近几年,随着互联网与传统制造业的结合,功能各异的智能硬件设备如雨后春笋般出现,并逐步走进千家万户,再加上智能手机的普及为人与物的连接提供了快速入口,智能家居领域便迅速成为当下研究热点,国内外各大厂商纷纷布局智能家居生态。然而,目前市场上主流的智能家居产品为了抢先占领市场,只是简单实现了如“条件触发”、“定时触发”等一些人为触发的功能,智能化程度较低,无法满足人们的需求,并且一些智能家居在设计上针对高度定制化的家庭环境,通用性差,无法适应不同的家庭环境。机器学习作为人工智能的一个热门方向,近几年发展迅猛,在众多领域均取得突破,目前将机器学习技术与物联网技术相结合是解决智能家居产品智能化程度低问题的新趋势,为智能家居产业的未来发展提供了新的思路。为此,本文提出了一种基于AllJoyn和机器学习的智能家居设计方案,实现设备的智能化控制,提高智能家居的智能化程度。本文具体贡献可以概括为以下三个方面:(1)在机器学习系统的设计中,本文提出了一种基于LSTM改进的神经网络预测模型,用于实现根据环境数据预测家庭内设备的状态。在LSTM神经网络模块的设计中,本文采用三个神经网络层和三个“门”层结构,耦合式的“遗忘门”和“输入门”,并在“输入门”和“输出门”层之间引入“窥视孔”,通过实验对比,基于相同的数据集,该模型的预测准确度优于BP神经网络、RNN以及标准的LSTM神经网络模型。(2)在机器学习系统的设计中,本文提出了一种用于管理和更新预测模型的设计方法,实现智能家居设计方案的通用性。机器学习系统模型管理模块负责不同家庭预测模型的创建、获取和保存,模型更新模块负责根据新样本数据对预测模型进行更新,通过实验证明,该机器学习系统支持多个家庭节点,且适应不同的家庭环境。(3)通过将AllJoyn框架和机器学习系统相结合,本文提出了一种智能家居设备的控制方案,实现将智能设备接入机器学习系统。利用AllJoyn框架实现局域网内智能设备之间的相互通信,通过设计AllJoyn网关代理实现局域网与外网的连接;利用机器学习系统与服务器的交互,根据环境数据预测设备状态,服务器则根据预测的设备状态发送相应的设备控制指令到网关,实现设备状态的智能调控。通过实际场景测试证明,本文智能家居设计方案实现了设备状态的智能调控,并且能够适应新的家庭环境特征,有效提高了智能家居的智能化程度。