基于BP神经网络信息融合的智能家居安全系统研究

(天津市武清区职业教育中心，天津 301700)

1 引言

智能家居是指利用先进的计算机技术、网络通信技术、综合布线技术,将与家居生活有关的各种子系统有机地结合在一起,通过统筹管理,让家居生活更加舒适、安全、有效。随着居民的生活质量的提高，人们对家居生活逐渐有了新的认识，为了提高人们的生活质量和工作效率，随着科学技术的延伸，智能化、自动化的技术逐渐融入到家居环境中去，智能家居即是一种科学技术与家居电器结合的智能化产品。其中智能家居安全系统是家居生活的安全保障。生活中，人们需要实时监测家中的环境、陌生人进出、火灾、有毒气体泄漏等情况，以防意外的发生，从而避免不必要的损失。智能家居安全系统的出现，不仅代替用户对各个数据进行采集并处理，一旦系统判断出现了危险情况，便会第一时间通知用户，并采取相应措施以免危险发生。智能家居安全系统采用先进的工业控制技术与人机交互技术，通过一种友好、智能的设计，为人们生活提供了保障。近年来，智能家居安全系统的研究与发展得到了越来越多人的关注以及政府的认可，智能化的家居安全系统不仅能够避免很多灾难的发生，还能够保证人们的人身安全与财产安全。

因此对于智能家居安全系统的研究是非常有必要的。目前，大量国内外学者非常重视对智能家居安全系统的研究。周炳辰等人提出一种基于现场总线的神经网络和模糊推理的多传感器数据融合技术，有效降低了误报率；邱小彤等人设计了一种基于多传感器融合的火灾探测报警系统，利用多个传感器进行检测，并用自适应加权方法来处理各传感器的融合竞争；邓奎彪等人将D-S证据理论应用于多传感器数据融合，提高了数据融合的准确性与可靠性；赖腾达等人将数据融合加入到智能家居监测系统中，减少了网络的数据量，降低了网络节点的平均功耗。

本文对智能家居中的安全系统进行了研究，设计了智能家居安全系统的整体结构，并将BP神经网络信息融合引入到该系统中，使该系统能够更加准确无误的识别家中的安全指数，达到智能监测家居环境安全的目的。

2 安全系统的整体设计方案

本文设计的智能家居安全系统主要通过各个传感器对家居环境进行实时监测，其中包括对家中环境温度、湿度、烟雾浓度、甲醛浓度、CO浓度、CH4浓度等参数的实时检测；系统将检测到的参数发送至人机交互模块，或者通过无线通信模块传输至手机端，用户可对家居环境进行参数设定与实时查看；系统实时对检测到的各个数据进行处理分析，若安全系数较低或传感器发生异常情况，系统将开启报警功能，将报警信息传送至用户，提醒用户家居环境出现异常情况。

智能家居安全系统主要由主控制器模块、传感器模块、无线通信模块、人机交互模块、报警模块等部分组成。主控制器选用STM32F103系列芯片，该芯片是基于ARM Cortex-M3内核的CPU,由于该芯片的工作频率高达72MHZ，而且在单片机内部定时器多达7个定时器以及7个DMA通道，CPU的通信端口包含了3个USART接口、2个SPI同步串行接口。主控制器是整个安全系统的核心部分，负责接收传感器检测到的数据，并对数据进行分析处理后显示在人机交互界面上，若有异常情况发生，及时开启报警功能，；传感器模块用来实时采集家居环境信息，如室内的温度、湿度、烟雾浓度、甲醛浓度、CO浓度、CH4浓度等参数；人机交互模块具有人机交互的功能，用户可以通过触摸屏触控、选择和确定整体家居环境的各项环境指标，同时将实时采集到的各种传感器的参数，显示在该模块上，方便用户更加直观地了解当前环境，更加智能化；报警模块具有播报异常情况、信息通知的功能，当家居环境参数超过设定的数值时，主控制器通过电路驱动报警模块，进而通过语音及文字信息通知用户有异常情况发生，对家居的安全起到了保障作用。无线通信模块具有无线通信的功能，该模块能够实时与主控制器以及用户通信，当主控制器检测到数据异常时，与无线通信模块通信，实现与用户通信的功能。

3 基于BP神经网络的信息融合

3.1 传感器信息融合

传感器信息融合是个信息处理过程，信息融合实际上是对处理复杂问题的一个模拟过程、对客观的实物的一种认知过程。人类通过感官器官实现对世界的未知问题进行多方位的认知和感受，然后将认知的信息和数据，通过一定的规则进行处理，进而实现对客观实物的认知，整个过程是一种自适应的过程。充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列或从不同空间获取的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，得到对被测对象的一致性解释与描述，从而更全面的描述和认识被测对象，并实现相应的判断、估计和决策。一般根据处理数据的类型，将信息融合分为像素级融合、特征级融合和决策级融合。决策级融合将各个传感器所作出的独立决策结果进行融合，从而得到最终的判断。相比其他融合而言，决策级融合具有较高的灵活性，抗干扰能力强，容错性能较好等优点，因此本研究将决策级融合的方法应用到对智能家居安全系统的研究中。

