[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

说明书

本发明公开了一种基于马尔科夫逻辑网络的智能家居决策方法，可用于用户在发出语音控制经过自然语言处理后，解决根据用户偏好和环境温度实现的智能控制的不确定性，该方法的不确定性是因为在决策时提供的证据即环境信息的模糊。应用马尔科夫逻辑网络模块是整个方法的核心，用影响图实现决策建模是实现的最终目的。该方法根据马尔科夫逻辑网络的参数学习计算出每种决策规则对应的权重并实现具体场景下的影响图模型，计算出每种决策的最大预期效用，扩展了不确定性的智能环境下的决策框架，提升了采用最佳决策的概率。

技术领域

本发明涉及一种基于马尔科夫逻辑网络建立影响图决策模型的方法，具体是根据每种决策的预期效用来判断智能家居环境下的最佳决策。

背景技术

随着智能家居的不断发展和进步，智能控制器在用户发出请求之后，可以根据环境做出恰当的决定。这需要提前感知此时用户的活动位置，这种感知不仅有助于触发决策，而且有助于使决策适应此时的活动环境。所以研究者提出了上下文感知概念，上下文是任何可以用来描述实体状况的信息，一般来说，环境的状态、用户的位置都是上下文的元素。本发明在此基础上将用户偏好作为上下文(证据)加入了知识库，可以丰富用户的个性化体验。

除了上下文表示之外，智能控制的另一个重要部分是决策过程，已经有很多研究者研究了智能环境下的智能决策。但是由于环境的复杂性和用户的行为多样性，决策的制定会更加复杂，所以为了解决证据的不确定性提出了基于马尔科夫逻辑网络决策，这是一种从加权逻辑规则构成的模型中进行概率推断的统计方法。本发明在此基础上结合影响图进行建模，将马尔科夫逻辑网络知识库中的谓词和参与决策的节点类型一一对应，生成影响图，从而计算出每种决策的预期效用得到最大预期效用，做出最佳决策。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于马尔科夫逻辑网络的智能家居决策方法，可以在不确定情况下根据用户位置和偏好实现智能控制，该方法需要根据马尔科夫逻辑网络建立对应的影响图和其模型。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于马尔科夫逻辑网络的智能家居决策方法，根据马尔科夫逻辑网络的参数学习得到每种决策规则的权重，结合马尔科夫逻辑网络的影响图模型计算出决策的最大预期效用得到最佳决策，用于用户发出语音控制后，可以在不确定情况下根据用户位置和偏好实现智能控制，扩展了智能环境下的决策框架，提升了采用最佳决策的概率。该方法在此基础上将用户偏好作为证据加入了知识库，可以丰富用户的个性化体验，然后结合马尔科夫逻辑网络的影响图进行决策建模。具体包括以下步骤：

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即上下文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；