BP 神经网络在智能家庭网关中的应用研究

孙文胜 ，陈宇洋

(杭州电子科技大学通信工程学院，杭州310018)

随着计算机网络技术和信息技术的日益进步，现今智能家居的“智能”应该表现在系统可以通过对用户的生活习惯进行学习和分析，对受控设备进行调整，以便更好的满足用户需求［1］。所以，随着处理器能力的不断增强以及集成技术的进步，以多功能的网关来实现控制终端与网关的融合，也将成为必然趋势［2］。本文以下采用基于BP 算法优化的模糊神经控制技术，构造了网关智能控制系统，并以室内空气质量分析为例，运用“LmNet FP 神经网络通用平台”软件进行了模拟仿真，输出室内空气质量等级。

1 智能家居

智能家居网络借助了现有的计算机网络技术，将家庭内各种家电和设备(如照明系统、环境控制、安防系统、网络家电)连接到一起，并通过外部网络为人们提供各种丰富、多样化、个性化、方便、舒适、安全和高效的服务。

家庭网关是整个智能家庭网络的核心，负责所有智能应用终端的控制和管理。而通过家庭网关也可以实现远程控制。例如，用户可以通过手机等便携智能设备进入家庭网关，以此来对家居系统中的各类受控设备进行状态查询和控制管理。

2 模糊神经网络

2.1 模糊神经网络综述

模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术。模糊辨识是一种不依赖于被辨识对象数学模型的仿人思维的辨识技术，它利用了该领域专家的先验知识进行近似推理。而神经网络的最大特点就是它的学习能力。在定义网络结构以后，它可以根据样本进行自学习、自我修正偏差，根据样本数据自行“总结规则”，并将规则隐含在其权值矩阵中。

运用基于模糊神经网络的家庭网关时，在模糊系统之前再加上一级神经网络，给不同的传感器赋予不同的权值，可以提高系统的适应能力，降低误报率。

2.2 神经网络和BP 算法

这里的神经网络采用BP 算法实现。本文运用的BP 算法的实现按下述步骤进行:

(1)初始化网络所有权值Wij，其中Wij为第i 个单元与第j 个单元的连接权值;

(2)给定训练数据集，即提供输入向量X 和期望输出Y;

(3)计算实际输出yj，其中yj为输出层中第j 个单元的输出

(4)计算网络输出误差;

(5)调整权值，按误差反向传播方向，从输出节点开始返回到隐层修正权值［7］，

式中η 为大于零的增益，δj为j 单元的误差，δj的计算根据j 单元的形式不同;

当使用冲量时，调整权值公式变为下式:

其中α 为动量因子，0＜α＜1。

(6)判断误差是否满足要求，若满足则转到(7)，否则返回第(3)步重复计算，直至误差满足要求为止。

(7)结束。

3 基于模糊神经网络的智能家庭网关

基于模糊神经网络技术的智能控制是智能网关的一个重要组成部分。经过神经网络BP 算法的计算、设置、调整权值之后，具体流程如图1 所示，将神经网络的输出接入到模糊系统。

图1 BP 算法流程图

再由已定义好规则的模糊系统对数据进行处理。最后智能网关利用IPv6 通信协议将经过模糊化的数据传输至家庭电器，以完成对各个设备的控制。家庭网关的智能控制流程图如图2 所示。

图2 网关智能控制流程图

4 模糊神经网络在家庭网络中的应用

在日常家庭生活中，人们通常在室内活动。一般来说，个人对室内的舒适程度的需求大致有以下几方面:室内温度、室内湿度、室内的空气清新度、室内光照强度。我们可以通过温度传感器、湿度传感器、二氧化碳浓度传感器、光敏传感器得到实时数据对室内的环境进行监控。将数据传至家庭网关，再由IPv6网关通过控制空调、加湿器、开关窗户、灯、换气扇、窗帘，来调节室内环境［3］。由于家庭网络内部所需控制家电设备非常多，所以本文只以室内空气质量分析为例，分析智能网关内部BP 神经网络部分，并使用2nsoft(埃恩科技)公司推出的“LmNet FP 神经网络通用平台”软件模拟BP 网络模型［4－5］，给出仿真结果。

