...,Xn}为条件属性集 合B在数据U上的n个划分，同理U/IND(D)＝{Y1,Y2,...,Ym}即决策属性集合D在 数据U上的m个划分，条件属性集合B的信息熵为：
Figure BDA0002592524890000055
则条件属性集合B关于决策属性集合D的条件熵为：
Figure BDA0002592524890000056
步骤5.2、从条件属性集合C中依次去掉条件属性ri，得到新的条件属性 集合C-{ri}，并计算当前决策属性D相对于新的条件属性集合C-{ri}的条件信 息熵H(D|C-{ri})；
步骤5.3、将步骤5.2所得的条件信息熵H(D|C-{ri})与步骤5.1所得的条 件信息熵H(D|C)进行比较：如果H(D|C-{ri})＞H(D|C)，则当前条件属性ri即为 当前决策属性D的核条件属性，并形成核条件属性集合P；否则，该条件属 性ri即为当前决策属性D的非核条件属性，并形成非核条件属性集合Q；
步骤5.4、计算当前决策属性D相对于核条件属性集合P的条件信息熵 H(D|P)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果 H(D|P)＝H(D|C)，则将所有核条件属性归入约简条件属性集合C0中；否则执 行步骤5.5；
步骤5.5、计算非核条件属性bj的属性重要度SGF(bj,P,D)：
SGF(bj,P,D)＝H(D|C)-H(D|P∪bj)
其中，H(D|P)表示当前决策属性D相对于核条件属性集合P的条件信息 熵；H(D|P∪bj)表示当前决策属性D相对于核条件属性集合P与非核条件属 性bj并集的条件信息熵；
步骤5.6、将属性重要度SGF(bj,P,D)最大的非核条件属性归入到约简条件 属性集合C0中，并将属性重要度SGF(bj,P,D)最大的非核条件属性和属性重要 度SGF(bj,P,D)为0的非核条件属性从非核条件属性集合Q中删除；
步骤5.7、计算当前决策属性D相对于约简条件属性集合C0的条件信息熵 H(D|C0)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果 H(D|C0)＝H(D|C)，则转至步骤5.8；否则，转至步骤5.6；
步骤5.8、保留约简条件属性集合C0中的条件属性，并将其他条件属性作 为决策属性D的冗余条件属性删除；
上述i＝1,2,…,M，M为条件属性集合C中条件属性的个数；j＝1,2,…,L， L为条核条件属性集合P中核条件属性的个数。
在本实施例中，规则的形式如下：
light(on)：-tv(off)，hvac(on)，time(afternoon)，hu(false)，w(cloud)，curtain(open).
步骤6：基于回答集编程语言，利用步骤5所得的规则集中的规则对步 骤3所得的缺失智能家居数据集的缺失智能家居数据进行补全；在补全的过 程中，将每一条缺失智能家居数据作为待补全内容输入到DLV求解器中；将 该条缺失智能家居数据中缺失数据的传感器作为缺失属性，并将步骤5所得 的规则集中以该缺失属性作为决策属性的所有规则输入DLV求解器中；DLV 求解器基于回答集编程语言进行规则与待补全内容的匹配，预测得到相应的 缺失数据，由此完成该条缺失智能家居数据的补全。
回答集编程语言(Answer Set Programming，ASP)是一种基于稳定模型 语义(Stable model semantics)的声明式非单调逻辑程序语言，能够用于描述 缺省规则。DLV是一种基于ASP的求解器，能以毫秒级为单位来处理求解 问题，大大减少补全所需要的时间。ASP主要包含待求解问题和规则，求解 器根据缺失情景信息，循环遍历待求解问题，将规则进行相应的匹配，判断 待求解问题是否与规则想匹配，并显示补全结果。ASP能够表示因果关系、 缺省值和不完全信息等，根据ASP原理，利用ASP描述待求解问题，DLV 作为ASP求解器之一，有很快的求解速度。所形成的以决策属性为前提，完 全信息为依据的一条不完全信息；规则为某个传感器信息为决策属性，完全 信息作为依据的一条规则。将待求解问题与规则放入DLV求解器，实现待求 解问题与规则相匹配，得到相应的求解问题。对于ASP主要包含事实和规则， 求解器根据缺失情景信息，规则进行相应的此法分析，实例化缺失情景信息 和规则变量，循环遍历缺失情景判断是否满足全部规则。
缺省推理允许人们在面对不完全信息时做出合理的推测。将缺省推理的 思想和规范缺省规则的形式用于构造不完全信息补全规则，具有缺失值的情 景项ck(x)的补全规则结构定义1如下：
Figure BDA0002592524890000071
其中ci(cv)为完整数据并且是规则的条件属性，ck(x)在规则中表示决 策属性用于表示缺失信息，ck(cv)表示补全后的结果。
在本实施例中，缺失数据的形式如下：
light(null)，tm
(afternoon)，hu(false)，w(clound)，tp(high)，tp_out(low)，h(normal)， h_out(wet)，sp(high)，curtain(open)，tv(off)，hvac(on).
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是 对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本 发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施 方式，均视为在本发明的保护之内。

