基于云服務平臺的智能家居管理系統研究

摘要：智能家居應用領域還存在很多問題，采用云服務平臺可以有效提升通信性能和數據信息資源利用效率，這就需要建立起系統構架，探索集中管理和智慧控制管理模式。本文先對主流智能家居系統技術進行研究，并對如何進地智能家居系統軟件設計進行探討，可供相關人員參考。

關鍵詞：云服務技術;智能家居;通信技術

一、引言

隨著城鎮居民收入的不斷攀升，對家居生活的智能化和舒適化提出了更高的要求，但是，智能家居仍存在著很多需要解決的問題，例如，沒有建立起統一的無線通信標準及規范，控制實時性差和資源利用率不理想等，還沒有完全采用智能化控制，導致智能家居行業的發展受到抑制。采用云服務、無線傳感通信技術等前沿技術，可以為智能家居管理系統提供技術解決方案，云服務平臺可提升智能家居系統的通信實時性和數據資源利用率，具有較高的計算性能和可拓展性，可實現對智能家居系統的集中管理和智慧控制。

二、智能家居系統技術研究

（一）無線通信技術

1.Wi-Fi無線通信技術

Wi-Fi無線通信技術已經得到普及與應用，通過無線電波實現與網絡的連接，家庭、辦公場所等都已經進行Wi-Fi信號全覆蓋，該通信協議標準基于IEEE802.11，具有更快數據傳輸速度、更低的功耗和更強的穿墻能力，實現了低數據速率連接的分配，有利于延長物聯網傳感器電池使用壽命，但Wi-FiHallow技術標準與應用還存在一定的時間。

2.ZigBee通信技術

ZigBee無線通信技術可應用于遠程自動控制領域，數據通信安全可靠，也不需要太高的功耗，數據傳輸時延也比較低，無源設備也可以加入通信網絡中，通信協議也得到簡化，比WI-FI技術有著更快的響應速度，轉換至工作狀態和接入網絡時間短，具有更大規模的組網能力，可拓展為星型、樹型等拓撲結構。該通信技術多應用于工業遙測遙控、自動控制等領域，利用龐大的網絡節點進行信號采集與發送控制信號，不同節點間進行高效協調，可以達到較高的通信效率。隨著物聯網技術的不斷應用，更多的節點與傳感終端均采用ZigBee通信模塊，可用為網絡感知層。采用開源協議棧可滿足不同廠商的協議更改的需要，但協議更改需要一定周期，不利于ZigBee通信設備的普及與應用，可芯片價格高且需要結合不同的應用場景，制約著該技術的進一步發展。同時，穿墻能力與衍射能力不足，特別是應用于鋼筋混凝土建筑中，數據通信能力效果也會變弱，如果對無線信號進行放大處理，還會存在輻射污染問題。

3.藍牙通信技術

作為在國際上開放通信標準的通信技術，藍牙通信采用短程無線鏈路實現不同終端設間的通信，該通信標準采用2.4GHz頻段，低功耗為該通信技術的核心，隨著藍牙技術推出新的版本，數據傳輸距離與速率也得到了提升，并具備室內定位功能，可對終端進行準確定位。當前，低功耗藍牙通信終端已經應用于智能穿戴、車載通信終端等方面，但由于通信距離小、抗干擾性能等缺點，藍牙技術在智能家居方面的應用并不順利。

4.射頻通信技術

射頻通信技術可工作于多種頻段，不同工作頻段可應用于不同應用場合，有著很好的抗干擾性能，可達到較高的信號接收靈敏度。終端設備開發成本低，運行功耗低且具有更遠的傳輸距離，可以通過穿墻來傳輸信號，已經在智能家居、自動控制等領域得到應用。

（二）云服務技術

1.云計算

對網絡計算資源進行整合與調配，采用相同的通信接口對用戶提供計算服務，是一種互聯網應用層的數據信息處理平臺，將網絡信息資源進行共享，為互聯網用戶提供計算能力。云計算技術具有高可用性，可對海量數據信息進行存儲并提供算力，可向用戶提供高質量計算服務，還可以進行配置、添加或拓展來提升系統靈活性，可實現與服務器的節點連接來構建起服務器集群，如果某個節點失效也可以在較短時間內繼續提供計算服務，具有很高的系統可靠性。服務終端所提交的資源可在云端進行全面管理，采用虛擬化處理技術實現對資源的配置，把不同資源配置給需要提供計算服務的用戶。云計算具備的集群特性可以滿足資源調整與需求伸縮的要求，還可以提供多種技術接口，確保用戶增長產生的計算整合需求。云計算技術可實現對感知數據的應用，減少服務節點硬件使用數量，將公共云運行費用轉變由第三方支出。具有成熟可靠的編程開發模型，只需要結合項目開發需求即可以設計接口程序，不需要考慮數據存儲與計算的具體細節，降低項目開發成本與周期。當前，私用云是為某個組織運提供的云計算基礎設施，計算資源在企業內部進行共享;公有云采取租借方式為公眾或集體提供云端算力服務;混合云由兩個及以上的不同方式的云端系統構成，每個云端系統均保持獨立，對不同云計算標準進行整合;社區云為特定社區獨有，由多個組織構成。IaaS服務模式，把服務器、存儲中心等網絡計算設施提供給用戶，也可以將虛擬化技術等實現有效地管理;PaaS服務模式，通過部署開發工具靠墻產平臺，用戶可以根據使用需要來開發應用，不再考慮硬件與操作系統等方面的投入;SaaS服務模式，為用戶提供滿足云端運行的應用程序，不再注重網絡設施與細節。

