基于贝叶斯网络的智能灯自适应场景识别系统及方法与流程

本发明涉及机器学习和物联网领域，尤其涉及一种基于贝叶斯网络的智能灯自适应场景识别系统及方法。

背景技术：

随着物联网和云计算的快速发展，智能家居的相关研究与应用已经成为了产业界关注的热点之一。在智能家居系统中，传感器、控制器、接口、应用和被控设备通过网络相互连接，用户不仅可以通过手机等控制端在本地或远程控制家居设备，也可以通过在智能家居系统中的设置实现智能设备的自动开关与调节。在智能家居环境中，智能设备通常可以通过wifi或蓝牙直接连接并进行控制，也可以通过联网远程控制。近年来出现的智能音箱等设备，还可以通过联网获取更多扩展功能。

为了提升智能家居系统的操作便捷性和智能化水平，基于场景的自动控制已经成为了很多厂商普遍采用的智能家居控制方式。用户通过创建场景和定义场景的触发条件进行该场景下需要执行的任务。当家居系统检测到场景触发条件被满足时，即可自动触发该场景对应的执行任务，完成家居设备的自动开关与调节，从而减少用户手动操作的次数，提升家居系统的便捷性和智能化水平。目前，基于场景的智能家居系统中，场景的触发条件通常需要住户手动设定，且相对简单。例如，通过触发时刻的设定定义起床场景和睡眠场景，利用触发时刻或红外传感器监测值设定回家和离家场景。然而，日常生活场景的定义往往更加复杂且动态性强，通过简单地条件设定难以保证家居设备控制的精准度。

智能家居系统的目的是为用户提供便利并且保证用户在使用中的舒适度。人们的日常生活中智能照明系统受到越来越多的关注，其原因在于智能照明系统的目的不再仅仅是为了人们带来光亮，也为人们提供更适宜的灯光和更便捷的操作。智能照明系统主要是以自动控制为主，人为控制为辅。在减少人为干预的情况下使智能灯可以自主的进行控制并达到用户舒适的亮度。但是因为每个用户对智能灯系统的需求和环境状态的偏差导致智能家居缺少足够的个性化，所以研究智能灯的个性化已经成为研究界和产业界普遍关注的焦点。由于每种智能灯控制需求与环境状态的关系不尽相同，所以需要对使用场景进行识别，用使用场景去控制智能灯，以此提升智能家居系统在应用中的整体智能化水平和工作效率至关重要。

然而现有的智能灯系统无法对室内外光线强度实时监控和自动调节灯光的亮度，只能够通过人为设置某些场景，进行手动的场景切换，无法实现智能灯控制系统的自适应调节。导致用户耗时耗力的去设置台灯，不仅降低了工作效率，还造成某些情况下的用电浪费。因此，当前并没有一套成熟的智能灯控制系统能够满足自适应场景识别需求。

技术实现要素：

针对现有技术存在的问题，本发明提供一种基于贝叶斯网络的智能灯自适应场景识别系统及方法，该方法收集用户的环境信息，并使用环境信息和用户对智能灯的调节信息进行自动调控，根据用户的需求自动调整智能灯的状态。

为了解决上述技术问题，本发明所采取的技术方案是：

一方面，本发明提供一种基于贝叶斯网络的智能灯自适应场景识别系统，包括灯光传感器、距离传感器、红外传感器、树莓派、数据收集及管理模块、智能灯自适应场景识别模块和智能灯动态调节模块；

所述灯光传感器、距离传感器和红外传感器安装于智能灯上，其输出端连接树莓派，所述树莓派与智能灯通过tcp进行连接。

所述数据收集及管理模块收集当前环境和用户行为信息，包括灯光传感器、距离传感器和红外传感器采集当前环境自然光的光照信息、智能灯本身光照信息、用户与智能灯之间的距离、智能灯所在房间内是否有人对智能灯做出控制信息，将采集到的信息存储到树莓派的数据库中，并传送到智能灯自适应场景识别模块；

