英语原文共 7 页
基于自主无线传感器的智能家居的设计与实现
Christopher Osiegbu, Seifemichael B. Amsalu, Fatemeh Afghah, Daniel Limbrick and Abdollah Homaifar
ECE Dept, North Carolina Aamp;T State University, Greensboro, NC, 27411.
{ceosiegb, samsalu}@aggies.ncat.edu, {fafghah, dblimbri, homaifar}@ncat.edu
摘要：智能家居因以它灵活的方式融入日常生活而受到广泛的关注。这下一代的绿色家居系统，将各种家用电器、智能传感器和无线通信技术透明地融合在一起，在传感器及有源传感网络和执行器组件的支撑下，它可以集成多种物理传感信息，控制各种家用消费设备。虽然智能家居因其节能性和更好的生活效益而越来越受欢迎，但目前还没有针对智能家居的标准化进行设计，本文通过设计和实现一个基于历史数据、能对家庭状态进行分类和预测的智能家居系统提出了一个概念。我们建立了一个无线传感器网络，收集了几个月的数据，通过使用机器学习监督技术，我们能够建立模式，并将获得的信息作为控制系统算法中的一个关键部分，从而提高家庭的智能。我们创建了一个能够在最少人力监督的情况下运行的系统，这使得我们的系统成为高级护理场景的资产，且此系统也符合业主的安全。
关键词：智能家居，Digi Mesh，机器学习监督，无线传感器网络
1介绍
智能家居是一个常用的术语，用来描述一个拥有能够相互通信的设备的家庭，这些设备可以由用户远程控制[1]。 智能家居的主要目标是提高住宅居民的舒适度、节能性和安全性。在老年护理方面，智能家居是一笔宝贵的财富。2010年，全球老年人口（65岁及以上）为4.7亿，到2025年，预计将达到8.2亿[2]。这会对我们社会的各个方面产生影响，包括商业、医疗、政策和技术等。随着人口老龄化的持续增长，对家庭护理和住宅护理设施的需求也在增长，这是智能家居的有利市场。根据Genworth 2012年在美国进行的一项调查，辅助生活、半私人和私人养老院每年的费用分别高达32568美元、65160美元和73800美元。预计老年人口的增长将导致更大的需求，因此成本只能增加。除了节约成本外，智能家居还能促进独立生活和社会互动。
美国能源部表示，2012年，人均能源支出为3052美元。这种成本可以通过配备运动、眩光和亮度传感器的智能家居来降低，不断为执行系统提供数据，从而实现态势感知。智能家居可以根据用户的需求，提供无穷无尽的安全解决方案，常见的解决方案通常强调入侵警报和气体检测。
尽管如此，智能家居的长期采用和商业化仍受到可靠性、实现成本、标准化和安全性等问题的阻碍。智能家居需要可靠性，这样当用户对其服务产生依赖时才不会出现故障，如在向医院传输实时患者信息的家庭中，系统故障可能导致误诊。智能家居的标准化将降低实施成本。由于数据挖掘是智能家居学习过程中不可或缺的一部分，因此数据安全也非常重要。数据收集是每个智能家居成功实施的基础，但即使有可靠的数据收集，我们如何最好地利用这些数据呢？最近提出了几种基于机器学习的算法，用于研究智能家居中居民的日常行为，并用于预测未来的状态[4-7]。如前所述，使用这些方法可以提高智能家居的可靠性和自主性。目前的解决方案适用于永久居民，并将在该制度实施一段时间后生效，但它们并不适合居民经常变动的商业大厦。
我们提出的设计模型可以模拟在特定空间中发生的活动，而不考虑特定用户的例程或日程安排。例如，在卧室里睡觉、读书、梳洗、上厕所和娱乐等，这些都是智能家居能识别的活动。将这些活动映射到执行系统将产生智能反应。本文实现了一种基于无线传感器网络(WSN)的智能家居。考虑到无线传感器网络的优点，如准确性、可扩展性、成本以及未来应用升级的可能性，我们在一居室公寓中安装了一个WSN来收集数据[8-11]。通过对实时WSN数据进行分类，作为预测模型的输入，提示系统进行再培训，从而学习新的环境。这个预测特性也促进了我们的模型在商业应用中的应用。
2相关工作
在本节中，我们将简要概述有关智能家居实施的现有文献。在[12]中，研究了不同节点规模和负载的WSN网络拓扑结构在智能家居环境中的性能。一个小规模节点与轻负载的确认(ACK)是禁用的，适合星形拓扑，当负载和节点较大时，网格拓扑更有效。
