基于粗糙集的智能家居規(guī)則提取方法

霍磊 王志良

摘 要： 智能家居的關(guān)鍵在于在不需要用戶干預(yù)的條件下，針對(duì)不同的用戶生成個(gè)性化的服務(wù)規(guī)則。用戶習(xí)慣的主觀性造成了服務(wù)規(guī)則不能預(yù)先定義，需要在家居系統(tǒng)運(yùn)行過(guò)程中提取。粗糙集是一種處理不完備信息的工具，適合在大量復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)潛在規(guī)律。把智能家居看成是一個(gè)狀態(tài)驅(qū)動(dòng)的環(huán)境，建立狀態(tài)控制的家居控制系統(tǒng)平臺(tái)，同時(shí)提出了一種基于粗糙集的智能家居個(gè)性化規(guī)則提取方法，把家庭歷史狀態(tài)記錄看作挖掘?qū)ο?，?duì)狀態(tài)值進(jìn)行離散化，通過(guò)屬性約簡(jiǎn)，找出影響決策的關(guān)鍵因素，再進(jìn)行值約簡(jiǎn)，得出決策規(guī)則。智能家居實(shí)驗(yàn)室的實(shí)驗(yàn)表明，該種方法具有實(shí)用價(jià)值。

關(guān)鍵詞： 粗糙集； 智能家居； 規(guī)則提?。?屬性約簡(jiǎn)； 數(shù)據(jù)挖掘

中圖分類號(hào)： TN92?34； TP273 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）05?0038?04

0 引 言

隨著物聯(lián)網(wǎng)的不斷發(fā)展，人們對(duì)智能家居的研究越來(lái)越深入[1]。智能家居設(shè)備的多樣性和服務(wù)對(duì)象的個(gè)性化增加了家居系統(tǒng)建模的困難，目前的智能家居服務(wù)活動(dòng)需要人的參與，由于用戶習(xí)慣的分散性和主觀性，在很多情況下無(wú)法使用預(yù)定義的智能空間控制模式?，F(xiàn)有的智能家居系統(tǒng)都沒(méi)有實(shí)現(xiàn)智能服務(wù)的有效個(gè)性化[2]。本文探討了一種基于粗糙集的規(guī)則提取與驅(qū)動(dòng)模型，來(lái)自學(xué)習(xí)智能家居中的規(guī)則。

粗糙集理論是由波蘭學(xué)者 Pawlak在1982年提出的[3]一種刻畫不完整和不確定性信息的數(shù)學(xué)工具， 能有效地分析和處理不精確、不一致、不完整等各種不完備的信息，并從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律[4]。目前，粗糙集已經(jīng)在模式識(shí)別、知識(shí)發(fā)現(xiàn)與機(jī)器學(xué)習(xí)、決策支持、數(shù)據(jù)挖掘等許多科學(xué)與工程領(lǐng)域得到了成功的應(yīng)用，不少學(xué)者將其用于醫(yī)療信息處理[5]、汽車數(shù)據(jù)采集[6]、感性規(guī)則挖掘[7]等領(lǐng)域。

由于不需要先驗(yàn)知識(shí)，粗糙集很適合智能家局的規(guī)則提取。為了提高智能控制的效率，增強(qiáng)規(guī)則之間的數(shù)據(jù)共享，智能家居的知識(shí)規(guī)則應(yīng)遵循最簡(jiǎn)原則。粗糙集分為屬性約簡(jiǎn)和屬性值約簡(jiǎn)，屬性約簡(jiǎn)的目的就是得到能夠區(qū)分樣本的最小的屬性子集。

1 狀態(tài)驅(qū)動(dòng)的異構(gòu)智能家居系統(tǒng)平臺(tái)

智能家居由傳感和控制終端組成的外圍系統(tǒng)和服務(wù)中心組成。由于智能家居系統(tǒng)中存在多種控制協(xié)議，具有很強(qiáng)的異構(gòu)性[8]，本文的智能家居中采用中間件的形式分離底層硬件和上層應(yīng)用。智能家居的系統(tǒng)結(jié)構(gòu)如圖1所示。