所述智能灯自适应场景识别模块包括环境数据处理模块、模型训练模块和场景分类模块；所述环境数据处理模块处理数据收集模块所收集到的信息，并将处理后的数据提供给模型训练模块；所述模型训练模块进行贝叶斯网络训练；所述场景分类模块使用训练好的贝叶斯网络对当前环境信息和用户行为进行场景分类；

所述智能灯动态调节模块包括模型决策模块、网络动态更新模块和智能灯控制模块；所述模型决策模块将贝叶斯网络和模糊集进行结合共同决策，所述网络动态更新模块在出现场景输出失败或者用户调整的情况下，获取当前的环境信息和用户控制信息，对贝叶斯网络进行负反馈更新；所述智能灯控制模块根据贝叶斯网络输出的场景，对智能灯进行亮度和色温控制。

所述模糊集是对训练过程中原贝叶斯网络没有采集过的用户情景或者环境场景进行清晰化的规则库。

另一方面，一种基于贝叶斯网络的智能灯自适应场景识别方法，通过前述基于贝叶斯网络的智能灯自适应场景识别系统实现：包括以下步骤：

步骤1：使用灯光、距离和红外传感器对智能灯所在房间内的环境数据进行采集，并将采集到的数据和用户控制智能灯的数据存储到树莓派的数据库中；

步骤2：对步骤1中存储到数据库中的环境数据和用户控制信息进行转义解析，提取出每个出传感器所采集到的数值和对应时间点用户的控制信息；

步骤3：根据步骤2所提取的数据，使用基于搜索的网络结构化学习算法进行构建贝叶斯网络，部署到树莓派上并进行训练网络；

步骤3.1：对步骤2中的数据进行状态划分，通过评价因素来确定每个传感器数据类型所占的权值；

步骤3.2：根据步骤3.1所获得的权重确定关联关系，获得数据状态之间的相关关系，使用基于搜索的网络结构化学习-k2算法来构建贝叶斯网络；

步骤3.3：对步骤3.2中的贝叶斯网络进行训练。

步骤4：根据步骤3所得的贝叶斯网络结合模糊集和模糊规则对智能灯的环境进行判断，模型联合决策输出场景；

步骤4.1：将环境数据输入步骤3所获得的贝叶斯网络，若输出场景成功则跳转至步骤5，若失败则跳转至步骤4.2；

步骤4.2：场景输出失败，使用模糊规则库对贝叶斯网络进行动态调整，重新输出判别场景；

步骤5：根据步骤4输出的场景信息对智能灯进行控制，实现智能灯场景的自适应；

采用上述技术方案所产生的有益效果在于：

本发明提供的基于贝叶斯网络的智能灯自适应场景识别系统及方法，该方法基本思想是收集用户周围的环境信息和用户对智能灯的调控信息，对收集到的用户信息进行处理，基于用户信息构建贝叶斯网络并对网络进行训练，引入模糊理论辅助贝叶斯网络进行联合决策，以针对网络训练时没有碰到过的场景，最后通过计算贝叶斯网络中节点误差概率，对整个网络进行负反馈更新，从而实现智能灯场景的自适应。

附图说明

图1为本发明实施例提供的基于贝叶斯网络的智能灯自适应场景识别系统模块图；

图2为本发明实施例提供的基于贝叶斯网络的智能灯自适应场景识别方法流程图；

图3为本发明实施例提供的智能灯系统示意图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

为满足人们在工作、休息等情况下对于不同亮度的需求，要产生一个能够针对用户习惯和当前环境信息进行自动调控的智能灯系统。借助机器学习和物联网技术，可以基于环境信息和用户对智能灯的调控信息对场景进行预测，让智能灯系统根据人们的习惯进行自学习，达到无论在什么场景下都能让人们在一个舒适的光照环境下生活和工作，减少各种照明场景的用电浪费，减轻疲劳和保护眼睛视力，同时提高工作效率，实现智能灯控制系统的个性化和自适应调节。

本实施例的方法如下所述。

一方面，本发明提供一种基于贝叶斯网络的智能灯自适应场景识别系统，如图1所示，包括灯光传感器、距离传感器、红外传感器、树莓派、数据收集及管理模块、智能灯自适应场景识别模块和智能灯动态调节模块；