Byun等人[13]提出了一种基于ZigBee的智能自调整传感器(ZiSAS)设计，该设计可以根据环境情况自主地对中间设备、网络拓扑结构、传感器密度和传感速率进行重新配置。实质上，传感器的自调整特性在被感知的信息是重复的情况下，既可节省能量，又可节省带宽。
智能家居应用中使用了不同的机器学习算法，Roy等人[4]利用信息论，提出了一个渐进均分特性框架来预测居民路径。利用路径预测实现设备控制的自动化，并主动为居民最可能的位置和路径沿线的移动多媒体应用预留电能或有限的无线带宽等资源。
在[5]中，采用基于深度学习框架的动态贝叶斯网络——人工神经网络(DBN-ANN)和动态贝叶斯网络——强化学习(DBN-R)两种预测算法来预测家庭中的各种活动。利用家庭活动数据集，将这些算法与现有的SVM（排序支持向量机）和k-均值等方法进行了比较，从而提高了新激活传感器的预测精度。在[6]中引入了序列增强发现序列预测(SPEED)，SPEED是序列预测算法的一种变体，它适用于已提取家用电器开关状态的智能家居事件集，一个事件被定义为一组连续的用户活动，这些活动周期性地在家中发生。对提取的片段进行处理，并按照有限阶Markov（马尔可夫模型）进行排列，采用基于PPM（部分匹配算法）的预测方法，从历史数据中预测下一个活动。
Youngblood等人在[7]中提出了一种基于数据驱动的方法，用于建立智能环境下居民活动和学习决策策略的层次模型。他们设计了ProPHeT决策学习算法，该算法学习了一种基于传感器观测、电力线控制和生成的层次模型的智能环境控制策略，并利用从智能家居和办公环境中收集的数据对算法的性能进行了评估。
本节大部分的相关工作都是研究智能家居中的人类行为，并将研究结果用于预测智能家居中的活动。这些预测大多基于频率，因此这些模型适用于日程安排严格的常住居民。然而，这些模型并不能提供可靠的解决方案来解决居民自发居住或频繁更换居住者(如酒店客人)的问题。为此，我们从不同的角度研究了智能家居学习问题。这个观点将在第三节中详细描述。
3系统设计
智能家居拥有更好的生活、安全和能源效率的前景，但由于缺乏标准化，目前还没有一个全球性的智能家居通用设计。智能家居的设置可以很简单，比如当传感器感知到存在时打开灯，也可以很先进，比如利用用户身份、环境条件和过去的偏好作为控制决策的参数。一个典型的智能家居架构如图1所示。
图1 智能家居结构图
该体系结构由传感器、通信系统、执行器、用户界面和数据处理与决策模块组成。本文主要研究传感器、通信系统和数据处理与决策模块。我们设计并实现了一个基于WSN的智能家居，利用收集到的数据对家居状态进行分类。该模型包含两个数据源：历史数据库和WSN持续实时收集信息，如图2所示。
图2 智能家居系统流程图
在图2中，数据源于历史数据库，使用支持向量机(SVM)训练分类和预测模型。SVM是一种在模式识别任务中学习分离函数的方法。SVM的主要思想是将训练数据用超平面分割成两个类，使它们之间的边际最大化[14-15]。在该系统中，实时分类状态总是与预测状态进行比较，如果两种状态匹配，输出就被发送到执行系统。如果它们与实时状态不匹配，就会被发送到执行系统，将这种差异称为异常。当WSN在t =tau;不断的产生先于无法分类的分类模型, 数据集不能被定义为异常，因此，它被发送回数据库，以便重新培训分类模型(折线)。例如，如果房间中的WSN在下午3:15产生数据。数据的上下文提示类“sleeping”，并且预测的状态是“resident away”。 智能家居将为睡眠中的居民执行一些操作，比如锁门和关掉电视机。然而，如果一个房间被重新利用，并且连续几天产生高温数据，就像蒸汽房一样，这不再被认为是一种异常现象。因此，数据将被发送回数据库进行再培训，因此这种情况可以被分类为home状态之一。在后面的章节中，我们将详细讨论系统的构建块。
4测试平台
在本节中，详细描述了我们基于WSN的智能家居测试台中使用的硬件设备和通信协议。我们需要传感器节点和一个中央接收器节点。为此，我们分别利用了Waspmote and Meshlium。这些装置由Libelium[16]制成。
