CN113867167A - 一种基于人工神经网络的家居环境智能监控方法及系统 - Google Patents

Abstract

本发明涉及智能家居技术领域，具体涉及一种基于人工神经网络的家居环境智能监控方法及系统，方法包括：采集家居环境中的多项传感器数据；对传感器数据提取特征值和特征向量；基于人工神经网络对特征向量进行数据融合；获取数据融合的决策信息，并采取反馈动作。本发明提供一种基于人工神经网络的家居环境智能监控方法及系统，在室内空气质量监测与控制系统中引入多传感器数据融合技术，全方位多角度采集信息数据，促进人居监控系统在使用过程中更加智能化，提高监控的可靠性。

Description

一种基于人工神经网络的家居环境智能监控方法及系统

技术领域

本发明涉及智能家居技术领域，具体涉及一种基于人工神经网络的家居环境智能监控方法及系统。

背景技术

近年来，随着我国科技的发展，人们生活条件不断得到改善，使得人们对居住环境的要求因为越来越高，尤其是室内环境，因此智能家居监控系统逐渐走入人们的生活。智能家居监控系统可以监测和调整室内环境参数，让用户生活在安全、舒适的环境中。

在新型智能家居、房屋灾害报警等的设计和研发领域，世界各国已经走了很长的一段路程，美国公司研究制出了control4智能家居系统，该系统利用智能传感器技术、Zigbee无线网络技术和Wifi等先进技术，可实时监测家中温湿度、甲醛浓度，光照强度等环境参数，并自动将家中的环境参数调至最适宜的状态；日本松下(Panasonic)公司主要研究照明控制系统，该公司所研究的FULL-WAY照明控制系统相比传统系统更为便捷，只需要用两根特定的信号线就可以把所有需要的控制面板连接起来形成网络，从而避免了传统方式中复杂的配线，该系统使用脉冲信号来对照明模块进行控制，并且使用定时装置和多种传感装置监控室内的光照强度，根据室内光线的明暗程度自动调节灯光。国外公司的智能家居系统并不能很好的普及到各家各户。

我国也已有不少公司对智能家居系统的研发小有成就，例如钜力华科技公司，该公司的产品主要偏向于室内各项环境参数的监控，以及智能灯光控制这两个方面。JU-BUS系统是该公司的智能家居所用的主要控制系统，该系统主要由控制模块、执行模块和系统其他必要元件三部分组成。JU-BUS智能控制系统是目前较为高端的控制系统，采用845总线，涵盖的功能范围极广，包括安全防范、电动窗帘的开关控制、灯光开关的控制、家居环境参数实时采集显示等功能。控制模块包括温度检测控制面板、智能参数采集面板、触摸屏、各类型传感器等等。控制模块会根据各传感器采集到室内的环境参数值(如空气质量，环境的温湿度，光照强度等)发控制命令，该命令可以控制执行模块根据环境参数值执行相应的动作(如开关家电，打开或关闭窗帘等)。从而达到检测室内环境参数，控制家电，报警等功能。

但是，目前国内市场上的各种智能家居设备和智能化产品的存在一些问题，例如实用性不高、性价比低等，对于复杂的场合无法适用，无法在智能家居环境监控中不能很好的处理数量较大的传感器数据，实际效果可能并不理想。

发明内容

鉴于此，本发明提供一种基于人工神经网络的家居环境智能监控方法及系统，在室内空气质量监测与控制系统中引入多传感器数据融合技术，全方位多角度采集信息数据，促进人居监控系统在使用过程中更加智能化，提高监控的可靠性。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明提供一种基于人工神经网络的家居环境智能监控方法，包括：

