| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 第二章 相关技术介绍 | 第13-22页 |
| 2.1 WoT介绍 | 第13-15页 |
| 2.1.1 Web of Things技术 | 第13页 |
| 2.1.2 WoT物联网平台介绍 | 第13-15页 |
| 2.2 智能家居系统介绍 | 第15-17页 |
| 2.2.1 智能家居系统架构 | 第15-16页 |
| 2.2.2 基于WoT的智能家居系统 | 第16-17页 |
| 2.3 规则引擎介绍 | 第17-21页 |
| 2.3.1 规则引擎技术 | 第17-19页 |
| 2.3.2 规则引擎模块和工作机制 | 第19-20页 |
| 2.3.3 规则引擎的缺陷和不足 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于Rete+算法的规则引擎优化 | 第22-46页 |
| 3.1 Rete算法 | 第22-26页 |
| 3.1.1 Rete算法简介 | 第22-23页 |
| 3.1.2 Rete网络建立及规则匹配过程 | 第23-25页 |
| 3.1.3 Rete算法的性能分析 | 第25-26页 |
| 3.2 Rete+改进算法 | 第26-42页 |
| 3.2.1 Rete算法存在的问题 | 第26-28页 |
| 3.2.2 Rete算法的改进——Shortcut Cache | 第28-38页 |
| 3.2.3 Rete算法的改进——动态连接 | 第38-42页 |
| 3.3 Rete+算法的仿真 | 第42-45页 |
| 3.3.1 实验设计 | 第42页 |
| 3.3.2 评估指标 | 第42页 |
| 3.3.3 实验及分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于在线学习的规则参数优化 | 第46-57页 |
| 4.1 “弹性”规则需求分析 | 第46页 |
| 4.2 在线感知机算法 | 第46-49页 |
| 4.2.1 感知机模型介绍 | 第46-48页 |
| 4.2.2 感知机学习算法 | 第48-49页 |
| 4.3 算法的应用与实现 | 第49-56页 |
| 4.3.1 算法流程设计 | 第49-50页 |
| 4.3.2 应用实例分析 | 第50-53页 |
| 4.3.3 情景实验结果 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 基于关联规则的模式挖掘 | 第57-65页 |
| 5.1 模式挖掘需求分析 | 第57-58页 |
| 5.2 关联规则分析和Apriori算法 | 第58-60页 |
| 5.2.1 关联规则中的一些概念 | 第58-59页 |
| 5.2.2 Apriori算法简介 | 第59-60页 |
| 5.3 基于实例的Apriori算法流程实现 | 第60-63页 |
| 5.3.1 构建事务数据库 | 第60-61页 |
| 5.3.2 挖掘频繁项集 | 第61-63页 |
| 5.3.3 发现关联规则 | 第63页 |
| 5.4 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65页 |
| 6.2 进一步的研究工作 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70页 |