其中，不同通信介質(zhì)和通信協(xié)議的設(shè)備通過(guò)適配層，接入到家庭狀態(tài)信息總線中，轉(zhuǎn)換為設(shè)備狀態(tài)隊(duì)列。各個(gè)設(shè)備根據(jù)總線中要求的設(shè)備狀態(tài)值做相應(yīng)的控制動(dòng)作。

智能控制系統(tǒng)檢查設(shè)備的狀態(tài)請(qǐng)求信息和環(huán)境信息。當(dāng)系統(tǒng)發(fā)現(xiàn)設(shè)備狀態(tài)請(qǐng)求信息發(fā)生變化時(shí)，通過(guò)中間件請(qǐng)求物理設(shè)備操作，以同步設(shè)備狀態(tài)保證設(shè)備狀態(tài)和設(shè)備狀態(tài)信息的一致性，進(jìn)而實(shí)現(xiàn)基于設(shè)備狀態(tài)驅(qū)動(dòng)的智能家居控制，依靠狀態(tài)驅(qū)動(dòng)的架構(gòu)，能夠與狀態(tài)隊(duì)列有很好的結(jié)合，免去設(shè)備同時(shí)被多個(gè)操作源操作而產(chǎn)生的沖突；當(dāng)系統(tǒng)發(fā)現(xiàn)環(huán)境狀態(tài)信息發(fā)生變化時(shí)，將信息輸入到規(guī)則引擎Drools中去，以實(shí)現(xiàn)規(guī)則驅(qū)動(dòng)的設(shè)備控制。

Drools是用Java語(yǔ)言編寫的開(kāi)放源碼規(guī)則引擎，使用Rete算法對(duì)所編寫的規(guī)則求值。Drools允許使用聲明方式表達(dá)業(yè)務(wù)邏輯。可以使用非XML的本地語(yǔ)言編寫規(guī)則，從而便于學(xué)習(xí)和理解。并且，還可以將Java代碼直接嵌入到規(guī)則文件中[9]。

當(dāng)設(shè)備狀態(tài)發(fā)生變化時(shí)，系統(tǒng)會(huì)把當(dāng)前所有感知設(shè)備狀態(tài)和受控設(shè)備的狀態(tài)變化寫入歷史數(shù)據(jù)庫(kù)。隨著用戶在智能環(huán)境中生活時(shí)間的增加，會(huì)產(chǎn)生大量家居空間狀態(tài)數(shù)據(jù)，為系統(tǒng)能夠自動(dòng)學(xué)習(xí)用戶的行為模式提供數(shù)據(jù)來(lái)源。每一條記錄都會(huì)被作為粗糙集的一個(gè)決策記錄，參與到知識(shí)約簡(jiǎn)中。

2 基于粗糙集的規(guī)則提取系統(tǒng)

為了有較好的用戶體驗(yàn)，系統(tǒng)不應(yīng)主動(dòng)請(qǐng)求用戶干預(yù)，而應(yīng)該在后臺(tái)靜默運(yùn)行，從用戶的行為中覺(jué)察其個(gè)性與喜好。因此，智能家居中環(huán)境與設(shè)備的狀態(tài)成為規(guī)則提取的主要來(lái)源。

在智能家居空間中，感知信息由多個(gè)環(huán)境狀態(tài)組合而成，例如S={溫度，濕度，亮度，音量，煙霧濃度，空氣質(zhì)量}。面對(duì)復(fù)雜的環(huán)境，智能家居中的用戶可能會(huì)要求不同的處理方法。例如，用戶可能在溫度較高的情況下打開(kāi)窗戶或者空調(diào)，或者并采取任何措施，這可能取決于室內(nèi)的濕度、亮度等環(huán)境因素和用戶自身的耐熱程度和用戶對(duì)節(jié)電的渴望等心理因素。

為了能夠更好地適應(yīng)智能空間中用戶的需求，需要對(duì)這些感知信息進(jìn)行綜合考量，挖掘其中的潛在聯(lián)系，提取規(guī)則。用戶的歷史數(shù)據(jù)可以看作最初的規(guī)則集，由于家居環(huán)境中設(shè)備種類多，信息量大，會(huì)產(chǎn)生噪聲屬性信息，影響系統(tǒng)運(yùn)行，需要使用粗糙集理論能夠剔除數(shù)據(jù)集中的冗余屬性和數(shù)據(jù)，實(shí)現(xiàn)智能家居規(guī)則的動(dòng)態(tài)生成。

