论文部分内容阅读
摘 要：目前物联网的普及越来越热，智能家居已经真正走向千家万户。本文的研究方向为通过对用户的行为习惯数据化并记录，结合当前热门课题机器学习，以相应算法对数据进行处理，实现系统自学习以适应用户的生活习惯，进一步实现家居安防系统的智能化。
关键词：智能家居；机器学习；Android开发；Linux编程；Boa数据库；C语言
背景分析：
国内的安防产业起步较晚，近年来，国内的家居安防发展逐渐火热，住宅智能化正在从大厦走进家庭，智能家居安防也开始走进人们的视线。国内对家居安防的实现主要体现在视频监控，但是目前这些产品结构过于单一，缺乏多样性和创新性，几乎没有一个能够提供完整的智能安防解决方案，而且成本普遍偏高，家庭安防难以得到普遍推广，从而也就导致国内家居安防发展缓慢的境况。
研究目标：
本项目旨在开发一套为用户家居生活提供安全便捷的涵盖Web端、手机端的智能家居安防系统，具备操作简单、实用性强、功能扩展容易和用户体验良好的基本特性。整合多种传感器数据并利用机器学习算法达到智能安防的效果。通过大量的用户使用，提供更多的扩展性功能和个性化功能。系统将会与终端硬件厂商合作开发出更加多元创新的、实用的智能安防系统，力争在为智能家居的普及做出贡献的同时得到真正的实际使用。
研究路线：
1、通过科学的市场调查，挖掘本项目要解决的需求，即紧紧抓住智能安防中智能的需求。
2、确定需求，研究解决需求方案。
3、方案成型，将需求解决方案基于Linux+Android实现，设计出一个为用户提供可靠的家居电气管理和家居智能安防的解决方案，同时系统整合现有家居平台优势并且提供更多元的数据反馈与终端控制方式，最终实现智能控制和自主及人性化的智能安防。
4、产品测试，推广，维持，迭代开发，保持良好的用户体验，解决实际问题。
技术采用：
本项目使用模块化设计，便于设计与编程、分工合作，并且便于调试、移植及改进。本项目在S5PV210开发板上移植Linux+QT4.8，底层模块使用C语言编程通过底层硬件：单片机、摄像头、多种传感器等获取基础数据，数据分析模块主要利用K-means和SVM两种相关机器学习算法，机器学习是对能通过经验自动改进的计算机算法的研究。机器学习算法使用Python3.4.3编程验证，因为Python的语法清晰、易于操作纯文本文件、使用广泛且存在大量的开发文档。App模块采用React Native框架搭建App应用，其开发效率高，且可跨平台，一次开发，可分别打包Android和Ios应用，减少开发代价。
前景及意义：
智能家居的发展随着物联网的普及逐渐火热，而利用物联网和机器学习的强大计算能力及服務能力，可以为每个用户提供差异化的服务，提升个人用户的安全感，切实满足人们日益增长的服务需求。以家庭安防为例，当检测到家庭中没有人员时，家庭安防摄像机可自动进入布防模式，有异常时给予闯入人员声音警告，并远程通知家庭用户。而当家庭成员回家后，又能自动撤防，保护用户隐私。夜间，通过一定时间的自学习，掌握家庭成员的作息规律，在用户休息时启动布防，确保夜间安全，省去人工布防的烦恼，真正实现人性化。
依靠传统的安防措施，已经不能最大限度的保证用户的人身及财产安全，需要依靠科技的进步，来提高生活及安防质量，智能家居在安防上的科研及设计出的设备，使得用户不管在何时何地，都能够及时有效地、精准地获取信息，保障用户的安全舒适的家居生活。
本设计功能实用，可跨平台，创新性强，功能全面并且着重实现了机器学习在家居安防中的使用，具有非常长远的现实意义和实用价值。
总结：
项目的创新在于整合现有平台优点，以机器学习用户行为为创新点，构成一个完整的智能安防家居系统，不仅能够实现对家居环境的实时监控，而且还能拥有对家居主要出入口的检测实现自主化防护，并能够自主分析安防状态。利用物联网思想实现家居安防的网络化，通过机器学习算法自学习用户的行为习惯从而自动选择执行不同的模式实时保护用户与家居环境。同时平台具有较好的可移植性，可直接扩展更多硬件及机器学习成果实现更好的家居管理和家居安防效果。
参考文献
[1]王真星.嵌入式产品分析与设计[M].北京：电子工业出版社，2013.
[2]刘龙，张翠云，申华.嵌入式Linux软硬件开发详解.北京：人民邮电出版社，2015.