- Waspmote: Waspmote配有Xbee无线电收发机、微处理器、电子电路和电池。Waspmote是一种可编程板，当它与传感器板和传感器接口时，可以从环境中收集数据，并将其传输到中心节点或其他Waspmote。Waspmote没有操作系统。它有一个引导加载程序，通过USB加载程序。编程是通过Waspmote pro集成开发环境(IDE)完成的。它的传感数据可以在2.4GHz、868MHz、900MHz频率下，通过ZigBee、802.15.4、DigiMesh、蓝牙、Wi-Fi和GPRS等多种协议进行传输。Waspmote结构如图3a所示。
- Meshlium: Meshlium是一个Linux路由器，包含6个不同的无线接口:Wi-Fi 2.4 GHz, Wi-Fi 5GHz, 3G/GPRS，蓝牙和RF (ZigBee, DigiMesh, 802.15.4)通信协议。配备相应收发模块的Waspmote可以通过上述协议与Meshlium通信。Meshlium的图片如图3b所示。
图3 A) Waspmote B) Meshlium
将所有节点放置在公寓内后，使用接收到的信号强度指示(RSSI)确保平均RSSI与接收机灵敏度之间的每个链接都有10 dB的裕度。这保护了链路免受不必要的、不可预测的衰落影响、干扰和移动障碍。
3)无线传感器网络设置：无线传感器网络中的节点需要进行逻辑安排，以达到最佳的性能。在我们的研究中，我们需要一个中心节点来存储所有的数据，因此星型拓扑是最适合的。然而，在更大规模的实现中，树拓扑将更适合，因为它具有可伸缩性，并且易于故障排除。
WSN可以通过ZigBee、蓝牙、Wi-Fi、GPRS等多种通信协议进行通信。协议的选择取决于要完成的任务。射频(RF)协议因其低数据速率和功耗而适合我们的目的。在我们的研究中，我们使用了2.4GHz的DigiMesh, DigiMesh是Digi开发的一种专有的RF协议，类似于ZigBee，建立在802.15.4之上。DigiMesh只提供一种节点类型，因此不存在父子关系。当没有事件发生时，所有节点都可以配置为休眠状态，这对于非常有利于节能。DigiMesh提供了不同的射频数据速率选项900 MHz (10,125, 150kbps)， 2.4 GHz (250kbps)。DigiMesh使用一层地址，即64位MAC地址。其简化的寻址方法改进了网络设置和故障排除。DigiMesh使用2.4 GHZ的直接序列扩频(DSSS)对抗干扰，可以发送256字节的有效负载，从而提高吞吐量。为了提高智能家居中传感器节点的能效，在节点源代码中嵌入睡眠定时器，实现节能。在充电的情况下，电池的状态和感知信息也可被发。
A：数据采集
在本节中，我们将详细介绍我们的数据收集机制。WSN安装在图4所示的一居室公寓中，图中的点表示传感器节点所在的区域，公寓里住着一位全职志愿者，该试验台安装了传感器，用于捕捉存在、门缝、压力和环境条件，如空气成分和光线强度。
图4 平面布置图和传感器
在图4中，有21个传感器节点和一个Meshlium。一居室配备13个PIR、1个温度、1个光度、1个压力、1种气体(氧气、一氧化碳、二氧化碳、湿度)和1个霍尔效应传感器。同时传输的所有节点都存在内部干扰问题。因此，采用XCTU软件对无线收发机进行配置，形成了清晰的信道评估协议。该协议在传输之前感知信道的能量。扫描每个通道指定的时间量会影响检测到的能量，因此在检测通道能量时，选择最小能量值是不够的，所以使用了一个更高的值。通常，一个自由通道的能量值在-84dBm左右，而一个已占用的通道的能量值在-37dBm左右。我们将自由通道的clear通道评估阈值配置为-44dBm。
6软件
A.数据分类
诉软件在本节中，我们将讨论数据分类。当面对大量的数据时，为了对数据进行分类，需要识别数据中的模式。有三种方法可以做到这一点。监督，半监督和非监督。监督分类(例如判别分析)是一种分类方法，其中输入模式被标识为预定义类的成员。无监督分类是一种分类方法，其中模式被分配到一个迄今未知的类[18]。半监督学习(SSL)介于监督分类和非监督分类之间，除了未标记的数据外，算法还提供了一些监督信息，但不一定适用于所有的例子，因此发现了新的模式。
与监督学习相比，使用无监督学习可以学习更大更复杂
资料编号：[4913]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