2.1 粗糙集的相關(guān)定義

粗糙集可以從大量的數(shù)據(jù)中挖掘潛在的、有利用價(jià)值的知識(shí)，它與概率方法、模糊集方法和證據(jù)理論方法等其他處理不確定性問(wèn)題理論的最顯著區(qū)別在于：其無(wú)需提供問(wèn)題所需處理的數(shù)據(jù)集合之外的任何先驗(yàn)信息，因此無(wú)需人為制定隸屬度或隸屬度函數(shù)，從而避免了主觀因素的影響[10]。粗糙集相關(guān)定義如下：

定義1 設(shè)[U={x1，x2，…，xn}]為論域，[A={a1，a2，…，am}]為屬性集 ，[R]為[U]上的等價(jià)關(guān)系，[[X]R]表示包含元素[X∈U]的[R]的等價(jià)類，[K=（U，R）]為知識(shí)庫(kù)。若[P?R]且[P≠?，][?P]（[P]中所有等價(jià)關(guān)系的交集）也是一個(gè)等價(jià)關(guān)系，稱為[P]上不可區(qū)分關(guān)系，記為[IND（P）]。

定義2 在一族等價(jià)關(guān)系[R]中，[r∈R，]如果[IND（R）=IND（R-{r}）][IND（R）=IND（R-{r}），]則稱[r]為[R]中不必要的，否則稱[r]為[R]中必要的。如果每個(gè)[r∈R]都為[R]中必要的，則稱[R]為獨(dú)立的。設(shè)[Q?P，]如果[Q]是獨(dú)立的，且[IND（Q）=IND（P），]則稱[Q]為[P]的一個(gè)約減，[P]中所有必要關(guān)系的集合稱為[P]的核，記為[CORE（P）]。核與約減的關(guān)系可以表示為：[CORE（P）=?RED（P），]其中[RED（P）]表示[P]的所有約減。

定義3 在信息表[T=（U，A）]中，[U]為對(duì)象集，[A=C?D，][C]為一系列的條件屬性，[D]為決策屬性，集合[D]引入分區(qū)將[U]分成不同的決策類。

最終的決策規(guī)則則體現(xiàn)了知識(shí)的表現(xiàn)形式，其表示方法為[A→B]，其中[A]為規(guī)則前件，[B]為規(guī)則后件，是對(duì)決策屬性[d]的描述。選擇粗糙集理論規(guī)則提取即利用粗糙集對(duì)歷史記錄進(jìn)行化簡(jiǎn)的過(guò)程。

2.2 粗糙集信息系統(tǒng)

系統(tǒng)的條件屬性記錄來(lái)自系統(tǒng)的感知器信息，決策屬性來(lái)自設(shè)備狀態(tài)變化時(shí)的狀態(tài)值，為了離散化狀態(tài)信息，需要先把狀態(tài)值聚類為符合狀態(tài)物理屬性的值，并對(duì)每個(gè)分類進(jìn)行正態(tài)分布擬合；同時(shí)把設(shè)備操作值變換成設(shè)備狀態(tài)變化值。對(duì)系統(tǒng)粗糙集矩陣建立如下：

[RS= CC1C2...Cnc1c2...cnc1c2...cnc1c2...cnDD1D2...Dmd1d2...dmd1d2...dmd1d2...dm]

其中：[C，D]分別表示條件屬性和決策屬性；[C1，C2，…，Cn]表示條件屬性（環(huán)境狀態(tài)）的[n]個(gè)維度；[ci]表示第[i]維屬性中的某個(gè)類的分類值；[D1，D2，…，Dm]表示動(dòng)作語(yǔ)義（執(zhí)行器狀態(tài)）的[m]個(gè)分量；[di]表示某個(gè)環(huán)境語(yǔ)義分量取值，只能取[di∈{0，1}]，分別對(duì)應(yīng)環(huán)境語(yǔ)義的正向、逆向（例如：溫度的上升和下降）。

由于感知信息的[n]個(gè)維度并不是相互獨(dú)立的，而且存在著大量的冗余的，不確定的信息，屬性約減就是要去掉這些對(duì)決策屬性沒(méi)有影響的冗余的條件屬性維度，精簡(jiǎn)決策規(guī)則。

