基于Android Studio开发平台使用CNN和LSTM的人工智能家居监控系统

最新推荐文章于 2025-06-20 23:36:52 发布

神一样的老师

最新推荐文章于 2025-06-20 23:36:52 发布

阅读量1.1k

点赞数 9

CC 4.0 BY-SA版权

分类专栏：物联网论文阅读分享文章标签：物联网

本文链接：https://blog.youkuaiyun.com/bit_mike/article/details/145386820

246 篇文章

订阅专栏

128 篇文章

订阅专栏

中文标题：基于Android Studio开发平台使用CNN和LSTM的人工智能家居监控系统
英文标题：An Artificial Intelligence Home Monitoring System That Uses CNN and LSTM and is Based on the Android Studio Development Platform

作者：Guo-Ming Sung, Sachin D. Kohale, Te-Hui Chiang, Yu-Jie Chong
所属单位：Electrical Engineering, National Taipei University of Technology, Taipei 10608, Taiwan
邮箱：gmsung@ntut.edu.tw (Guo-Ming Sung); sdk26091986@gmail.com (Sachin D. Kohale); bennylativ99@gmail.com (Te-Hui Chiang); chongyujie871125@gmail.com (Yu-Jie Chong)

研究内容：开发了一个基于Android Studio开发平台的人工智能家居环境监控系统。
系统组成：包括多种传感器、MQTT通信协议、云数据存储和计算以及终端设备控制。
数据处理：使用MongoDB软件作为文件导向的NoSQL数据库管理系统，用于处理大数据。
数据补全：使用k-最近邻（KNN）算法填补缺失数据。
数据传输：使用NodeRED开发软件作为数据接收、存储和计算环境。
功能实现：通过MQTT通信协议将室内温度、湿度和二氧化碳浓度数据传输到移动应用进行实时显示和监控。
控制功能：可以通过移动应用控制风扇或警告灯，以维持室内温度并警告用户紧急情况。
预测模型：使用长短期记忆（LSTM）模型和卷积神经网络（CNN）模型预测室内温度、湿度和二氧化碳浓度。
预测性能：湿度和二氧化碳浓度的预测平均相对误差分别为0.0415%和0.134%，室内温度预测的LSTM模型平均绝对百分比误差为0.180%，均方根误差为0.042°C，CNN-LSTM模型平均绝对百分比误差为1.370%，均方根误差为0.117°C。

传感器连接：七个设备（传感器）连接到一个ZigBee网络，包括温度、湿度、二氧化碳、气体、PM 2.5、PIR和烟雾传感器。
数据传输：传感器数据通过ZigBee USB接收器（ZigBee dongle）接收，转换后发送到无线USB dongle，最后通过MQTT代理传输到服务器。
数据存储：使用Node-RED开发软件作为MQTT订阅者接收处理后的数据并存储在MongoDB数据库中。
数据补全：使用KNN算法填补缺失数据，实验结果表明系统有效执行了数据补全。
自动设备控制：结合室内温度传感器和风扇控制设备建立自动控制系统，当室内温度>28°C时自动开启风扇，<22°C时自动关闭。
移动应用功能：开发了移动应用，用户可以注册、登录，并通过应用连接到数据库，查看设备状态和传感器数据，远程控制风扇或警告灯。
温度预测：使用LSTM和CNN-LSTM模型预测室内温度，实验结果表明LSTM模型在MAPE和RMSE方面优于其他模型，CNN-LSTM模型训练时间比LSTM模型短50%。