所述灯光传感器、距离传感器和红外传感器安装于智能灯上，其输出端连接树莓派，所述树莓派与智能灯通过tcp进行连接，本发明实施例提供的智能灯系统示意图如图3所示。

所述数据收集及管理模块用于收集当前环境和用户行为等信息，将灯光、距离和红外传感器通过gpio引脚搭载到nodemcu芯片上，nodemcu芯片使用自带的wifi模块与树莓派建立tcp连接，每隔5s采集一次当前环境自然光的光照信息、智能灯本身的光照信息、用户与智能灯之间的距离、智能灯周围是否有人和用户对智能灯做出的控制信息，并将采集到的数据以json的形式存储到树莓派的数据库中；

所述智能灯自适应场景识别模块包括环境数据处理模块、模型训练模块和场景分类模块；所述环境数据处理模块用于转义树莓派数据库中收集到的环境信息和用户控制信息，提取环境数据和对应时间点的用户控制信息，并将处理后的数据提供给模型训练模块；所述模型训练模块用于训练贝叶斯网络，根据环境数据处理模块提供的数据，划分场景类别如学习、休息等，使用基于搜索的网络结构化学习-k2算法来构建贝叶斯网络并自动部署在树莓派上进行训练贝叶斯网络；所述场景分类模块用于使用训练好的贝叶斯网络对当前环境信息和用户行为进行场景分类；

所述智能灯动态调节模块包括模型决策模块、网络动态更新模块和智能灯控制模块；所述模型决策模块将树莓派上的贝叶斯网络和模糊集进行结合共同决策，所述模糊集是对训练过程中原贝叶斯网络没有采集过的用户情景或者环境场景进行清晰化的规则库；本实施例采用计算网络输出值和场景之间的相对差来获得更符合当前场景的输出；所述网络动态更新模块用于在出现场景输出失败或者用户经常调整的情况下，获取当前的环境信息和用户控制信息，使用模糊规则对贝叶斯网络进行负反馈更新；所述智能灯控制模块用于根据贝叶斯网络输出的场景，对智能灯进行亮度和色温控制。

另一方面，本发明还提供一种基于贝叶斯网络的智能灯自适应场景识别方法，通过所述的一种基于贝叶斯网络的智能灯自适应场景识别系统实现；如图2所示，包括以下步骤：

步骤1：使用gpio引脚将灯光、距离和红外传感器搭载到nodemcu芯片上，通过芯片的wifi模块每隔5s将智能灯所在房间内的环境数据和用户控制信息存储到树莓派的数据库中；

步骤2：对步骤1中存储到数据库中的环境数据和用户控制信息进行转义解析，提取出每个出传感器所采集到的数值和对应时间点用户的控制信息；

步骤3：根据步骤2所处理的数据，在树莓派上使用基于搜索的网络结构化学习算法进行构建贝叶斯网络并进行训练网络；具体步骤如下；

步骤3.1：对步骤2中的数据进行状态划分，通过评价因素来确定每个传感器数据类型所占的权值。

步骤3.2：根据步骤3.1所获得的权重确定关联关系，获得数据状态之间的相关关系，使用基于搜索的网络结构化学习-k2算法来构建贝叶斯网络。

步骤3.3：对步骤3.2中的贝叶斯网络进行训练。

步骤4：根据步骤3所得的贝叶斯网络结合在树莓派上提前设定好的模糊集和模糊规则对智能灯的环境进行判断，模型联合决策输出场景；具体步骤如下；

步骤4.1：将环境数据输入步骤3所获得的贝叶斯网络，若输出场景成功则跳转至步骤5，若失败则跳转至步骤4.2；

步骤4.2：场景输出失败，使用模糊规则库对贝叶斯网络进行动态调整，重新输出判别场景。

步骤5：通过树莓派和智能灯的tcp连接，将步骤4输出的场景信息传输给智能灯，实现智能灯场景的自适应；

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。