由于粗糙集一般只適用于一個(gè)決策屬性的情況，而在這里建立的粗糙集擁有[m]個(gè)決策屬性，所以在這里將一行中決策屬性的不同組合作為決策屬性的分類，即[D=d1d2…dm，]于是[RS]只有一個(gè)決策屬性，可以使用一般的粗糙集約減步驟來(lái)處理。

2.3 算法過(guò)程

首先要去掉無(wú)關(guān)屬性，屬性約簡(jiǎn)算法步驟如下：

輸入：條件屬性集合[C={C1，C2，…，Cn}，]決策屬性為[D。]

輸出：約減后的屬性集合[RED（C）]。

步驟1：提取用戶記錄，合并所有相同的記錄。

步驟2：計(jì)算條件屬性[C]相對(duì)于決策屬性[D]的正域[posC（D）]。

步驟3：對(duì)[C]的每一個(gè)分量[Di，]計(jì)算除去[Di]所得到的條件屬性[C-{Di}]相對(duì)于決策屬性[D]的正域[posC-{Di}（D）]。

步驟4：若[posC-{Di}（D）=posC（D），]說(shuō)明[Di]對(duì)于決策屬性[D]是不必要的，于是令[C=C-{Di}，]然后轉(zhuǎn)步驟（2）；否則[RED（C）=C，]計(jì)算結(jié)束。

經(jīng)過(guò)條件屬性約減以后，得到的粗糙集中已經(jīng)不存在冗余的條件屬性。但在剩下的條件屬性值中，針對(duì)每個(gè)決策分類而言還有可能存在冗余的情況，為了得到最精簡(jiǎn)的規(guī)則，就需要針對(duì)每種決策屬性分類進(jìn)行規(guī)則提取。提取的步驟如下：

步驟1：為每種決策屬性分類分組，并在每個(gè)組中合并相同條件屬性的記錄，同時(shí)記下個(gè)數(shù)權(quán)重。

步驟2：對(duì)每一條記錄的全部條件屬性，若存在于其他決策屬性分組記錄集中，則該記錄所表示的規(guī)則為模糊規(guī)則，計(jì)算其出現(xiàn)概率，否則為確定規(guī)則，概率為1。

步驟3：對(duì)每一條記錄的條件屬性進(jìn)行從1～n（n為條件屬性的個(gè)數(shù)）的排列，若僅取該排列的條件屬性記錄不存在于其他決策分組中，那么該排列的條件屬性記為該條記錄的最簡(jiǎn)條件屬性集合；反之則繼續(xù)計(jì)算直到找到該組合為止。

最終的規(guī)則集合形如[if C then D，]其中[C]為條件屬性集合，[D]為決策屬性集合。

3 家居實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

基于北京科技大學(xué)物聯(lián)網(wǎng)系的樣板間體驗(yàn)平臺(tái)進(jìn)行了實(shí)驗(yàn)，該平臺(tái)集成了環(huán)境感知、家電控制、健康采集、視頻監(jiān)控等一系列的設(shè)備狀態(tài)實(shí)現(xiàn)。本文以環(huán)境溫度、濕度、煙霧、污染、噪音為環(huán)境因素，空調(diào)、加濕器、窗戶和排風(fēng)扇為執(zhí)行設(shè)備，具體設(shè)備信息如表1所示。

溫度分成3個(gè)類{溫度低，溫度高，-}，溫度低類的正態(tài)分布擬合參數(shù)為[（μ=17.8，σ=2.5）]；溫度高的擬合參數(shù)為[（μ=30.2，σ=2.7）]；都不屬于這兩類的數(shù)據(jù)使用“-”表示。把濕度分成3個(gè)類{濕度低，濕度高，-}，濕度低類的正態(tài)分布擬合參數(shù)為[（μ=22.4，σ=5.6）]；濕度高類的擬合參數(shù)為[（μ=73.4，σ=8.1）]；都不屬于這兩類的數(shù)據(jù)使用“-”表示時(shí)間維度和其他連續(xù)值類型的環(huán)境因素不同，相比于正態(tài)分布而言更合適使用均勻分布進(jìn)行擬合，因此這里對(duì)時(shí)間的分類擬合采用均勻分布。音量被分成2個(gè)類 {正常，-}。正常類的擬合參數(shù)為[（μ=33.5，σ=5.1）]。另外兩個(gè)環(huán)境維度：煙霧和污染的值類型為布爾型，不需要聚類以及擬合處理。