采集家居环境中的多项传感器数据；

对传感器数据提取特征值和特征向量；

基于人工神经网络对特征向量进行数据融合；

获取数据融合的决策信息，并采取反馈动作。

在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述采集家居环境中的多项传感器数据之后，还包括：

对传感器数据进行预处理，生成传感器数据向量。

在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述对传感器数据提取特征值和特征向量，包括：

获取传感器数据的特征向量X_R；

建立多个传感器的特征向量集合[x₁,x₂,…x_R]^T。

在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述基于人工神经网络对特征向量进行数据融合，包括：

将传感器特征向量[x₁,x₂,…x_R]^T输入给多个输入层神经元进行计算，获取多个输入层神经元的计算结果；

将多个输入层神经元的计算结果均分别输入给多个隐藏层神经元进行计算，获取多个隐藏层神经元的计算结果；

将多个隐藏层神经元的计算结果输入给输出层神经元进行计算，

获取输出层神经元的计算结果。

在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述输入层神经元进行计算，包括：

输入层神经元的输入数据表示为：

输入层神经元的输出函数为：a_i＝f(net_i)；

其中，θ_i为输入层神经元所设定的阈值，f()为S型函数。

在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述隐藏层神经元进行计算，包括：

隐藏层神经元的输入数据表示为：

隐藏层神经元的输出函数为：a_j＝f(net_j)；

其中，w_ij为隐藏层神经元权值，θ_j为隐藏层神经元所设定的阈值。

在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述输出层神经元进行计算，包括。

输出层神经元的输入数据表示为：

输出层神经元的输出函数为：y_k＝f(net_k)；

其中，w_jk为输出层神经元权值，θ_k为输出层神经元所设定的阈值。

在上述的基于人工神经网络的家居环境智能监控方法中，作为优选方案，所述基于人工神经网络对特征向量进行数据融合，还包括：

分别计算输出层神经元和隐藏层神经元的反向误差信号；

根据输出层神经元和隐藏层神经元的反向误差信号分别对输出层神经元和隐藏层神经元的权值进行修正；

优选地，输出层的反向误差信号δ_k计算公式为：

δ_k＝(y_pk-y_k)f(net_k)＝y_k(1-y_k)(y_pk-y_k)；

隐含层的反向误差信号δ_j的计算公式为：

再优选地，隐藏层神经元权值的修正公式为：

w_ij(k+1)＝w_ij(k)+η_jδ_ja_i+a_i(w_ij(k)-w_ij(k-1))；

输出层神经元权值的修正公式为：

w_jk(k+1)＝w_jk(k)+η_kδ_ka_j+a_j(w_jk(k)-w_jk(k-1))；

其中，a为记忆因子，是表示各层过去权值的变化对当前权值变化影响的系数，η为学习速率系数。

本发明还提供了一种基于人工神经网络的家居环境智能监控系统，包括控制中心、通信模块和采集终端，所述采集终端包括有多个传感器和数据预处理模块，所述数据预处理模块用于对所述传感器所采集的数据进行预处理，所述通信模块用于在所述采集终端和所述控制中心之间进行实时通信，所述控制中心用于基于人工神经网络对特征向量进行数据融合，并获取数据融合的决策信息，采取反馈动作。

在上述的基于人工神经网络的家居环境智能监控系统中，作为优选方案，所述控制中心包括：

特征向量提取模块，所述特征向量提取模块用于对传感器数据提取特征值和特征向量；

融合计算模块，所述融合计算模块用于基于人工神经网络对特征向量进行数据融合；

误差信号计算模块，所述误差信号计算模块用于分别计算输出层神经元和隐藏层神经元的反向误差信号；

权值修正模块，所述权值修正模块用于根据输出层神经元和隐藏层神经元的反向误差信号分别对输出层神经元和隐藏层神经元的权值进行修正。

本发明提供一种基于人工神经网络的家居环境智能监控方法，具有如下有益效果：

1.本发明提供一种基于人工神经网络的家居环境智能监控方法，在室内空气质量监测与控制系统中引入多传感器数据融合技术，全方位多角度采集信息数据，运用动静结合的方式进行传感器布局，对人居环境中的各个参数对象进行实时、动态的监测，获取可靠而准确的信息；

2.本发明提供一种基于人工神经网络的家居环境智能监控方法，为了提高多传感器在管理方面的协调性、实时性、可靠性等性能，引入神经网络信息融合算法，在室内环境预警决策方面设计出更加智能而有效的息融合方案，促进人居监控系统在使用过程中更加智能化，可靠性进一步提高；

3.本发明提供一种基于人工神经网络的家居环境智能监控方法，为了提升信息获取的全面性与有效性，引入多种类、多数量的传感器，并进行信息融合，处理多传感器采集的信息，减小无效或冗余的信息造成的干扰，为控制空气质量调节设备控制提供决策保障；

4.本发明提供一种基于人工神经网络的家居环境智能监控方法，为实现对人居环境空气质量差的情况及时监测及时而准确的预警，提高报警决策的精准度，将信息融合技术与多传感技术进行有效融合，在功能上互相补充，建立具有可靠的预警决策模型。

