本毕业设计集成智能硬件，数据流及机器学习等前沿技术，设计并实现了针对室内植物的一套完整的智能管理平台。此平台着眼于室内植物的优化生长， 提供了一套涵盖环境数据采集，数据深度分析，实时反馈以及对植物灌溉和温度控制的完整解决方案。此平台也为将来集成更多的数据采集技术及创建针对不同植物的数据模型奠定了坚实的基础。基于本设计的创新性开发，通过未来的进一步产品化，具有作为未来智能家居系统的重要组成部分的潜力。关键词 智能家居，数据分析，机器学习，Arduino
目录
1 绪论 1
1.1 智能家居系统 1
1.2 机器学习及其研究意义 1
1.3 室内植株生长与智能家居系统 2
2 系统总设计方案 3
2.1 设计目标 3
2.2 设计框图 4
2.3 系统工作原理 4
3 系统硬件设计 5
3.1 硬件平台选择 5
3.2 硬件设计框图 7
3.3 硬件功能模块 8
3.3.1 传感器 8
3.3.2 控制部件 9
3.3.3 输入输出模块 10
3.3.4 传感器扩展板 10
3.3.5 中央控制器 11
3.3.6 电源控制 11
4 系统软件设计 12
4.1 软件总体设计图 12
4.2 软件环境选择 12
4.2.1 采用Python语言开发的原因 12
4.2.2 Anaconda 13
4.2.3 Jupyter notebook 13
4.3 实时处理模块 14
4.3.1 硬件交互 14
4.3.2 基于DataFrame的数据流 14
4.3.3 数据流与pandas的集成 14
4.4 数据分析模块 16
4.4.1 python的第三方库numpy、scipy 16
4.4.2 机器学习框架scikitlearn 16
4.4.3 机器 *51今日免费论文网|www.jxszl.com +Q: *351916072* 
学习的实现 17
4.5 报表模块 18
结 论 21
致 谢 23
参 考 文 献 24
附录A 26
1 绪论
1.1 智能家居系统
智能家居系统是一种包含有家用电器管理,家用电器红外控制,住宅资源管理,住宅安全强化等服务的自动化家庭系统。由于人们对自动化系统自我调节的需求,简单的数据系统和微处理系统就变得不再适用,于是出现了以AI技术为核心的智能自动化系统。智能家居利用快速发展的无线通讯技术、大数据技术、综合布线技术,结合用户的需求,将与住宅生活有关的功能如防盗、烟火报警 、动物饲养、温度调节、灯光调节、电器控制、环境监测等整合在一起。被用于跟踪残疾人士或老年人的行为及身体状况的智能家居系统应运而生,从传感器所收集到的传感器数据可以使用人类活动识别进行标记,以帮助确定家庭中的行为与健康变化之间是否存在关系,在发生异常情况时及时发出警报进行呼救。家庭内部的活动识别,能显着提高老年人和有特殊需求的人的医疗监护和应急控制应用的性能。
1.2 机器学习及其研究意义
机器学习来源于早期的人工智能领域，是实现人工智能的一种方法，通过人类研究出来的决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等算法对数据进行分析，并从中学习和推断，做出事件的决策或者推断。机器学习这门学科涉及内容十分广泛，包括了数论、统计学、概率论等知识，是一门复杂的交叉学科。与传统的程序员手动编写程序的方式截然不同的是，机器学习这种方法使用大量的数据来训练机器，而这种方法所达成的结果通常是靠程序员手段编写程序所无法达到的。传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等。机器学习的算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。利用这些算法，机器学习被普遍地运用于数据分析、图像识别、计算机视觉化、自然语言处理、DNA测序等科研或商业领域。科学家们得到的成果被运用在各个领域,向人们展示了毫无关联的两个领域如何协同运作的奇迹。TCGA数据库，The Cancer Genome Altas，是将机器学习运用于医学获得巨大成果的典型范例。根据TCGA的数据，研究者们试图利用机器学习对DNA与细胞中的与疾病风险存在相关联的变量之间的关系进行分析，来解读基因组的特性以及与表型之间的关联。研究者们甚至试图利用大数据运动的结果和深度学习等计算机技术找到疾病背后的致病机制，开启一个新的医学时代。部分科学家们期待着通过机器学习，开启一个知识大爆发的时代。
人在分析和思考的时候习惯于借鉴从前的经验,或者有跳出这个惯性的研究者也必然惯于借鉴曾经用过的思考方式,而机器学习使用各种算法,很容易跳出人类的思维惯性,在一些人类很难根据经验从中找出任何规律的数据或信息中得到一些被忽略的自然法则或是运作模式。因此,即使现在可使用的算法并未有大的发展,且有一定的局限,机器学习在各个领域的运用依然具有非常之大的潜力。最有趣的是,谷歌在2017年发布的AutoML编程自学系统在一些测试中,胜过了这个系统研究人员编写程序的效率。即使系统具有缺乏理论和数据能力的缺陷,需要一定研究人员的监督和管理,仍然极大地证明了机器学习在实际运用中的强大功能。再比如语言的学习,过去人们都以为适用于语言学习的是逻辑方法。而近年来随着机器学习在自然语言的处理方面所取得的巨大成功，例如Google Assistant,无不表明语言实际是一种概率分布,而语言学领域花费大量时间研究语言的各种结构和属性,大多是一种时间的浪费。使用机器学习进行研究,有极大的概率可以帮我们跨越知识的鸿沟,避免很多因为方向错误而导致的研究资源和精力的浪费。
机器学习的快速发展得益于在过去的几年中,人工智能这个学科获得了前所未有的发展。由于图形处理器(GUI)的出现,并行处理可以更快,成本也更为低廉。另外,过去几年的大数据运动使得拥有几乎无限的存储空间和海量数据成为可能,同时,人工智能方面的研究领域也开始不断扩展,如图像识别、计算机视觉化、自然语言处理等，其中也包括机器学习在内。机器学习是使用算法来解析数据，进行学习，然后对真实事件做出决策或者预判，如互联网使用者浏览购物网页的时候，购物网站就可以根据你的cookie来推测你感兴趣的商品。与程序员直接人工编码出的程序不同的是，机器学习是使用存储的大量训练数据，通过各种如分类算法、神经网络的学习型算法从数据中学习如何完成任务。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/64035.html