| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究目标及研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 本章总结 | 第14-15页 |
| 第二章 相关技术背景介绍 | 第15-23页 |
| 2.1 软件定义的智能家居管控平台 | 第15-17页 |
| 2.2 深度神经网络 | 第17-21页 |
| 2.2.1 浅层神经网络与反向传播算法 | 第17-19页 |
| 2.2.2 深度神经网络训练方法 | 第19-21页 |
| 2.2.3 开源深度学习框架TensorFlow | 第21页 |
| 2.3 本章总结 | 第21-23页 |
| 第三章 家居智能化数据感知与收集 | 第23-29页 |
| 3.1 用户家居生活习惯调研 | 第23-25页 |
| 3.1.1 问卷调查 | 第23-24页 |
| 3.1.2 家居数据在线收集系统 | 第24-25页 |
| 3.2 智能家居环境仿真平台HomeTest | 第25-27页 |
| 3.2.1 仿真平台设计与实现 | 第25-26页 |
| 3.2.2 数据模拟采样与有效性确认 | 第26-27页 |
| 3.3 结构化家居环境数据模型 | 第27-28页 |
| 3.4 本章总结 | 第28-29页 |
| 第四章 基于深度学习的智能家居管控模型DeepHome | 第29-39页 |
| 4.1 智能家居管控的核心问题 | 第29-31页 |
| 4.1.1 智能家居环境数据特征 | 第29-30页 |
| 4.1.2 智能家居管控模型能力定义 | 第30-31页 |
| 4.2 DeepHome模型结构研究 | 第31-34页 |
| 4.2.1 多种学习模型的适用性研究 | 第31-32页 |
| 4.2.2 DeepHome模型结构 | 第32-34页 |
| 4.3 模型训练与部署流程 | 第34-38页 |
| 4.3.1 基于自编码网络的设备模型预训练 | 第34-37页 |
| 4.3.2 模型部署与全模型训练 | 第37-38页 |
| 4.4 本章总结 | 第38-39页 |
| 第五章 实验分析 | 第39-49页 |
| 5.1 实验设计 | 第39-40页 |
| 5.2 预测准确性实验 | 第40-42页 |
| 5.3 模型训练收敛速度 | 第42-43页 |
| 5.4 模型相关参数 | 第43-46页 |
| 5.4.1 设备状态判定阈值 | 第44-45页 |
| 5.4.2 设备数量 | 第45-46页 |
| 5.5 真实家居环境数据集实验 | 第46-48页 |
| 5.5.1 数据扩增 | 第46-47页 |
| 5.5.2 实验与结果分析 | 第47-48页 |
| 5.6 本章总结 | 第48-49页 |
| 第六章 结束语 | 第49-52页 |
| 6.1 全文总结 | 第49-50页 |
| 6.2 下一步工作展望 | 第50-51页 |
| 6.3 研究生期间工作 | 第51-52页 |
| 6.3.1 论文发表 | 第51页 |
| 6.3.2 参与项目 | 第51页 |
| 6.3.3 主要负责工作 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54-55页 |
| 作者攻读学位期间发表的学术论文目录 | 第55页 |