决策级融合所采用的方法主要有贝叶斯推断、D-S证据理论、模糊集理论、专家系统方法、人工神经网络等。基于人工神经网络的信息融合，首先需要根据系统的要求以及传感器的特点选择合适的神经网络模型，建立人工神经网络输入与输出的映射关系，然后再根据已有的传感器信息和系统决策对它进行指导性学习、确定权值的分配、完成网络的训练。

对于智能家居安全系统的研究，首先通过相关传感器对家居的温度、湿度、烟雾浓度、甲醛浓度、CO浓度、CH4浓度等环境参数进行检测，然后将获取的数据信息经过适当的处理，作为输入送至神经网络的输入端，最后经过训练的人工神经网络，将对应的结果输出。

3.2 BP神经网络

人工神经网络是根据生物神经网络功能模仿出的经验模型，当生物体内的神经元受到外界的刺激时，受到刺激的神经元会将信号传递给与之相连的神经，而这种形式的关系通常情况下均是非线性的。大量的神经元通过交互连接形成一种能够传递信息的网络结构，为了更好地模拟人体大脑的基本特征，提出了一种神经网络的数据模型。

BP神经网络是一中学习算法，包含了正向和反向传播数据流，一般由输入层、隐含层和输出层组成，三层之间通过神经元相互连接。输入层的神经元将输入信号接收，并将接收到的数据传递到中间层的各个神经单元；隐含层一般为多层结构，一般通过数据信息变换能力而改变；输出层中的神经元最终将处理完成的数据结果输出。该算法的基本思想是利用输出结果的误差，对上一次的误差进行评估，再根据此次误差再向之前的误差进行再次评估。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，它采用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。本研究采用典型的三层BP神经网络结构，其结构图如图1所示。

图1 典型的三层BP神经网络结构图

其中xj表示输入层第j个节点的输入，j=1,2,3,4,5,6；φ和ψ分别表示隐含层和输出层的输出；ωi,j和ωk,i分别表示隐含层到输入层的权值和输出层到隐含层的权值；θi和αk分别表示隐含层和输出层的阈值。

BP神经网络算法首先需要输入需要训练的样本，然后计算隐含层和输出层神经元的输入值与输出值，根据样本输入数据以及期望输出数据的数值，通过构建的BP网络进行训练，得出训练规则，直到训练完成所有的样本，若最终误差满足需求，则结束训练；若未达到所需误差要求，则更新训练的总步数，重新对所有样本进行训练。从而进一步得出理想的实际输出数据。

4 实验仿真

本文设计的智能家居安全系统，采用Matlab来验证基于BP神经网络的信息融合在智能家居安全系统中的有效性和可靠性。根据室内环境国家标准和大量论文著作中的数据，确定了BP神经网络的训练样本，将该样本归一化得到表1所示的数据，表1仅包括部分数据。

表1 BP神经网络的训练样本

选用已知期望输出的样本作为测试数据，测试数据

p=[0.11,0.17,0.12,0.20,0.29,0.26;

0.62,0.52,0.36,0.10,0.18,0.91;

0.81,0.51,0.82,0.20,0.13,0.05;

0.47,0.53,0.20,0.56,0.24,0.10;

0.54,0.88,0.13,0.36,0.14,0.25;

0.54,0.54,0.12,0.37,0.65,0.42;

0.59,0.42,0.50,0.21,0.13,0.13;

0.60,0.45,0.60,0.12,0.45,0.15]

经过训练后，BP神经网络训练曲线如图2所示。

图2 BP神经网络训练曲线图

将期望值与实际输出值进行对比，对比数据如表2所示。

表2 期望值与实际输出值的对比

从上表中数据对比可知，通过BP神经网络训练得出的结果来看，期望数据与BP神经网络的实际输出误差较小，能够较为准确的判断出家居安全情况。

5 结论

本文提出基于BP神经网络的信息融合的方法对智能家居安全系统进行研究。首先设计了智能家居安全系统的整体方案，然后根据BP神经网络的信息融合方法，对选取的测试数据进行BP神经网络训练，最终将训练实际输出的结果与期望值进行对比。结果表明该方法在一定程度上能够判断智能家居安全性，并且较为成功的验证了基于BP神经网络的信息融合方法在判断智能家居安全方面的准确性与可靠性。但实际影响智能家居安全系统的因素仍有很多，在今后的研究中仍需考虑多种情况对安全系统的影响，提高该系统的准确性与可靠性。