基于BP神經網絡的智能家居系統建模與分析

戴玉寬，喻昕

南京工程學院，江蘇南京，211167

0 引言

智能家居目前還是一個較為新興的產業，雖然已經走過了概念普及的階段，但是由于發展緩慢的問題，各方面技術還不是很成熟。目前絕大多數的智能家居系統都是需要在移動電子設備上安裝相應的客戶端，人為地去設置和觸發，來做到“代替遙控”，并不能做到完全的“智能”。同時也有一些廠商為了營造噱頭，促進產品的銷量，在新品上濫用“智能”之名，不僅對消費者造成了一些誤導，也影響了整體智能家居產業的發展環境[1]。

因此，智能家居產業的發展，需要智能化水平的不斷提高，來減少人為的干預[2]。這就需要系統擁有自學習的能力，這里需要有大量的傳感器來發揮作用，同時也需要一個合理且好用的人工智能系統作為“主腦”來通過不同的家電，對整體家居環境進行智能化的控制。這樣才會給消費者帶來“智能”的感受。

研究旨在從人工智能控制系統的角度出發，通過使用BP神經網絡算法，對智能家居領域進行建模和分析，嘗試提升該領域的智能化程度。

1 智能家居BP神經網絡的模型設計

1.1 BP神經網絡基本原理

BP神經網絡是一種模擬人類大腦認識事物過程的一種網絡結構，由輸入層、隱藏層和輸入層三個層次的“神經元”組成[3]。

BP神經網絡算法由正向傳播、反向傳播以及權重更新三個過程組成。在正向傳播過程中，輸入信息從輸入層出發，經隱層單元處理后，傳至輸出層。每一層神經元的狀態變化，只會影響到下一層神經元的狀態。如果在輸出層沒有獲得期望輸出，則誤差信號被反轉，即沿著神經元的連接路徑返回，同時通過修改各層神經元之間的連接權重，使誤差信號達到最小。直到神經網絡輸出的誤差縮小到了設定的程度，或者訓練到了預先設定的學習次數為止[4]。

該模型把一組樣本輸入輸出的函數問題轉換為了一個非線性優化問題，并使用了優化技術中最為普遍的梯度下降法。由于該算法本身并不是研究要點，故不多贅述。

1.2 數據集的建立

1.2.1 相關變量模型的建立

智能家居的用戶數量眾多，不同用戶會做出各種不同的行為，為了簡化數學模型，研究需要將用戶在日常生活中的一系列環境變量進行數據化和預處理，模型在初始階段可以簡單地設立幾個不同的獨立項目，例如觀看電視節目、室內溫濕度調節、室內燈光模式、空調熱水器設置等。

系統采集的數據是通過布置在家庭環境中的，包括電器內和電器外的傳感器，經過分門別類的收集得到的。這些數據一方面反映了當前環境中客觀信息的變化，另一方面也反映了不同用戶之間行為習慣的差距。根據這些數據，系統可以在一定程度上推測出當前用戶所需的狀態，自動對相應的家居產品進行控制調節，從而做到減少用戶的操作量，解放用戶雙手的效果。

整體建模首先要做的就是對各個數據的預處理。在一開始缺乏實際數據的情況下，研究會使用一些模擬數據來訓練一個相對通用性的神經網絡，以獲得部分基礎的參數，這樣在后期用大量數據集進行訓練的時候就可以減少調參的步驟。首先考慮從某些特定的方面出發，例如空調溫控模式的調整、家里照明設備的自動開關等等，來進行基本的建模和訓練。

經過簡短的頭腦風暴之后，我總結了一些可能性的輸入層參數，以空調系統為例，系統需要獲取到當前房間各個位置的溫濕度、室外的溫濕度、當前的季節、房間內是否有人等。其中部分客觀數據不需要納入考慮，例如日期和時間。日期的學習周期太長，且日期與日期之間很難產生一些具體的共通性作為實際的參考，因此用日期作為參量來訓練沒有太大意義；而系統自身的狀態原本就是跟隨時間的變化而變化，因此把時間再作為參數納入訓練的話，是沒有必要的。

接下來就是用于訓練時效果反饋的輸出層參數，這些參數會作為當前神經網絡訓練預測值的參考，來促使神經元的參數進行調整。輸出層的值同時關乎到之后各類家居系統的控制，這里同樣還是以空調系統為例，當前的系統要納入考慮的就是空調的溫度和風速、空調的運轉模式，以及掃風模式等等。這樣就完成了原始變量模型的建立。