Claims (2)

1.基于粗糙集理论与规则相结合的智能家居数据补全方法，其特征是，包括步骤如下：
步骤1：获取各个时间点上智能家居所有传感器的传感器数据，形成智能家居数据集；
步骤2：将步骤1所获取的智能家居数据集中的所有智能家居数据进行模糊化处理，得到模糊化的智能家居数据集；
步骤3、将步骤2所得的模糊化的智能家居数据集中的模糊化的智能家居数据进行划分，其中所有传感器数据均完整的模糊化的智能家居数据划分到完整智能家居数据集中，将任一传感器数据存在缺失的模糊化的智能家居数据划分到缺失智能家居数据集中；
步骤4、将步骤3所得的完整数据集中的每一条完整智能家居数据进行重构，得到重构后的完整智能家居数据集；在对每一条完整智能家居数据进行重构时，依次将每个传感器作为决策属性，其他传感器作为条件属性，由此得到n条重构后的完整智能家居数据；其中n为智能家居中传感器的数量；
步骤5、利用步骤4所得的重构后的完整智能家居数据集去构建规则集；即对于每一条重构后的完整智能家居数据，将其决策属性作为规则的头部：并利用信息熵和粗糙集理论对该决策属性所对应的条件属性进行冗余条件属性删除后，将剩余的条件属性作为规则的体部，由此得到一条规则；
步骤6、基于回答集编程语言，利用步骤5所得的规则集中的规则对步骤3所得的缺失智能家居数据集的缺失智能家居数据进行补全；在补全的过程中，将每一条缺失智能家居数据作为待补全内容输入到DLV求解器中；将该条缺失智能家居数据中缺失数据的传感器作为缺失属性，并将步骤5所得的规则集中以该缺失属性作为决策属性的所有规则输入DLV求解器中；DLV求解器基于回答集编程语言进行规则与待补全内容的匹配，预测得到相应的缺失数据。
2.根据权利要求1所述的基于粗糙集理论与规则相结合的智能家居数据补全方法，其特征是，步骤5中，利用信息熵和粗糙集理论对该决策属性D所对应的条件属性进行冗余条件属性删除的具体过程如下：
步骤5.1.计算当前决策属性D相对于的条件属性集合C的条件信息熵H(D|C)；其中条件属性集合C包含该当前决策属性D的所有条件属性；
步骤5.2、从条件属性集合C中依次去掉条件属性ri，得到新的条件属性集合C-{ri}，并计算当前决策属性D相对于新的条件属性集合C-{ri}的条件信息熵H(D|C-{ri})；
步骤5.3、将步骤5.2所得的条件信息熵H(D|C-{ri})与步骤5.1所得的条件信息熵H(D|C)进行比较：如果H(D|C-{ri})＞H(D|C)，则当前条件属性ri即为当前决策属性D的核条件属性，并形成核条件属性集合P；否则，该条件属性ri即为当前决策属性D的非核条件属性，并形成非核条件属性集合Q；
步骤5.4、计算当前决策属性D相对于核条件属性集合P的条件信息熵H(D|P)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果H(D|P)＝H(D|C)，则将所有核条件属性归入约简条件属性集合C0中；否则执行步骤5.5；
步骤5.5、计算非核条件属性bj的属性重要度SGF(bj,P,D)：
SGF(bj,P,D)＝H(D|C)-H(D|P∪bj)
其中，H(D|P)表示当前决策属性D相对于核条件属性集合P的条件信息熵；H(D|P∪bj)表示当前决策属性D相对于核条件属性集合P与非核条件属性bj并集的条件信息熵；
步骤5.6、将属性重要度SGF(bj,P,D)最大的非核条件属性归入到约简条件属性集合C0中，并将属性重要度SGF(bj,P,D)最大的非核条件属性和属性重要度SGF(bj,P,D)为0的非核条件属性从非核条件属性集合Q中删除；
步骤5.7、计算当前决策属性D相对于约简条件属性集合C0的条件信息熵H(D|C0)，并将其与步骤5.1所得的条件信息熵H(D|C)进行比较：如果H(D|C0)＝H(D|C)，则转至步骤5.8；否则，转至步骤5.6；
步骤5.8、保留约简条件属性集合C0中的条件属性，并将其他条件属性作为决策属性D的冗余条件属性删除；
上述i＝1,2,…,M，M为条件属性集合C中条件属性的个数；j＝1,2,…,L，L为条核条件属性集合P中核条件属性的个数。
CN202010699554.0A 2020-07-20 2020-07-20 基于粗糙集理论与规则相结合的智能家居数据补全方法 Active CN111856954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010699554.0A CN111856954B (zh) 2020-07-20 2020-07-20 基于粗糙集理论与规则相结合的智能家居数据补全方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010699554.0A CN111856954B (zh) 2020-07-20 2020-07-20 基于粗糙集理论与规则相结合的智能家居数据补全方法