本发明还提供一种基于人工神经网络的家居环境智能监控系统，其有益效果与基于人工神经网络的家居环境智能监控方法类似，不再赘述。

附图说明

图1为本发明实施例所提供的基于人工神经网络的家居环境智能监控方法第一种实施方式的流程示意图；

图2为本发明实施例所提供的基于人工神经网络的家居环境智能监控方法第二种实施方式的流程示意图；

图3为本发明实施例所提供的基于人工神经网络的家居环境智能监控方法的人工神经网络拓扑结构示意图；

图4为本发明实施例所提供的基于人工神经网络的家居环境智能监控系统的原理框图；

图5为本发明实施例所提供的基于人工神经网络的家居环境智能监控系统的硬件结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合具体情况说明本发明的示例性实施例：

请参考图1，图1为本发明实施例所提供的基于人工神经网络的家居环境智能监控方法第一种实施方式的流程示意图；根据本发明的实施例，本发明提供一种基于人工神经网络的家居环境智能监控方法，包括以下步骤：

步骤S101、采集家居环境中的多项传感器数据。

步骤S102、对传感器数据提取特征值和特征向量。

步骤S103、基于人工神经网络对特征向量进行数据融合。

步骤S104、获取数据融合的决策信息，并采取反馈动作。

在本实施例的基于人工神经网络的家居环境智能监控方法中，在家居环境中设置多个传感器，传感器是家居环境监控系统的“感官”。通过人工神经网络数据融合算法，把多传感特征数据融合结果，作为智能系统的判断依据，从而提高智能化的信息处理能力。信息融合技术是信息进行综合处理、状态识别并对事件进行逻辑推理的过程，在多源信息融合过程中，各传感器探测的信息通常都不够完整、不够精确，包含一定的不确定性和模糊性、甚至互相矛盾。为了实现目标识别和属性判决，可以依据这些不确定信息，数据融合进行推理。

请参考图2，图2为本发明实施例所提供的基于人工神经网络的家居环境智能监控方法第二种实施方式的流程示意图；根据本发明的实施例，本发明还提供一种基于人工神经网络的家居环境智能监控方法，具体包括以下步骤：

步骤S201、采集家居环境中的多项传感器数据。首先，在家居环境中设置多个传感器，如温湿度传感器、烟雾浓度传感器、一氧化碳传感器、空气质量传感器、光照强度传感器、气压传感器等，分别采集家居环境中的各项环境参数指标，温湿度检测模块可以实时监测环境中温湿度参数；烟雾浓度检测模块能实时采集烟雾浓度；光照强度传感器能实时检测环境光照强度值；一氧化碳传感器能实时监测空气中一氧化碳浓度；气压强度传感器能实时采集当地大气压值；空气质量传感器能实时检测空气质量指标。

步骤S202、对传感器数据进行预处理，生成传感器数据向量。为了实现后续控制系统的决策处理，信息融合的过程首先需要传感器采集信号，然后对传感器提供的信号进行预处理，将现场传感器采集的原始数据进行放大、滤波等预处理。

步骤S203、对传感器数据向量提取特征值和特征向量。对预处理后的数据向量提取特征值和特征向量，以方便后续计算。

步骤S204、建立多个传感器的特征向量集合。人工神经网络的基本构成是神经元，特征向量集合[x₁,x₂,…x_R]^T是指神经元的输入向量。

步骤S205、将传感器特征向量输入给多个输入层神经元进行计算，获取多个输入层神经元的计算结果。

输入层神经元的输入数据表示为：

输入层神经元的输出函数为：a_i＝f(net_i)；

其中，θ_i为输入层神经元所设定的阈值，f()为S型函数。

步骤S206、将多个输入层神经元的计算结果均分别输入给多个隐藏层神经元进行计算，获取多个隐藏层神经元的计算结果。

隐藏层神经元的输入数据表示为：

隐藏层神经元的输出函数为：a_j＝f(net_j)；

其中，w_ij为隐藏层神经元权值，θ_j为隐藏层神经元所设定的阈值。

步骤S207、将多个隐藏层神经元的计算结果输入给输出层神经元进行计算，获取输出层神经元的计算结果。

输出层神经元的输入数据表示为：

输出层神经元的输出函数为：y_k＝f(net_k)；

其中，w_jk为输出层神经元权值，θ_k为输出层神经元所设定的阈值。

如图3所示，传感器特征向量输入给多个输入层神经元，将每个输入层神经元的计算结果以一对多的方式输送给隐藏层神经元，将隐藏层神经元的计算结果以多对一的方式输送给输出层神经元，进行最终的数据融合，并将结果输出。