1.2.2 激活函數

由于神經網絡需要有能夠近似于任何非線性函數的能力，因此需要使用一個激活函數來加入非線性因子。BP神經網絡常用Sigmoid函數或線性函數來作為激活函數，訓練所用的數據需要把整個實數域的范圍映射到（0,1）區間內，因此采用Log-Sigmoid函數，如下式：

其中e為自然對數，x為實際的測量值，f(x)為參與神經網絡訓練的輸入值。由于Sigmoid函數也是可微的，所以也就能夠使用最速下降法來優化各權值，使神經網絡能夠進行較為高效的迭代學習收斂[5]。

1.2.3 不可量化數據的處理

對于不可量化的數據，經過一些研究和思考，本文提出了幾種映射方案，其中比較典型的是以下兩種：

（1）用所有狀態對（0,1）區間做一個均分，例如空調有制冷、制熱、除濕、換氣四種模式，均分后對應分別轉換為0.0001、0.3333、0.6666、0.9999，這些數據用于輸入。經過模擬推測輸出的數據則會就近轉換到四種模式上。

（2）考慮到空調模式和當前的季節有著密切的關系，由此其實不需要運用到BP網絡預測，直接根據夏季制冷、冬季制熱的常識來實現模式調節。

對第一種模式進行了仔細研究并結合實際合理推測之后，判定該映射方式不合理。理由是空調的運轉模式有著一段時間內的高度趨同性，且邏輯較為簡單，因此不適合用歷史數據來訓練，否則會出現夏天訓練的模型經過秋天之后，在冬天一開始會偏向制冷，反之冬天訓練的模型在夏天會偏向制熱這種情況。因此針對這個數據選擇第二種模式，也就是直接通過常規邏輯，將數據和其他客觀參數直接掛鉤的方式。

訓練過程中每一個不可量化數據都需要進行逐個的考量，這樣大部分數據都確立下了一種對應模式。另外考慮到由于不同家居電器的模式和參數類型大體都不一樣，例如空調和電視，由此將不同設備的神經網絡分開訓練。

這里可以使用一個例子來說明客觀條件轉化到數據的邏輯，假設用戶3月4日星期六16點20分開啟了編號為2的空調，制冷模式，溫度為26℃，此時室溫有3個測量點，分別為28℃，27℃和28℃，紅外傳感器探測到房間內有人。下面按照之前規定的邏輯把這些數據一一歸一化。

首先是前面的日期和時間，按照規定不進行轉化；編號為2，用于判定具體使用的模型；制冷模式和季節直接相關，也不會納入BP神經網絡的訓練，因此神經網絡的輸出端訓練數據僅有一個設定的目標溫度，而輸入數據則包括了房間內的三個室溫測量點，其中紅外傳感器作為一項不可量化的數據，其目的是做到感應式控制，在檢測到房間內一段時間沒有人之后，系統可以根據用戶的設置，自動關閉空調或者調高空調的溫度，以達到減少能源浪費的效果。

這樣就轉化成功了一組樣本數據，待研究已經獲取到足夠多組的數據的時候，就可以把這些樣本數據作為訓練的數據集，輸入到BP神經網絡模型中進行訓練，其中一部分數據可以作為期望輸出值來進行誤差分析，來對當前的神經網絡的精度做出評估。這樣就可以建立起較為合理的數據集了。

1.3 神經網絡結構的設計

神經網絡結構的設計包括網絡層數的設計和各層包括的神經元數目的選取兩個方面。一個BP神經網絡一定具有一個輸入層和一個輸出層，其中輸入層和輸出層節點的個數是由實際問題本身決定的，因此，網絡結構的設計重點與難點在于隱層結構的設計，即隱層的數量以及各隱層中神經元的數量。

隱層結構在很大程度上決定著BP網絡的訓練速度和泛化能力。對于隱層的層數，理論上已經證明，只要隱層神經元的數目足夠多，三層BP神經網絡就能夠模擬任意復雜度的非線性映射[6]。因此，一般采用一個隱層的BP神經網絡即可。對于隱層神經元數目的選擇，我們采用一般的估算方法，估算公式如下：

其中l為隱層神經元數目，n為輸入層神經元數目，m為輸出層神經元數目，β為1~10之間的常數，此處經過實驗設計，隱層神經元數目為10時效果最好。學習速率η的選擇比較重要，η值越大，權值的變化就越大，學習的收斂速度也就越快，但η值過大容易引起振蕩，即導致網絡不穩定；較小的η值可以避免網絡的振蕩，但收斂速度慢。通常，需要調整η值使網絡中各神經元的學習速度差不多，η的取值范圍一般為0.01~0.4。