[3]沙伊·沙莱夫-施瓦茨.深入理解机器学习：从原理到算法[M].北京：机械工业出版社，2016.
关键词：智能家居；机器学习；Android开发；Linux编程；Boa数据库；C语言
背景分析：
国内的安防产业起步较晚，近年来，国内的家居安防发展逐渐火热，住宅智能化正在从大厦走进家庭，智能家居安防也开始走进人们的视线。国内对家居安防的实现主要体现在视频监控，但是目前这些产品结构过于单一，缺乏多样性和创新性，几乎没有一个能够提供完整的智能安防解决方案，而且成本普遍偏高，家庭安防难以得到普遍推广，从而也就导致国内家居安防发展缓慢的境况。
研究目标：
本项目旨在开发一套为用户家居生活提供安全便捷的涵盖Web端、手机端的智能家居安防系统，具备操作简单、实用性强、功能扩展容易和用户体验良好的基本特性。整合多种传感器数据并利用机器学习算法达到智能安防的效果。通过大量的用户使用，提供更多的扩展性功能和个性化功能。系统将会与终端硬件厂商合作开发出更加多元创新的、实用的智能安防系统，力争在为智能家居的普及做出贡献的同时得到真正的实际使用。
研究路线：
1、通过科学的市场调查，挖掘本项目要解决的需求，即紧紧抓住智能安防中智能的需求。
2、确定需求，研究解决需求方案。
3、方案成型，将需求解决方案基于Linux+Android实现，设计出一个为用户提供可靠的家居电气管理和家居智能安防的解决方案，同时系统整合现有家居平台优势并且提供更多元的数据反馈与终端控制方式，最终实现智能控制和自主及人性化的智能安防。
4、产品测试，推广，维持，迭代开发，保持良好的用户体验，解决实际问题。
技术采用：
本项目使用模块化设计，便于设计与编程、分工合作，并且便于调试、移植及改进。本项目在S5PV210开发板上移植Linux+QT4.8，底层模块使用C语言编程通过底层硬件：单片机、摄像头、多种传感器等获取基础数据，数据分析模块主要利用K-means和SVM两种相关机器学习算法，机器学习是对能通过经验自动改进的计算机算法的研究。机器学习算法使用Python3.4.3编程验证，因为Python的语法清晰、易于操作纯文本文件、使用广泛且存在大量的开发文档。App模块采用React Native框架搭建App应用，其开发效率高，且可跨平台，一次开发，可分别打包Android和Ios应用，减少开发代价。
前景及意义：
智能家居的发展随着物联网的普及逐渐火热，而利用物联网和机器学习的强大计算能力及服務能力，可以为每个用户提供差异化的服务，提升个人用户的安全感，切实满足人们日益增长的服务需求。以家庭安防为例，当检测到家庭中没有人员时，家庭安防摄像机可自动进入布防模式，有异常时给予闯入人员声音警告，并远程通知家庭用户。而当家庭成员回家后，又能自动撤防，保护用户隐私。夜间，通过一定时间的自学习，掌握家庭成员的作息规律，在用户休息时启动布防，确保夜间安全，省去人工布防的烦恼，真正实现人性化。
依靠传统的安防措施，已经不能最大限度的保证用户的人身及财产安全，需要依靠科技的进步，来提高生活及安防质量，智能家居在安防上的科研及设计出的设备，使得用户不管在何时何地，都能够及时有效地、精准地获取信息，保障用户的安全舒适的家居生活。
本设计功能实用，可跨平台，创新性强，功能全面并且着重实现了机器学习在家居安防中的使用，具有非常长远的现实意义和实用价值。
总结：
项目的创新在于整合现有平台优点，以机器学习用户行为为创新点，构成一个完整的智能安防家居系统，不仅能够实现对家居环境的实时监控，而且还能拥有对家居主要出入口的检测实现自主化防护，并能够自主分析安防状态。利用物联网思想实现家居安防的网络化，通过机器学习算法自学习用户的行为习惯从而自动选择执行不同的模式实时保护用户与家居环境。同时平台具有较好的可移植性，可直接扩展更多硬件及机器学习成果实现更好的家居管理和家居安防效果。
参考文献
[1]王真星.嵌入式产品分析与设计[M].北京：电子工业出版社，2013.
[2]刘龙，张翠云，申华.嵌入式Linux软硬件开发详解.北京：人民邮电出版社，2015.
[3]沙伊·沙莱夫-施瓦茨.深入理解机器学习：从原理到算法[M].北京：机械工业出版社，2016.