2.云存儲

把數據信息存儲于網絡云端來創建云存儲模型，物理存儲可以在多個云端服務器實現存儲，交由托管公司進行管理與運營，云存儲服務商可以確保數據信息的可用性，有利于維護和運行網絡云端物理存儲環境，有使用需求的用戶可通過購買與租賃來實現數據的存儲和管理。云存儲為新型的數據存儲服務方式，是通過將網絡管理設備進行高度集成，對多種訪問接口進行整合等，創建出龐大而復雜的云存儲服務系統。將存儲設備作為核心部件，應用接口可對用戶提供數據信息存儲與訪問服務，通過不同訪問層和接口層等的協作，可以完成數據存儲與訪問。

（三）機器學習技術

人工智能中最為重要的內容就是進行機器學習，通過對量化模型的研發，可以在不進行顯式編程的條件下執行多種任務，通過機器學習來識別復雜計算模型，并提出智能化的計算決策，可結合實際問題來建模，參考現有經驗來提高模型效果。

1.機器學習

通過機器學習把實際存在的問題進行抽象人處理，把問題場景作為模型輸入，并將其饋送至計算模型，把反饋回來的方案作為模型輸出。輸入函數與輸出函數為：

（1）

（2）

計算查勘型為輸入至輸出空間的數學映射：

（3）

通過機器學習來對存在的實際問題進行處理，采用已知經驗來優化改進計算模型f（·），憑借經驗將樣本點集合作為數據集。一般情況下，將模型進行優化過程稱作訓練，對模型運行效果進行檢驗被叫作測試，如果創建的模型是參數化的模型，應該將模型運行于不同參數條件下進行檢驗。在進行模型創建時，多將數據集劃分為不相交的多個集合，樣本點可作為模型訓練的對象，樣本點集合作為模型的測試集，如果要選用模型的參數，應該采用和測試集相同的集合作為開發集。

數據集類型決定著算法模型與優化選擇，如果數據集樣本點存在輸入x，應該選用非監督學習算法，而如果樣本點采用（x，y）數據組，需要應用監督算法來進行學習。在進行非監督學習過程中，數據集只能作為輸入，不采用正確輸出用于監督信號，多用于解決聚類問題，只確定出樣本特征值，無法進行準確的分類，無法給出有所類別，進行學習并確定出樣本以后可以對類型進行區分。而在監督學習過程中，需要結合訓練集來對模型進行優化，將測試樣例用于輸入，輸出要接近于正確輸出，多應用于回歸和分類問題，回歸問題是一種連續值，分類問題可用于輸出離散值。

2.人工神經網絡

分類與問歸問題可采用人工神經網絡來解決，實質上也是一種監督算法，作為對復雜數據信息進行輸入處理的模型框架。人工神經網絡有著對信號進行處理的單元，不同單元間可以進行數據信息連接，每個單元間的數據連接都是有權重的。神經元作為基本的網絡單位，可用于數據信息進行操作與處理，接收到一組數據信息的輸入，進行加權求和處理認后，通過激活函數來確定輸出。神經網絡為端至端的數據信息處理系統，將一定格式的數據作為輸入，進行計算操作以后輸出一定格式數據信息，網絡內部操作與計算結果可視作黑箱，網絡頂點需要進行層次發，輸出層通過網絡輸出數據。還需要對神經網絡模型進行調整與修正，對內部參數進行訓練，可以實現對模型的優化。

三、智能家居系統軟件設計

（一）服務端結構設計

云服務平臺可將云計算技術充分發揮出來，服務端軟件應用于云服務平臺，每個模塊間進行協作來對網關信息進行管理，實現對用戶端的遠程控制，服務端軟件體系見圖1所示。

圖1中的登錄模塊可實現對家庭網關、用戶終端登錄等的管理，可滿足添加和刪除用戶、密碼修改等方面的需要。家庭網關運行以后，需要向系統提出用戶登錄請求，用于系統配置、記錄并發送網關名稱，用戶密碼等，驗證以后就可以登錄。通信模塊將家居系統運行形成的數據進行存儲，并實現數據信息的交互與遠程控制。數據庫存儲模塊對用戶和網關信息、終端設備狀態、操作歷史數據進行存儲。日志模塊對系統操作歷史進行記錄，可用于對操作記錄的查詢，可為后續的系統調試與數據維護提供參考。預測模塊采用人工神經算法，對智能家居系統運行數據信息進行訓練，并對終端設備運行情況進行預測，也可優化出更符合用戶使用習慣的家居設計。