研究對不同η值分別做了測試：使用相同的模擬數據，在BP神經網絡中各做了500次的迭代，記錄數據，計算誤差值，并用Excel制作了趨勢更為明顯的對數曲線坐標圖，結果如圖1所示。

從圖1可以看出，學習速率為0.01或0.05時，神經網絡的收斂速度較慢，對于實際所需的智能家居設備，若是要獲得較為精確的結果，其較低的算力很難滿足所需的訓練次數。而在學習速率為0.4時，神經網絡的波動顯得過大，特別是在圖上訓練次數達到320次左右的時候，預測結果產生了超過20倍的誤差波動，因此盡管神經網絡的收斂速度很快，但是結果不夠穩定，很容易返回錯誤的參數，這樣就有可能導致家居系統的異常控制。因此綜上來看，學習速率為0.2時，神經網絡能夠兼顧收斂速度和穩定性，是較為理想的一個參數。

至此，BP神經網絡模型的設計基本已經完成，隨后需要對該模型做出測試。

2 智能家居BP神經網絡的數據測試

研究以Java語言為基礎，完成了所有的BP神經網絡構建、訓練以及測試。計算機處理器型號為Intel(R) Core(TM) i7-9750H@2.60GHz，安裝內存為16G。

為驗證算法的精度和穩定性，研究選擇了2種不同家居產品的數據進行訓練和測試，具體數據集來自Kaggle平臺上的一個智能家居訓練開源數據集[7]。設定的訓練的對象分別為空調和電燈，其中空調輸入數據為房間內不同地點的幾個溫度信息，輸出為空調的設定溫度，是一個范圍為[16,30]的整數。電燈輸入數據為環境下幾個位置的亮度信息和聲音信息，輸出數據為開或關，值為1或0。上述兩個對象分別代表了不同類型的訓練數據：一個是兩極化的0或者1，另一個則是具有一定范圍的整數。

模型訓練完畢之后，針對每個神經網絡又分別選取了15組新數據來進行結果測試，以判斷神經網絡模型的精確度是否能夠滿足日常家居生活當中的智能化需求。

結果如圖2所示，從圖中可以看出目前的BP神經網絡在理想情況下，善于處理結果種類較少的情況，例如對于電燈測試中的二元結果，其能夠達到極高的預測準確率，而在空調測試中，雖然整體趨勢沒有問題，但在偏差較大的時候能夠達到±2~3℃，精度稍有欠缺。

3 BP神經網絡的優化

由于傳統的BP神經網絡存在易于陷入局部最小值、收斂速度較慢、易引起震蕩等缺陷，此處考慮引入尋優能力較強的遺傳模擬退火算法[8]來優化BP神經網絡。由于優化算法本身并不是本次研究的重點，此處僅介紹一下步驟。

首先要建立初始種群，這里可以使用實數編碼的方式。

隨后要建立一個合適的適應度函數，這里建立了如下的函數：

其中yout為BP神經網絡的預測輸出，y為目標輸出。

隨后要經過二元選擇、實數交叉、非均勻變異這三項操作來生成新的種群，通過“退火”將適應度較高的個體保留，就這樣依次進行下去，直到模型收斂，最后將收斂之后的解傳遞給BP神經網絡的權值和閾值，得到的模型誤差會更小，由此提高了預測的精度[9]。

隨后對優化之后的算法進行了同樣的空調測試來觀察效果。

從圖3我們可以看出，通過GSA-BP優化之后的算法效果最好，所推測出的值可以極大程度地接近真實值，在數據理想化的情況下，其精度完全可以滿足實際需求。

4 結語

為了提高當前智能家居系統的智能化程度，提出一種BP神經網絡優化的智能家居控制系統，提供控制系統自學習與自適應的能力。

（1）對家居設備進行參數的歸納，將傳感器等客觀數據視為輸入數據，控制參數視為輸出數據，得到基本模型。

（2）利用上述數據構成訓練用的數據集來訓練BP神經網絡，測試結果說明，訓練的神經網絡對于輸出范圍較小的情況，能夠達到很高的精度，而在輸出范圍較大，結果較復雜的時候，則會存在一定的誤差。

（3）在加入模擬退火算法來優化之后，神經網絡成功地達到了較高的精度，基本能夠滿足智能家居控制的需求。