4.1 样本数据准备

本系统以室内空气质量为例，构造了一个3 层BP 网络［6］，如图3 所示，输入节点为3 个，分别为甲醛含量，氨含量，以及TVOC 含量;中间层为5 个节点;输出层为1 个节点。

根据室内环境国家标准《GB50325—2001》，如表1 所示，其构成了3 对训练样本。以此3 对训练样本为依据随机生成60 对训练样本，对训练样本集进行扩展。

图3 室内空气质量评价BP 网络模型

网络训练具体步骤为:(1)产生用于网络训练的输入样本和期望输出序列;(2)对各层连接权值和神经元阈值初始化;(3)设置学习因子大小;(4)根据设定好的误差，结合权值和阈值调节规律，进行权值和阈值的调节;(5)如果训练误差收敛速度较慢，可考虑增加学习因子的值［7］，或增加各层神经元数目。

表1 室内环境国家标准BP 网络模型训练样本集

4.2 测试样本准备与导入

随机生成一组样本集，并通过菜单中“操作/导入测试数据”命令将测试样本导入网络模型。

4.3 网络评价

通过菜单:“操作/数据预测”命令对测试样本数据进行测试，测试结果如表2 所示。

表2 室内环境BP 网络模型测试样本集及预测结果

数据经过神经网络计算结束后，将结果输入模糊系统，再定义相应模糊规则，将神经网络的输出经过模糊处理后［8］，最终输出室内空气质量等级。以空气质量等级(识别结果)为依据，由网关控制家中各种与环境有关的家用智能设备，实现优质的室内空气环境。

从上述数据可以看出，通过神经网络对输入网关信号的处理，系统可以实现对家庭环境的学习、预测和评价。相对于普通网关来说，拥有神经网络的家庭网关能够实现更精确，更安全，更智能地服务于智能家居系统中。

5 结束语

本文提出的智能家庭网关是对现代家庭智能系统的一种改进和完善。尤其是在家庭智能网关中运用了模糊控制与神经网络相结合的控制方法，使家庭网关拥有了较为可靠的自我控制、调节家庭内部环境的能力。并以实验模拟出室内空气质量检测的BP 算法网络模型。相信在不久的将来，基于模糊神经网络的各项智能产品必将得到更广泛的应用。

［1］ 苗硕.远程智能家居管理系统的研究与设计［D］. 西安:西安建筑科技大学，2006.

［2］ 于涧，黄喆，唐文晶.基于IPv6 的家庭网络研究和应用［J］. 沈阳师范大学学报(自然科学版)，2008，26(1):75－78.

［3］ Bilhanan Silverajan，Karri Huhtanen，Jarmo Harju.IPv6 Experiments in Deploying and Accessing Services from Home Networks［C］//Korea:Asia－Pacific Conference on Communications，2006:1－5.

［4］ Li Zhu，Lei Qin，Kouying Xue.A Novel BP Neural Network Model for Traffic Prediction of Next Generation Network［C］//China:2009 Fifth International Conference on Natural Computation，2009:32－38.

［5］ 何璠.基于BP 人工神经网络的环境质量评价模型研究［D］.成都:四川大学，2007.

［6］ 李晓华，赵现纲.一种基于多Agent 的智能家居系统研究与设计［J］.计算机工程，2006，32(21):233－234.

［7］ 王栋，廖开俊，孙勇.一种基于BP 神经网络的多传感器系统信号降噪算法［J］.传感技术学报，2006，19(6):2716－2718.

［8］ 王美玲，王念平，李晓.BP 神经网络算法的改进及应用［J］.计算机工程与应用，2009，45(35):47－48.