（二）服務端基本功能設計

對用戶登錄驗證、密碼修改和心跳包的收發等功能進行管理，通過家庭網關驗證以后方可實現客戶端的登錄，但兩者間的驗證流程并不相同。家庭網關驗證時，啟動運行后向管理系統提出登錄請求，對請求信息進行驗證以后，將信息植入網關狀態表。網關可能用戶信處表進行維護并創建鏈表，并對ID信息進行記錄。需要對家居終端設備狀態進行轉換時，網關對用戶信息進行登記。家庭網關獲取到終端智能家居設備信息，把獲取到的數據信息轉送至服務端軟件，對靈敏據進行線程解析。家庭網關發送出來的數據信息多為智能家電設備運行狀態的信息，通信協議對數據進行解析與格式轉換以后，把信息發送到數據庫。如果服務端軟件獲取到客戶端請求并啟動線程解析，對控制類型進行識別與判斷，并對發送的命令進行及時響應再轉發至網關。如果請求解析或校驗沒有完成，將反饋信息提交到目的網關請求。

（三）預測模塊設計

智能家居系統應該與機器學習算法進行高度結合，對傳輸過來的數據信息進行分析與學習，通過向服務器發送命令請求并將客戶端狀態向用戶進行反饋。BP神經網絡預測模型具有較高的預測準確性和很短的預測時間，采用反向傳播算法對權值梯度進行計算，通過反向逐層對權值進行修改。算法包括數據前向計算、誤差反向修正，輸入至輸出方向通過神經網絡進行計算來確定輸出，輸出至輸入方向要對權值與偏置進行優化。BP算法是當前神經網絡中最為成熟的訓練方法，訓練完成以后可以得到誤差函數最小值，應用梯度下降法可以對權值和偏置的改進，可以使算法在進行數據擬合、預測和逼近等方面有著很好的適用性。

1.輸入輸出

通過傳感器對家居環境數據與狀態進行采集，擬合環境與設備數據作為網絡輸入數據，把相同時間的環境數據和電氣狀態進行整合，作為網絡模型的輸入，環境數據與設備數據隨機采集，可以建立起訓練樣本集，由于輸入數據存在著較差異，應該對數據歸一化處理。

2.整體流程

創建4層BP神經網絡，2個隱藏層設置15個神經元節點，隱藏層激勵函數可采用tansig函數，輸出層為用purelin函數。把輸入數據采取相同格式提供給網絡神經系統，通過2個隱藏層和輸出層，對數據進行加權求和再采用激勵函數進行處理，得到神經元輸出，求解不同網絡層權值和偏差并進行優化，對每個網絡層和修正量數據進行更新。建立的網絡預測模塊把網關數據庫內歷史數據進地歸化處理，對不同層神經網絡來訓練，這樣就可以得到最為理想的預測模型，再把預測模型進行封裝處理來作為API接口，把實時數據信息提交給預測模型即可得以數據，再封裝處理后傳輸給網關來對不同家電終端進行控制。

（四）客戶端設計

Anroid系統在國內手機和平板等終端應用得較為廣泛，Liunx為系統核心層，對硬件設備提供驅動，智能家居系統客戶端設計有登錄界面、設備控制界面、用戶管理界面，用戶信息實體類和設備信息實體類等具有數據信息支持作用。

四、結束語

綜上所述，對智能家居主要無線通信技術進行研究，根據智能家居網絡實際需求，要結合投資成本、復雜程度和應用場景等情況，把射頻通信技術用于信息傳輸，并對智能家居功能和性能需要進行深入分析，制定出智能家居總體設計方案，把系統軟件應用于網絡平臺，并對BP神經網絡模型進行研究，對歷史數據進行訓練，可以準確預測出用戶的行為，實現智能網關與用戶終端的雙向通信，系統通信效率高且有著較短的響應時間。

作者單位：劉成浩? ? 上海東冠通信建設有限公司

參? 考? 文? 獻

[1]劉笛，秦琪舒.對5G技術、霧計算與智能家居結合的研究[J].中國設備工程，2021（23）：39-40.

[2]李詩濛，李俊青，王斌，王飛躍.邁向“6S”智慧家居：智能科技與智慧生活[J].電器，2021（09）：46-51.

[3]於曉蘭.基于云服務器的物聯網智能家居通信控制系統研究[J].江蘇通信，2021，37（04）：46-48.

[4]馬琰.物聯網技術在現代智能家居中的運用探討[J].電子世界，2021（14）：3-4.

[5]王鳳姣.云計算技術在物聯網智能家居系統中的應用分析[J].信息記錄材料，2020，21（11）：228-229.

[6]崔寶秋，王斌，周玨嘉，陳虹雨.人工智能技術驅動下的新一代智能家居[J].人工智能，2020（05）：6-13.