神经网络主要构成是输入层、隐藏层和输出层，各层之间通过的神经元连接。[w₁,w₂,…w_R]是BP神经网络上一层的神经元与这个神经元的连接权值系数向量，类似于人类神经元的突触，如果某个突触是兴奋性的，那么[w₁,w₂,…w_R]向量中的对应元素为正值，如果结果是非兴奋的，则向量中的元素是负值。因此该神经元的净输入值为：

当S大于阈值θ时，神经元被激活，经阈值调整后的值为：S+θ，f是神经元的激励函数，是单调递增有界的函数。那么该神经元的输出为：

步骤S208、分别计算输出层神经元和隐藏层神经元的反向误差信号。输出层的反向误差信号δ_k计算公式为：

δ_k＝(y_pk-y_k)f(net_k)＝y_k(1-y_k)(y_pk-y_k)；

隐含层的反向误差信号δ_j的计算公式为：

步骤S209、根据输出层神经元和隐藏层神经元的反向误差信号分别对输出层神经元和隐藏层神经元的权值进行修正。隐藏层神经元权值的修正公式为：

w_ij(k+1)＝w_ij(k)+η_jδ_ja_i+a_i(w_ij(k)-w_ij(k-1))；

输出层神经元权值的修正公式为：

w_jk(k+1)＝w_jk(k)+η_kδ_ka_j+a_j(w_jk(k)-w_jk(k-1))；

其中，a为记忆因子，是表示各层过去权值的变化对当前权值变化影响的系数，η为学习速率系数。

人工神经网络的学习过程本质就是对各连接权值进行动态调整。根据输入网络的样本数据，通过不断调整网络各层之间的连接权值而改变各层间映射关系，最终达到网络输出数值尽可能接近期望得到的数值

步骤S210、获取数据融合的决策信息，并采取反馈动作。对传感器数据进行总的融合处理后做出反应，进行声音、图像预警以及自动打开风机、自动打开窗帘、自动启动灭火装置等操作。

请参考图4，图4为本发明实施例所提供的基于人工神经网络的家居环境智能监控系统的原理框图；本发明还提供了一种基于人工神经网络的家居环境智能监控系统，包括控制中心403、通信模块402和采集终端401，所述采集终端包括有多个传感器404和数据预处理模块405，所述数据预处理模块405用于对所述传感器所采集的数据进行预处理，所述通信模块402用于在所述采集终端401和所述控制中心403之间进行实时通信，所述控制中心403用于基于人工神经网络对特征向量进行数据融合，并获取数据融合的决策信息，采取反馈动作。

在上述的基于人工神经网络的家居环境智能监控系统中，作为优选方案，所述控制中心403包括：

特征向量提取模块406，所述特征向量提取模块406用于对传感器数据提取特征值和特征向量；

融合计算模块407，所述融合计算模块407用于基于人工神经网络对特征向量进行数据融合；

误差信号计算模块408，所述误差信号计算模块408用于分别计算输出层神经元和隐藏层神经元的反向误差信号；

权值修正模块409，所述权值修正模块409用于根据输出层神经元和隐藏层神经元的反向误差信号分别对输出层神经元和隐藏层神经元的权值进行修正。

请参考图5，图5为本发明实施例所提供的基于人工神经网络的家居环境智能监控系统的硬件结构框图；本实施例的家居环境智能监控系统包含控制中心、通信模块和采集终端三部分；采集终端包括传感器和数据预处理模块实现传感器采集的数据预处理；通信模块实现采集终端和控制从终端的实时通信功能；控制中心实现多传感数据融合处理、发出预警信息和执行控操作。控制中心不仅完成多数据融合处理、显示、预警、控制操作和数据存储等功能，而且环境控制设施的启动。采集终端首先需要通过控制器和通信模块与控制中心实现实时通信，把传感器采集到的信息发送给控制中心，控制中心把所采集到的数据经过人工神经网络融合处理，一旦处理后的传感器数据超过系统设置的阈值时，通过触发环境调节装置，并给出报警信号。

主要硬件设备组成如下：

(1)温湿度传感器模块。数字温湿度变化传感器测量参数的引脚端口非常简单，一个单个输入数据引脚的端口，就能够直接同时实现两个数据输入和另一输出的双向数据传送。它的每个数据存储包由5byte(40bit)单元组成。

