| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文组织安排 | 第14-16页 |
| 第2章 智能家居与机器学习技术分析 | 第16-26页 |
| 2.1 智能家居与机器学习结合 | 第16页 |
| 2.2 机器学习简介 | 第16-18页 |
| 2.2.1 机器学习概念 | 第16-17页 |
| 2.2.2 机器学习分类 | 第17-18页 |
| 2.3 人工神经网络 | 第18-20页 |
| 2.3.1 人工神经网络简介 | 第18页 |
| 2.3.2 神经元结构 | 第18-19页 |
| 2.3.3 神经网络结构 | 第19-20页 |
| 2.4 神经网络相关算法 | 第20-23页 |
| 2.4.1 梯度下降法 | 第20-21页 |
| 2.4.2 激活函数 | 第21-23页 |
| 2.5 BPNN模型 | 第23-24页 |
| 2.6 BPNN模型分析 | 第24-25页 |
| 2.7 本章总结 | 第25-26页 |
| 第3章 Res-BPNN：一种改进神经网络模型 | 第26-36页 |
| 3.1 多层神经网络精度分析 | 第26-27页 |
| 3.2 BPNN的梯度溃散和爆发问题 | 第27-29页 |
| 3.3 一种基于残差学习改进的神经网络模型 | 第29-32页 |
| 3.3.1 残差学习 | 第29-30页 |
| 3.3.2 Res-BPNN:一种改进的神经网络模型 | 第30-32页 |
| 3.4 Res-BPNN模型工作原理 | 第32-34页 |
| 3.5 梯度溃散和爆发问题的解决 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于机器学习的智能家居辅助系统 | 第36-48页 |
| 4.1 辅助系统功能描述 | 第36-39页 |
| 4.1.1 家庭设备的分类 | 第36-37页 |
| 4.1.2 系统功能结构 | 第37-38页 |
| 4.1.3 系统工作过程介绍 | 第38-39页 |
| 4.2 辅助系统架构 | 第39页 |
| 4.3 基于状态预测的辅助控制子系统 | 第39-44页 |
| 4.3.1 辅助控制子系统工作描述 | 第39-40页 |
| 4.3.2 状态向量设置 | 第40-42页 |
| 4.3.3 辅助控制子系统机器学习单元 | 第42-44页 |
| 4.4 基于松弛度预测的辅助调度子系统 | 第44-46页 |
| 4.4.1 在辅助调度子系统功能描述 | 第44页 |
| 4.4.2 松弛度的概念 | 第44-45页 |
| 4.4.3 基于机器学习的松弛度预测 | 第45页 |
| 4.4.4 基于松弛度预测的调度算法 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 系统实现 | 第48-54页 |
| 5.1 系统架构设计 | 第48-50页 |
| 5.2 辅助决策系统总体设计 | 第50页 |
| 5.3 zigbee转发及网关设计 | 第50-52页 |
| 5.4 通信数据格式设计 | 第52页 |
| 5.5 服务器数据库设计 | 第52-53页 |
| 5.6 本章小结 | 第53-54页 |
| 第6章 系统评估 | 第54-62页 |
| 6.1 系统评估方案的设计 | 第54页 |
| 6.2 实验数据预处理 | 第54-55页 |
| 6.3 实验结果及分析 | 第55-61页 |
| 6.3.1 辅助控制子系统的测试结果及分析 | 第55-57页 |
| 6.3.2 辅助调度子系统的测试结果及分析 | 第57-61页 |
| 6.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间所发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |