第 1 章 绪 论。
1.1 研究背景及意义。
智能家居这个想法的起源已经无从考查，但是在 1984 年，美国联合科技公司（United Technologies Building System）设计并建造了首栋"智能型建筑",由此开始，全球都在研究智能家居这个命题[1].但是受限于当时的科技水平，智能家居一直止步于一个研究项目。
智能家居（Smart Home）是指通过在家庭中布置各种传感器和控制设备，赋予居家设备联网的能力，实时地监视家庭中各种环境情况以及远程操控家用电器，使得整个家庭环境设施变得智能化，包括但不限于安全防控，环境监测，远程操控等方面，人们可以更方便更详细地了解和控制家庭中环境和设备。由此在能得到更舒适的居住环境的同时还能保证居家环境安全。
随着电子设备的集成度越来越高和智能手机的普及，智能家居逐渐出现爆发的势头，各大公司都开始占领客厅，苹果，三星，索尼都推出了自己的智能电视，飞利浦推出了智能电灯，智能插座，三星甚至推出了智能冰箱，各种设备不断出现并更新迭代，传统的电器也开始有了计算能力，智能家居的概念又再次浮上水面，而且可行性越来越高，智能家居正变得炙手可热，成为发展的热点。
智能家居研究的目标是为人们提供一个智能的，安全的，高效率的，个性化的居家环境，目前的智能家居普遍设计理念是提供一个拥有接入网络能力的设备，并开发相应的手机端或网页端的配套软件，以提供远程控制的能力，这样虽然给予了用户远程查看和修改家居设备状态的能力，但是这仅仅做到了远程控制，并不够自动化，不够智能，智能化方面，我们想像中的智能家居应该是在劳作一整天后，回到家中时，家里的空调已提前开启并设置好；当家里亮度过低时，灯自动地打开；在家中看电影时，房间的窗帘自动关闭，灯光自动变暗等，而不是在我们发现需要进行操作时，拿出手机，运行相应程序，找到对应开关，再去控制相应设备。安全方面，我们希望的智能家居应该是自动分析监控画面，或红外监测设备，当发现非法入侵时，自动报警，并联动家中其它设备保护家居安全，如锁上家中房门；当发现家中温度，湿度，可燃气数据变化出现异常时，自动提示并调控相应设备如打开窗户通风等进行应急处理。
机器学习的普及让以上的可能性变得更大，智能家居作为二十四小时运行的系统，每天都会产生大量数据，各个时刻的传感器数据，各个用电器的状态数据，用户的操作数据，而以前这些数据仅仅是在生成后写入到数据库中，成为历史数据[2].数据挖掘，是机器学习的一个分支，一般指机器从大量的数据中自动地进行搜索，分析，找到数据中的特殊关系性，监督式学习，是机器学习中的一个方法，一般指从训练数据中找到训练数据与结果的一种关系或模式，并通过得到的模式对新输入的数据进行一个新的推测，人工神经网络是监督式学习的一种运算模型，是通过模仿生物的神经网络结构设计出的计算模型，由大量的人工神经元互相连接到一起进行运算，通过输入多维数据运算得到目标输出。通过对历史数据进行一个挖掘，分析，学习，我们可以为每个不同的用户模拟出用户特有计算模型，通过历史数据和数据来源的增加，我们可以预期智能家居系统为每个家庭提供一个个性化，高效智能的家居系统。
目前，智能家居虽然只是一个发展势头，还没有真正意义的走出实验室，进入普通家庭中，但是可以看到各大厂家已经在这方面发力，推陈出新，在可以预见的未来，智能家居必须会成为像智能手机一样，家家必备的系统，而现在出现的许多传统厂商与互联网公司合作的案例，显然展示出家居厂商也希望能够结合机器学习的能力，让自己的设备更智能。
由此可见，在飞速发展的信息技术，网络技术浪潮中，家居的智能化是必然的方向之一。
1.2 国内外研究现状。
早在 20 世纪 80 年代，一些欧美国家对智能家居方面的研究就已经开始了，美国，德国，加拿大，日本等国家都推出了自主设计的智能家居方案，而且在一些家庭中进行推广试用。到目前为止，这些发达国家都已经推出了许多智能家居系统或者设备，如美国的 X-10,通过使用电力载波实现交互通信，从而实现对家用电器的操控，至今还有许多公司在销售 X-10 公司的产品；Honeywell 所设计的户内安防系统，户内设备控制系统；被 Google 以 32 亿美元收购的 Nest Labs所生产的恒温器，烟雾探测器等，是新兴的，常见的智能家居设备；Apple 推出的HomeKit,Google凭借Android构建OHA联盟都试图建立一个智能家居平台；德国的 EIB 系统，但是工程要求比较苛刻，成本较高；新加坡政府推广的智慧城市规划，通过连接，收集和理解三个核心建立系统，于 2015 年完成连接和收集任务，预期在 2025 年完成智慧国家计划，完成理解部分，也就是对系统加入机器学习。
