智能居住环境学习和控制策略研究

论文摘要

随着生活水平的提高人们对居住环境的要求也越来越高,如何最大化地满足人们的舒适性要求,减少能源损耗和其它潜在的浪费是智能居住环境研究的目标。智能居住环境是指将各种内嵌的智能设备和住宅设备通过一定范围的内部网络连接起来,能够通过这种网络提供各种服务,并与外部世界相连接,同时保持这些设备与住宅的协调,并能根据用户的需求主动做出响应的环境。其具有泛在性、透明性和智能化的特点。智能居住环境作为信息社会体系的边缘结构,既与人们的日常生活密切相关,又与其作为信息社会有机单元所具有的功能和特性分不开。因此,既要在宏观理论指导下建立完善合理的开放式体系构架,又要从微观角度考虑用户的具体需求,使智能居住环境系统更具个性化和智能性。随着计算机、微电子、通信、智能控制等技术的发展,最近十几年智能居住环境的理论与应用技术的研究受到广泛关注。但目前的研究在宏观上缺乏完善的系统构建的理论体系,在微观上没有考虑时间的历史性、系统的自学习和自适应能力。由各大公司开展的项目重点是如何实现家庭和设备之间的通信,大多数的家庭自动化技术的方案,通常只采用简单的自动化,而很少采用人工智能,也很少强调对用户行为的学习和自适应。本文致力于智能居住环境理论体系的深入研究,建立具有开放性的、基于Multi-Agent的系统体系结构。根据智能居住环境的特点,研究智能居住环境的推理、学习、控制策略,提高整个系统的决策水平。在满足用户舒适性的前提下,最大限度地节能。本文的主要研究内容和创新成果如下：1.提出了一种基于ZigBee无线传感器网络的智能居住环境MAS（Multi-Agent System）体系结构,其中ZigBee无线传感器网络的协调器对应MAS中的管理Agent,路由器对应功能Agent,终端设备对应现场Agent。同时建立了现场Agent、功能Agent、管理Agent的内部结构模型,为智能居住环境MAS中各Agent之间的协作、冲突消解、组织联盟提供了基础构架。2.用户的行为识别是实现透明的、泛在的、智能的居住环境关键技术之一。提出了一种新型One Pass神经网络,该神经网络可根据智能居住环境中低水平传感器（例如,位移传感器、压力传感器等）的信息识别用户的高水平行为（例如,睡眠、学习、听音乐等）。该神经网络的结构包括三层：输入层、中间层、输出层。输入层为传感器状态层；输出层为用户行为层；中间层为隐含层,其维数与输出层相同。在该神经网络上增加时间信息可用于识别用户的非正常行为。One Pass权系数学习方法由于其学习算法简单,不需要迭代,占用内存少,可便于嵌入式微处理器实现在线学习。实验结果表明该算法是透明的、简单的、有效的。3.分别提出了基于用户喜好学习的智能模糊Agent和基于Hebb规则的输入输出动态关联算法。并将其结合到一起,形成一种新型动态关联智能模糊Agent,实现对用户喜好的学习,并主动控制居住环境的设备。在智能居住环境中,不同用户的喜好是不同的,同一用户的喜好也会随着时间的推移而发生变化,这就要求智能Agent应具有演化功能。提出的新型智能模糊Agent包括5个阶段,①采集输入输出数据对；②隶属度函数学习；③萃取模糊规则；④Agent控制；⑤在线自适应学习。依据采集到的传感器和执行器的信息,学习模糊Agent的隶属度函数和模糊规则。当用户的喜好发生变化时,系统会快速地学习隶属度函数和最优化模糊规则。此外,在智能居住环境中,嵌入式Agent通过网络联系到一起,具有智能推理、规划和学习的能力,而大量的互相连接的嵌入式Agent必将导致系统通信和计算负荷的增大,降低了系统的执行效率。在Hebb神经网络的基础上,提出了一种新型智能居住环境嵌入式Agent动态结构关联算法。当系统产生一个事件,将重新计算传感器Agent和设备Agent之间的关联权值。根据得到的关联权度矩阵,将嵌入式Agent动态划分为多个组,从而将模糊规则库划分为多个模糊规则子库。提出的上述方法可有效地降低Agent的模糊规则数,提高Agent的学习效率并减少嵌入式Agent之间的网络通信。4.居住环境是一类异常复杂和难以控制的高维非线性系统,用常规的建模方法很难建立系统的数学模型。针对智能居住环境的特点,充分利用系统长期运行积累的传感器状态及设备操作的历史数据,提出了一种基于聚类的超闭球CMAC神经网络算法,用于智能居住环境预测控制动态系统非线性建模。通过输入数据的模糊聚类确定神经网络节点数和节点位置,并采用输入输出数据模糊推理优化算法确定神经网络初始权值。与超闭球CMAC神经网络算法比较,该算法可有效地降低神经网络节点数,提高学习精度。5.静态的热环境易造成人体热适应能力降低,对健康不利。动态的热环境与自然环境相似更有利于用户的健康。提出了一种基于用户热舒适区学习的智能动态热舒适控制系统。为了满足不同用户对热舒适的需要,提出了基于PMV指标的个人热舒适区模糊学习算法,通过用户热舒适喜好的学习在线修改个人热舒适区。在计算实验的基础上提出了动态热舒适控制策略,使热舒适度在舒适区和节能区周期性交替变化。实验表明,该方法既满足用户的热舒适性需求,对用户的健康有利,与静态热舒适控制相比节能效果明显。总之,本论文对智能居住环境的学习和控制策略进行了深入研究,研究成果可为智能居住环境的系统平台构建提供技术支持,为智能居住环境的用户行为识别、自适应、长期的学习机制、系统的非线性建模、动态热舒适控制等提供理论依据。