(2)烟雾浓度检测模块。烟雾浓度检测模块是气体传感器中被广泛应用于直接感知外部气体的一种气敏传感器，传感器中用来感知外界气体的气敏材料是二氧化锡(SnO2)。该传感器原理是随着空气中各种可燃性物质浓度的增加，传感器的电导率也会逐渐变得越来越高。根据这个原理，将其中的电导率随着可燃性气体浓度的改变而发生改变这一现象转换成一种输出的信号，从而实现检测烟雾浓度的功能。这种传感器能够准确检测气体中是否包含有一氧化碳和其他具有可燃性质的多种气体，是一款特别安全、适合多种气体应用的低功耗低成本气体传感器。

(3)一氧化碳检测模块。一氧化碳检测模块是气体传感器气体传感器中被广泛用于感知外部产生气的器件，其感知材料主要为二氧化锡(SnO2)。其原理就是随着空气中一氧化碳气体浓度增加，传感器的电导率也会变得越来越大，将电导率随着可燃气体浓度的变化而变化这一现象转化为一种输出信号，实现检测一氧化碳浓度的功能。是一种特别适合于多种场所使用的低价格、低成本传感器。

(4)空气质量检测模块。MQ135空气质量传感器是一种应用广泛的传感器，当传感器检测到外部空气中包含有一种极具污染性的有机气体，传感器的电导率会随着这种污染气体浓度不断增加而逐渐增大。根据这种特性，可以考虑采用一个简单的输入控制电路，使它可以把电导率的最大改变转换成与该气体物质的含量浓度相对应的一个输出控制信号。

(5)光照强度检测模块。本设计的光照模块采用的是灵敏型光敏电阻传感器。

(6)气压检测模块。本设计采用BMP280-3.3气压传感器模块。BMP280是一款常用的空气压力感知传感器，由于其高精度(绝对精度最低可以达到0.2Pa)、体积小、低能耗(2.7μA)等特性被广泛应用在各个领域。

(7)电机驱动模块。步进电机是由识别脉冲变化转化转角的一种电机，脉冲频率与转角成正比。当驱动板相应引脚(IN0-IN4)对应接收到PB5、PB8、PB1、PB13组成的脉冲信号，让INx依次接收到信号，它就输出电平驱动步进电机正方向的转动；反过来则是反向转动。通过设置脉冲数量来设置移动多少角位，设定脉冲频率来决定电机转动的速度。

(8)控制和处理模块。微控制和处理模块选择基于ARM内核的STM32F407ZET6单片机(Microcontrollers)。该处理包含中央处理器CPU、只读存储器ROM、随机存储器RAM、多种I/O口、中断系统、显示驱动电路、模拟多路转换器、定时器/计数器、A/D转换器等功能模块。是一款高度击沉的微型计算机系统，广泛应用于工业控制领域。

(9)报警模块。通过报警模块实现对火灾的预警，首先可以让值班人员通过图像采集设备查看火情，并迅速做出判断是否启动灭火装置(如果一定时间内没有做出处置，系统将自动启动灭火设备)；其次，依据火灾报警铃声，人员可以迅速撤离减少不必要的损失。

(10)显示模块。显示模块可以实时显示环境内传感器所测的环境参数经过处理后的温度、湿度、光照、气压、PM2.5等环境参数显示。

本实施例的基于人工神经网络的家居环境智能监测系统，主要由监测模块、控制模块等功能模块组成。其基本功能是通过多类型传感器准确地监测环境参数，根据系统设置环境参数设置阈值，超过阈值启动电磁阀，是启动空气净化设备，遮阳设备等，保障居住环境保持在一个舒适健康的环境中。硬件以微处理为控制核心主控制模块；温湿度监测模块、烟雾浓度监测、光照强度检测模块、CO检测模块传、气压检测模块，步进电机控制模块(控制窗帘的开关)、报警模块等监测模块；结合语音处理模块、通信模块等模块构成系统的硬件。传感器监测模块通过放大器设计与微处理器管脚接口相接，实现数据采集。采用总线型拓扑结构，用双向半双工的传输方式进行数据监测，进行信息的校准，更好地发挥通信模块在监控模块和综合管理模块的作用。温湿度检测模块可以实时监测环境中温湿度参数；烟雾浓度检测模块能实时采集烟雾浓度；光照强度传感器能实时检测环境光照强度值；一氧化碳传感器能实时监测空气中一氧化碳浓度；气压强度传感器能实时采集当地大气压值；空气质量传感器能实时检测空气质量指标；家居环境中参数都可以通过控制器设置一定的阈值，一旦传感器检测的数据经过数据融合处理后的结果超过阈值时，系统会自动报警，并自动启动控制设备。例如当光照强度大于阈值时，表明此时天亮了，此时系统会自动熄灭灯光，并驱动电机打开窗帘；反之，当光照强度小于阈值，表明此时天黑了，系统会自动点亮小灯，并关闭窗帘。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的具体实施方式进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于人工神经网络的家居环境智能监控方法，其特征在于，包括：

