[发明专利]一种基于马尔科夫逻辑网络的智能家居决策方法

权利要求书

1.一种基于马尔科夫逻辑网络的智能家居决策方法，其特征在于，包括以下步骤：

步骤一：结合马尔科夫逻辑网络建立影响图决策模型

收集开关的状态和位置信息、家居的状态和位置信息以及传感器的数据流，根据收集的开关的状态和位置信息、家居的状态和位置信息以及传感器的数据流结合马尔科夫逻辑网络建立影响图决策模型；影响图决策模型是贝叶斯网络和决策模型相结合的概率模型，在形式上扩展了贝叶斯网络，包括三种类型的节点：决策节点、状态节点和效用节点；其中状态节点是从证据中获得的；决策节点是和决策即采取的操作相对应的节点；效用节点表示执行相应操作后获得的价值量，效用节点与效用函数相关且效用节点不能有子节点；建立的影响图决策模型包括数值层、函数层、拓扑层三部分，其中：

数值层给出了谓词及其域和节点类型，谓词刻画了不同对象的属性；谓词从知识库中获取，并将获得的谓词与影响图中的节点一一对应，确定了影响图中每个谓词的节点类型；结合一阶逻辑谓词对知识库的本体描述进行改进，将知识库分为两层，即低级本体和高级本体，其中，低级本体一般是作为状态或位置的属性与决策节点及谓词的域相对应，它是智能环境下物理实体原始数据的表示，包括开关的状态和位置信息、家居的状态和位置信息；高级本体一般是作为证据与状态节点及谓词的域对应，它是情境定义，包括从传感器的数据流得知的用户位置和环境温度；

函数层包含影响图的规则和效用值，先应用马尔科夫逻辑网络的一阶逻辑规则对每组操作中的所有决策进行规则描述，规则描述是将数值层中的谓词用连接词和量词递归地建立起来的，然后一阶逻辑规则在马尔科夫逻辑网络内部会被转换成CNF范式的子句，CNF范式是由多个单独子句使用逻辑连接符号组成，转换后的决策的规则形式化表述如下：State(D₁)∧Decision(D₂)→Utility(D₃)，其中，State表示状态节点，Decision表示决策节点，Utility表示效用节点，D_n表示每个节点对应的域；应用马尔科夫逻辑网络的参数学习计算每个规则对应的权重，判断每个可能世界存在的概率，最后利用效用函数给出了效用节点对应的效用值，权重学习在此方法中采用最大似然方法；如下公式是对规则F_i的权重ω_i的对数似然函数梯度，然后在已知n_i(x)的情况下可根据式(1)和式(2)求出权重ω_i：

其中，Z是归一化常数，w_i为规则F_i对应的权重，n_i(x)为可能世界中规则F_i的取值为真时对应闭规则的个数，X表示可能世界的集合，在马尔科夫逻辑网络中，一个可能的世界x是指给所有可能出现的闭原子都赋予了真值，P(X＝x)是当前可能世界x的概率分布；P_w(X＝x′)的计算建立在当前规则权重向量集w＝{w_i,w_i,…,w_i}之上，表示可能世界x′的概率，∑_x′P_w(X＝x′)n_i(x)是在所有可能的世界x′中求和，由上式(2)可知，规则F_i的权重ω_i的对数似然函数梯度等于当前世界x中规则F_i的真值个数与在所有可能的世界中规则F_i的真值个数的数学期望之差。

拓扑层为函数层和数值层提供了节点之间的相互关系；根据智能环境的整体结构给出智能家居位置域的拓扑关系，形式化表述为AdjacentTo(L₁,L₂)，其中，AdjacentTo(L₁,L₂)表示为L₁与L₂位置上是相邻的，L₁表示为位置1，L₂表示为位置2；

步骤二：根据最大预期效用确定最佳决策

在用户发出命令后，根据采取的不同决策对应的效用值和采取该决策的概率，给定决策a，EU预期效用的计算方法如下：

其中，EU(a)表示决策a的预期效用，此时的X是一组概率节点，U(X)是X的价值，e是证据，a是决策，P表示条件概率的集合，U表示局部效用函数集合；证据由用户位置和环境温度组成；对影响图的评价是为每个决策节点寻找到一个最优决策规则，即对推论设置了一个数值评估，即决策a在状态X下结合证据e的最大预期效用：

a_best＝argmaxEU(a) (4)

在用户发出命令后，根据采取的不同决策对应的效用值和采取该决策的概率，结合公式(3)计算出预期效用EU(a)，结合公式(4)得到最大预期效用则可判断出最佳决策。