论文目录

• 摘要
• ABSTRACT
• 符号说明
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 智能居住环境的研究现状
• 1.2.1 智能居住环境的用户行为识别、预测
• 1.2.2 智能居住环境的知识表示
• 1.2.3 智能居住环境的控制策略
• 1.2.4 Agent技术在智能居住环境中的应用
• 1.3 课题的主要研究内容及章节安排
• 1.4 小结
• 第二章 智能居住环境Multi-Agent系统构架
• 2.1 引言
• 2.2 基于ZigBee的智能居住环境无线传感器网络系统
• 2.3 智能居住环境Multi-Agent系统构架
• 2.3.1 总体构架
• 2.3.2 Agent模型
• 2.4 小结
• 第三章 智能居住环境用户行为识别
• 3.1 引言
• 3.2 新型OPNN神经网络结构与算法
• 3.2.1 采集分类学习数据
• 3.2.2 OPNN神经网络学习算法
• 3.2.3 OPNN神经网络输出算法
• 3.3 异常行为识别方法
• 3.4 实验分析
• 3.5 小结
• 第四章 动态关联智能模糊Agent
• 4.1 引言
• 4.2 基于用户喜好学习的智能模糊Agent
• 4.2.1 采集输入输出数据对
• 4.2.2 隶属度函数学习
• 4.2.3 萃取模糊规则
• 4.2.4 IFA模糊控制
• 4.2.5 在线自适应学习算法
• 4.2.6 实验分析
• 4.3 输入输出动态关联算法
• 4.3.1 概述
• 4.3.2 Hebb学习
• 4.3.3 输入输出动态关联算法
• 4.3.4 动态关联实验与分析
• 4.4 DAIFA控制系统结构
• 4.5 DAIFA实验分析
• 4.6 小结
• 第五章 基于聚类的超闭球CMAC神经网络非线性动态建模
• 5.1 引言
• 5.2 HCMAC神经网络算法
• 5.2.1 非线性动态过程的描述
• 5.2.2 HCMAC神经网络算法
• 5.3 HCMAC神经网络算法的改进
• 5.3.1 基于聚类的神经网络节点计算
• 5.3.2 高斯基函数σ参数的确定
• 0的模糊推理算法'>5.3.3 权系数初始值q₀的模糊推理算法
• 5.3.4 神经网络的输出计算
• 5.4 神经网络节点和权值的在线修改
• 5.5 仿真研究
• 5.6 智能居住环境应用举例
• 5.6.1 智能居住环境预测控制
• 5.6.2 空调启停时间预测
• 5.7 小结
• 第六章 智能动态热舒适控制
• 6.1 引言
• 6.2 智能动态热舒适控制系统结构
• 6.3 PMV软测量
• 6.4 用户热舒适区学习
• 6.5 动态热舒适控制
• 6.6 基于计算实验的温度、湿度、风速给定值的确定
• 6.6.1 温度、风速、湿度对PMV的影响
• 6.6.2 基于计算实验的温度、湿度、风速值的确定
• 6.7 实验与分析
• 6.7.1 用户热舒适区学习实验
• 6.7.2 动态热舒适控制实验
• 6.8 小结
• 第七章 结论与展望
• 7.1 论文的主要研究成果
• 7.2 进一步研究工作的展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 攻读学位期间科研成果
• 学位论文评阅及答辩情况表
• 附录 完成的英文论文