Publications (2)

Publication Number Publication Date
CN111856954A true CN111856954A (zh) 2020-10-30
CN111856954B CN111856954B (zh) 2022-08-02

Family

ID=73000616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010699554.0A Active CN111856954B (zh) 2020-07-20 2020-07-20 基于粗糙集理论与规则相结合的智能家居数据补全方法

Country Status (1)

Country Link
CN (1) CN111856954B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408754A (zh) * 2008-10-30 2009-04-15 中山大学 基于数据挖掘的智能家居优化系统
CN102609469A (zh) * 2012-01-16 2012-07-25 华南师范大学 一种基于包含度的模糊粗糙单调数据挖掘方法
CN103077320A (zh) * 2013-01-18 2013-05-01 大连交通大学 一种基于粗糙集理论的焊接疲劳分析方法
US20150088807A1 (en) * 2013-09-25 2015-03-26 Infobright Inc. System and method for granular scalability in analytical data processing
CN106453001A (zh) * 2016-10-10 2017-02-22 深圳万发创新进出口贸易有限公司 基于物联网的智能家居系统
CN107103361A (zh) * 2017-04-13 2017-08-29 桂林电子科技大学 基于粗糙集与回答集的变压器故障诊断方法和系统
US20180130124A1 (en) * 2016-11-10 2018-05-10 National Tsing Hua University Method for product service system classification and service transformation
WO2018092044A1 (en) * 2016-11-15 2018-05-24 Sentient Technologies (Barbados) Limited Data object creation and recommendation using machine learning based offline and online evolution
CN109214587A (zh) * 2018-09-27 2019-01-15 重庆智万家科技有限公司 一种基于三支决策的商品需求预测与物流分仓规划方法
CN109684314A (zh) * 2018-12-17 2019-04-26 南京旅游职业学院 一种基于空间结构的无线传感器网络缺失值估计方法
CN110222023A (zh) * 2019-06-06 2019-09-10 桂林电子科技大学 基于Spark与蚁群优化的多目标并行属性约简方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408754A (zh) * 2008-10-30 2009-04-15 中山大学 基于数据挖掘的智能家居优化系统
CN102609469A (zh) * 2012-01-16 2012-07-25 华南师范大学 一种基于包含度的模糊粗糙单调数据挖掘方法
CN103077320A (zh) * 2013-01-18 2013-05-01 大连交通大学 一种基于粗糙集理论的焊接疲劳分析方法
US20150088807A1 (en) * 2013-09-25 2015-03-26 Infobright Inc. System and method for granular scalability in analytical data processing
CN106453001A (zh) * 2016-10-10 2017-02-22 深圳万发创新进出口贸易有限公司 基于物联网的智能家居系统
US20180130124A1 (en) * 2016-11-10 2018-05-10 National Tsing Hua University Method for product service system classification and service transformation
WO2018092044A1 (en) * 2016-11-15 2018-05-24 Sentient Technologies (Barbados) Limited Data object creation and recommendation using machine learning based offline and online evolution
CN107103361A (zh) * 2017-04-13 2017-08-29 桂林电子科技大学 基于粗糙集与回答集的变压器故障诊断方法和系统
CN109214587A (zh) * 2018-09-27 2019-01-15 重庆智万家科技有限公司 一种基于三支决策的商品需求预测与物流分仓规划方法
CN109684314A (zh) * 2018-12-17 2019-04-26 南京旅游职业学院 一种基于空间结构的无线传感器网络缺失值估计方法
CN110222023A (zh) * 2019-06-06 2019-09-10 桂林电子科技大学 基于Spark与蚁群优化的多目标并行属性约简方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈惠聪，等: "基于粗糙集理论的电力变压器故障诊断方法", 《电力讯息》 *
霍磊，等: "基于粗糙集的智能家居规则提取方法", 《现代电子技术》 *