采集家居环境中的多项传感器数据；

对传感器数据提取特征值和特征向量；

基于人工神经网络对特征向量进行数据融合；

获取数据融合的决策信息，并采取反馈动作。

2.根据权利要求1所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述采集家居环境中的多项传感器数据之后，还包括：

对传感器采集的数据进行预处理，生成传感器数据向量。

3.根据权利要求2所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述对传感器数据提取特征值和特征向量，包括：

获取传感器数据的特征向量X_R；

建立多个传感器的特征向量集合[x₁,x₂,…x_R]^T。

4.根据权利要求3所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述基于人工神经网络对特征向量进行数据融合，包括：

将传感器特征向量[x₁,x₂,…x_R]^T输入给多个输入层神经元进行计算，获取多个输入层神经元的计算结果；

将多个输入层神经元的计算结果均分别输入给多个隐藏层神经元进行计算，获取多个隐藏层神经元的计算结果；

将多个隐藏层神经元的计算结果输入给输出层神经元进行计算，获取输出层神经元的计算结果。

5.根据权利要求4所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述输入层神经元进行计算，包括：

输入层神经元的输入数据表示为：

输入层神经元的输出函数为：a_i＝f(net_i)；

其中，θ_i为输入层神经元所设定的阈值，f()为S型函数。

6.根据权利要求5所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述隐藏层神经元进行计算，包括：

隐藏层神经元的输入数据表示为：

隐藏层神经元的输出函数为：a_j＝f(net_j)；

其中，w_ij为隐藏层神经元权值，θ_j为隐藏层神经元所设定的阈值。

7.根据权利要求6所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述输出层神经元进行计算，包括。

输出层神经元的输入数据表示为：

输出层神经元的输出函数为：y_k＝f(net_k)；

其中，w_jk为输出层神经元权值，θ_k为输出层神经元所设定的阈值。

8.根据权利要求7所述的基于人工神经网络的家居环境智能监控方法，其特征在于，所述基于人工神经网络对特征向量进行数据融合，还包括：

分别计算输出层神经元和隐藏层神经元的反向误差信号；

根据输出层神经元和隐藏层神经元的反向误差信号分别对输出层神经元和隐藏层神经元的权值进行修正；

优选地，输出层的反向误差信号δ_k计算公式为：

δ_k＝(y_pk-y_k)f(net_k)＝y_k(1-y_k)(y_pk-y_k)；

隐含层的反向误差信号δ_j的计算公式为：

再优选地，隐藏层神经元权值的修正公式为：

w_ij(k+1)＝w_ij(k)+η_jδ_ja_i+a_i(w_ij(k)-w_ij(k-1))；

输出层神经元权值的修正公式为：

w_jk(k+1)＝w_jk(k)+η_kδ_ka_j+a_j(w_jk(k)-w_jk(k-1))；

其中，a为记忆因子，是表示各层过去权值的变化对当前权值变化影响的系数，η为学习速率系数。

9.一种基于人工神经网络的家居环境智能监控系统，其特征在于，包括控制中心、通信模块和采集终端，所述采集终端包括有多个传感器和数据预处理模块，所述数据预处理模块用于对所述传感器所采集的数据进行预处理，所述通信模块用于在所述采集终端和所述控制中心之间进行实时通信，所述控制中心用于基于人工神经网络对特征向量进行数据融合，并获取数据融合的决策信息，采取反馈动作。

10.根据权利要求9所述的基于人工神经网络的家居环境智能监控系统，其特征在于，所述控制中心包括：

特征向量提取模块，所述特征向量提取模块用于对传感器数据提取特征值和特征向量；

融合计算模块，所述融合计算模块用于基于人工神经网络对特征向量进行数据融合；

误差信号计算模块，所述误差信号计算模块用于分别计算输出层神经元和隐藏层神经元的反向误差信号；

权值修正模块，所述权值修正模块用于根据输出层神经元和隐藏层神经元的反向误差信号分别对输出层神经元和隐藏层神经元的权值进行修正。

Images