相对来说，在我们国家，智能家居在研究开始得相对比较晚，但是得益于高速发展的信息技术和政府政策的支持，我国智能家居的发展速度很快[3],在最新的"互联网+"行动计划中明确提出要发展大数据与物联网，各高校和企业也更加关注和重视智能家居的研究。而国内的企业都已经在推广自己的智能家居项目：
1. 腾讯发布的 QQ 物联开放平台，与 Intel,TI 等国外智能硬件厂商合作，以腾讯公司在社交网络的体系及关系链为中心，并结合腾讯大数据和推荐算法等，实现智能家居开放平台。
2. 小米公司所开发的智能家居项目，通过手机为中心，不断增加相关家居产品，使用 Wi-Fi 进行连接通信，并提供平台供其它厂家接入使用，试图建立国内开放，不排他，不独家的智能家居生态体系。
3. 海尔 U-home 计划，凭借海尔公司多年传统电器生产经验，为电器加入联网能力，推出网络洗衣机，冰箱等设备，甚至与社区合作，提供智慧家庭解决方案。
智能家居已经日益成为人们关注的热点，无论是国内还是国际上，各公司都在努力设计并推出属于自己的智能家居设备，而且智能家居企业都有着机器学习背景或者积极与有机器学习背景的企业进行合作。
如今机器学习已经被广泛应用于图像识别，语音和手写识别，DNA 测序，自然语言处理等领域，机器学习也是谷歌，苹果，微软等公司的主要研究方向，对机器学习的研究已经成功让他们把智能助手投入市面，大幅度提高语音识别的准确率，设计并研发出无人驾驶汽车，而如今他们都把智能家居作为自己的一个主要方向。在研究领域，也有使用神经网络进行火灾预警的先例[4].
可以预见，智能家居与机器学习相结合会是接下来的一个研究热点，并且在不远的将来就会有许多结合机器学习的智能家居系统投入市面，开始向商用普及。
1.3 本文工作简介。
本设计通过结合现有实验室内部智能家居项目，设计并实现了模块化智能家居系统[5].系统使用 Python 进行开发，可以很好地移植到各平台，通过使用 Gevent,使系统可以使用协程并发地运行，核心部分使用 Google 最新开源的第二代人工智能学习系统 TensorFlow 实现对数据的训练和学习。通过使用模块化设计，可以很方便地对系统的各个模块进行修改更新。
其中，考虑到需要对多个节点进行训练学习，而且有诸多的数据读取和网络交互任务，使用任务管理模块管理各个节点，使系统可以对节点进行高效并发的训练安排。对于各个学习任务，按照数据流，把系统分为以下三个模块：数据管理模块，从数据库中读取训练和预测数据，把得到的训练数据分为三个集合：训练集，用于训练机器学习模型，交叉验证集，用于防止拟合，测试数据集，用于测试模型对没有见过的数据的准确度；预测模块，在得到数据以后，使用 ReLU作为激活函数对数据使用前反馈神经网络进行（FNN）训练，然后通过 softmax处理输出结果得到结果向量，最后使用得到的模型对预测数据进行预测得到预测结果；网络通信模块，由于智能家居系统一般都存在服务器，所以通过使用网络通信模块与服务器完成通信任务，主要是获取节点列表和发送控制命令。
1.4 论文体系结构。
本文分析了国内外智能家居与机器学习现状后，结合现有智能家居系统任务需求，设计并实现了基于机器学习的智能家居系统，全文分为六个章节：
第一章：介绍了本文系统的研究背景及其意义，并通过分析国内外的研究现状和发展趋势进一步论证本文的意义。
第二章：详细分析了智能家居在当前的研究现状，并对智能家居的发展趋势进行合理预测，最后结合市面上的智能家居系统和现有智能家居项目系统对机器学习系统进行需求分析。
第三章：详细介绍了机器学习的相关知识，并对机器学习系统要用到的神经网络知识和 Google TensorFlow 进行深入讲解，对系统用到的核心算法和理论进行讲解叙述。
第四章：在前文对居家家居和机器学习叙述的基础上，详细对整个系统架构和模块化设计进行一个讲解，并以数据流的方式对系统的任务管理，数据管理，预测，网络通信模块，四个模块进行详细分析讲解。并通过使用开源数据对系统进行测试，最后根据测试结果进行分析总结。
第五章：总结了本文工作的优点和不足，对智能家居与机器学习的前景提出展望。
