| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 论文研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 相关技术介绍 | 第15-29页 |
| 2.1 智能家居介绍 | 第15-19页 |
| 2.1.1 智能家居相关概述 | 第15页 |
| 2.1.2 智能家居系统特点 | 第15-16页 |
| 2.1.3 智能家居系统结构 | 第16-19页 |
| 2.2 相关性分析 | 第19-24页 |
| 2.2.1 线性回归分析 | 第19-20页 |
| 2.2.2 关联规则基本描述 | 第20-24页 |
| 2.3 BP神经网络定义及概述 | 第24-26页 |
| 2.3.1 BP神经网络的基本概念 | 第24页 |
| 2.3.2 BP神经网络学习算法 | 第24-26页 |
| 2.4 支持向量机定义及概述 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 智能家居情景模式辅助决策模型 | 第29-60页 |
| 3.1 情景模式 | 第29-32页 |
| 3.1.1 情景模式定义 | 第29-30页 |
| 3.1.2 情景模式框架 | 第30-32页 |
| 3.2 数据样本结构 | 第32-35页 |
| 3.2.1 数据样本模型 | 第32-33页 |
| 3.2.2 数据处理及分类 | 第33-35页 |
| 3.3 智能家居设备间相关性分析 | 第35-42页 |
| 3.3.1 线性回归分析 | 第35-39页 |
| 3.3.2 智能家居设备间的关联规则 | 第39-42页 |
| 3.4 智能家居情景模式辅助决策模型 | 第42-44页 |
| 3.5 情景模式自适应更新模型 | 第44-52页 |
| 3.5.1 自适应更新模型概述 | 第44-46页 |
| 3.5.2 自适应更新算法实现 | 第46-52页 |
| 3.6 情景模式预测模型 | 第52-59页 |
| 3.6.1 基于BP神经网络的情景模式模型 | 第52-56页 |
| 3.6.2 基于SVM的情景模式预测模型 | 第56-59页 |
| 3.7 本章小结 | 第59-60页 |
| 第四章 实验验证与结果分析 | 第60-71页 |
| 4.1 自适应更新模型实验结果及分析 | 第60-63页 |
| 4.2 基于BP的情景模式预测模型仿真实验结果及分析 | 第63-65页 |
| 4.3 基于SVM的情景模式预测模型仿真实验结果及分析 | 第65-69页 |
| 4.4 两种算法比较验证结果分析 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 本文总结 | 第71-72页 |
| 5.2 研究展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78-83页 |
| A 作者在硕士期间发表的论文 | 第78-80页 |
| B 表录 | 第80-81页 |
| C 图录 | 第81-83页 |