Also Published As

Publication number Publication date
CN111856954B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Wu et al. Survey on prediction algorithms in smart homes
Prossegger et al. Multi-resident activity recognition using incremental decision trees
Liang et al. An unsupervised user behavior prediction algorithm based on machine learning and neural network for smart home
CN111652357A (zh) 一种利用基于图的特定目标网络解决视频问答问题的方法及其系统
Lee et al. Context-aware inference in ubiquitous residential environments
CN108628882A (zh) 用于预判问题的方法和系统
CN116049764A (zh) 一种面向物联网的跨尺度时序数据融合方法及系统
CN116226655A (zh) 智慧家庭环境感知方法、装置、存储介质和电子设备
CN112231580A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
Roy et al. A middleware framework for ambiguous context mediation in smart healthcare application
CN116862024A (zh) 基于聚类和知识蒸馏的可信个性化联邦学习方法和装置
CN115905688A (zh) 一种基于人工智能和智能家居的参考信息生成方法
CN111856954B (zh) 基于粗糙集理论与规则相结合的智能家居数据补全方法
Shiri et al. A survey on multi-resident activity recognition in smart environments
CN118093996A (zh) 基于深度学习的线下智能家居用户画像构建方法及系统
Elloumi et al. Unsupervised discovery of human activities from long‐time videos
CN114266352A (zh) 模型训练结果优化方法、装置、存储介质及设备
CN114460853A (zh) 一种空气联动控制方法、装置、智能终端存储介质
CN114169433A (zh) 一种基于联邦学习+图学习+cnn的工业故障预测方法
CN111209407B (zh) 数据处理方法、装置、电子设备和计算机可读存储介质
Zhang et al. The Establishment and Optimization of Public Emotion Network Communication Model using Deep Learning
CN113344687A (zh) 结合大数据的业务数据分析方法及数字金融服务平台
Felício et al. Preference-like score to cope with cold-start user in recommender systems
CN112734132A (zh) 一种设备的推荐方法、装置、电子设备及存储介质
CN117216417B (zh) 融合知识信息和协同信息的推荐方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201030

Assignee: GUILIN JINFAMING TECHNOLOGY DEVELOPMENT CO.,LTD.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2022450000400

Denomination of invention: Data completion method of smart home based on rough set theory and rules

Granted publication date: 20220802

License type: Common License

Record date: 20221226