| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要研究内容及结构 | 第12-14页 |
| 第二章 环境监控系统总体设计及技术分析 | 第14-26页 |
| 2.1 智能家居控制系统设计方案 | 第14-16页 |
| 2.1.1 智能家居系统需求分析 | 第14页 |
| 2.1.2 系统总体设计方案 | 第14-16页 |
| 2.2 环境监控硬件系统设计 | 第16-21页 |
| 2.2.1 控制中心节点的设计 | 第16-18页 |
| 2.2.2 上位机及采集器的设计 | 第18-20页 |
| 2.2.3 环境采集传感器电路设计 | 第20-21页 |
| 2.3 环境监控系统软件设计 | 第21-25页 |
| 2.3.1 智能家居环境监控系统开发环境与开发工具 | 第21-22页 |
| 2.3.2 Tomcat服务器端的部署以及MVC框架的设计 | 第22-24页 |
| 2.3.3 移植SQLite3 数据库 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 机器学习技术及LSTM神经网络模型 | 第26-40页 |
| 3.1 机器学习概念及分类 | 第26-29页 |
| 3.1.1 机器学习概念 | 第26-27页 |
| 3.1.2 监督学习和无监督学习,半监督学习,强化学习 | 第27-29页 |
| 3.2 长短时记忆(LSTM)神经网络模型 | 第29-34页 |
| 3.2.1 人工神经网络概述 | 第29-32页 |
| 3.2.2 优化算法 | 第32-34页 |
| 3.2.3 评估方法 | 第34页 |
| 3.3 TensorFlow机器学习平台 | 第34-35页 |
| 3.4 基于LSTM神经网络的预测系统理论 | 第35-39页 |
| 3.4.1 预测模型工作流程 | 第35-36页 |
| 3.4.2 预测模型的设计 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于LSTM神经网络预测的环境监控系统 | 第40-54页 |
| 4.1 数据管理模块 | 第40-43页 |
| 4.1.1 智能家居环境数据的采集 | 第40-41页 |
| 4.1.2 环境数据的存储及实时显示 | 第41-43页 |
| 4.2 网络通信模块 | 第43-51页 |
| 4.2.1 树莓派与服务器的通信 | 第44-47页 |
| 4.2.2 服务器与控制中心节点的通信 | 第47-49页 |
| 4.2.3 控制中心节点与家电设备的通信 | 第49-51页 |
| 4.3 预测模块 | 第51-52页 |
| 4.3.1 整体流程 | 第51-52页 |
| 4.3.2 预测模型的输入和输出 | 第52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 系统测试 | 第54-60页 |
| 5.1 测试智能监控环境 | 第54-56页 |
| 5.1.1 环境数据采集测试 | 第54页 |
| 5.1.2 控制智能设备测试 | 第54-56页 |
| 5.2 测试通信网络 | 第56-57页 |
| 5.3 预测模型测试 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 发表论文和科研情况说明 | 第65-66页 |
| 致谢 | 第66页 |