由于不同的月份用戶的需求表現(xiàn)出較大的差異，故規(guī)則庫(kù)的生成是以月為單位的，表2記錄了5月份智能家居中某用戶產(chǎn)生的狀態(tài)變化結(jié)果。

于是記錄表為粗糙集矩陣[RS=[C D]]。其中[U={1，2，3，…，325}]為論域；[C={C1，C2，C3，C4，C5，C6}]為條件屬性，分別對(duì)應(yīng)時(shí)間、溫度、煙霧、污染、音量；[D={D1，D2，D3，D4，D5，D6}，]為決策屬性，分別對(duì)應(yīng)溫升、溫降、濕升、濕降、通風(fēng)、排風(fēng)。

4 結(jié) 語(yǔ)

由于用戶個(gè)人行為主觀性的存在，很多情況下智能家居中無(wú)法使用預(yù)定義的規(guī)則。本文利用了粗糙集不需要先驗(yàn)知識(shí)和支持多維條件集合的優(yōu)點(diǎn)，使用歷史操作數(shù)據(jù)作為信息源，在處理了其中離散化的數(shù)據(jù)前提下，對(duì)歷史記錄表進(jìn)行屬性約減，提煉出簡(jiǎn)明、準(zhǔn)確的規(guī)則。實(shí)驗(yàn)表明，本方法可以有效從用戶歷史中提取用戶個(gè)性化需求，減少規(guī)則數(shù)量，針對(duì)不同的環(huán)境情況，做出適合用戶習(xí)慣的反應(yīng)，提供個(gè)性化的家庭規(guī)則控制方法，適用于個(gè)體數(shù)字家庭系統(tǒng)使用。但是，未來(lái)的家居智能控制環(huán)境可能是云端的方式，條件屬性過(guò)多，規(guī)則提取過(guò)程中的計(jì)算量會(huì)過(guò)大。如何簡(jiǎn)化計(jì)算過(guò)程，使其使用與云中心方式工作的智能家居系統(tǒng)，是接下來(lái)需要考慮的問(wèn)題。

參考文獻(xiàn)

[1] 邵鵬飛，王喆，張寶儒.面向移動(dòng)互聯(lián)網(wǎng)的智能家居系統(tǒng)研究[J].計(jì)算機(jī)測(cè)量與控制，2012，20（2）：474?479.

[2] 王志良，王粉花.物聯(lián)網(wǎng)工程概論[M].北京：機(jī)械工業(yè)出版社，2011：18?30.

[3] PAWLAK Z. Rough set theory and its applications to data ana?lysis [J]. Cybernetics and systems， 1998， 29（7）： 661?668.

[4] 鄂旭，邵良杉，張毅智，等.一種基于粗糙集理論的規(guī)則提取方法[J].計(jì)算機(jī)科學(xué)，2011，38（1）：232?235.

[5] 劉洋，張卓，周清雷.醫(yī)療健康數(shù)據(jù)的模糊粗糙集規(guī)則挖掘方法研究[J].計(jì)算機(jī)科學(xué)，2014，41（12）：164?167.

[6] 陳超，陳性元，汪永偉，等.基于粗糙集理論的冗余規(guī)則處理方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（1）：21?25.

[7] 石夫乾，孫守遷，徐江.基于粗糙集的感性知識(shí)關(guān)聯(lián)規(guī)則挖掘研究[J].計(jì)算機(jī)集成制造系統(tǒng)，2008，14（2）：407?416.

[8] 楊溢，王志良，王魯，等.面向智能空間的異構(gòu)網(wǎng)絡(luò)同構(gòu)化通信框架[J].計(jì)算機(jī)科學(xué)，2012，39（4）：240?245.

[9] 朱呂，姚錫凡，徐川.基于JBoss Drools的車間調(diào)度[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2014，6（6）：131?134.

[10] 苗奪謙，李道國(guó).粗糙集理論、算法與應(yīng)用[M].北京：清華大學(xué)出版社，2008：210?233.