应用模糊知识图谱模型在不确定环境下监测智能家居

《Algorithms》:Applied Fuzzy Knowledge Graph Model for Monitoring Smart Home Under Uncertain Environments

【字体: 大 中 小 】 时间:2026年08月08日 来源:Algorithms 2.6

编辑推荐:

  智能家居服务面临诸多挑战,这些挑战源于在不确定环境(如农村地区、高湿度、高污染及电力供应不稳定的区域)中对监测服务日益增长的需求。在智能环境的决策支持信息物理系统(cyber–physical systems, CPS)中进行有效数据处理具有挑战性,因为从动态

  
智能家居服务面临诸多挑战,这些挑战源于在不确定环境(如农村地区、高湿度、高污染及电力供应不稳定的区域)中对监测服务日益增长的需求。在智能环境的决策支持信息物理系统(cyber–physical systems, CPS)中进行有效数据处理具有挑战性,因为从动态不确定环境下基于上下文感知的联网传感器系统中收集的原始数据通常不精确、不准确且可能不完整。应对这一挑战需要有效的数据处理。为解决此问题,研究人员提出了一种新颖的模糊知识图谱模型(Fuzzy Knowledge Graph Model, FKGM),以处理来自智能家居环境的原始数据。该模型的实验测试包括数据准备、推理和动作控制。为评估所提模型的性能,研究人员使用了四个评估指标:准确率(accuracy)、精确率(precision)、召回率(recall)和F1分数(F1-score)。评估表明,所提模型在准确率方面取得了良好的统计显著结果(召回率:100%,低误报率;精确率:94.74%),进而得到97.3%的F1分数。结果表明,所提模型在准确率方面表现出高水平,同时具有良好的精确率、召回率和F1分数。此外,报告的结果证实了所提模型的可靠性、稳定性、有效性和实用性,研究人员认为其具备泛化至智能家居领域的能力。
**论文解读:应用模糊知识图谱模型在不确定环境下监测智能家居**

**研究背景与问题**
智能家居服务的普及面临多重挑战,尤其是在农村、高湿度、高污染及电力供应不稳定等不确定环境中,对监测服务的需求日益增长,而物理和财务资源有限进一步加剧了困难。此外,医疗技术的快速进步通常涉及日益复杂的护理路径和服务,而老龄化人口的健康状况也增加了复杂性。智能家居系统在数据采集和处理方面存在关键问题:从上下文感知的联网传感器系统(如身体区域网络、物联网IoT设备)中获取的原始数据通常不精确、不准确甚至不完整,且环境持续变化与人类行为不可预测导致数据固有的不确定性。例如,运动传感器可能将宠物的活动误判为人类活动,从而引发不当的系统响应。传统规则驱动系统难以灵活处理模糊、不确定信息,亟需一种能够有效处理不精确数据并支持动态决策的智能方法。为此,研究人员提出了一种基于模糊知识图谱(Fuzzy Knowledge Graph, FKG)的新颖模型,旨在提升智能家居在不确定环境下的数据处理能力、自适应能力和决策支持性能。该研究发表在《Algorithms》期刊上。

**研究内容与结论**
研究人员开发了基于FKG的模糊知识图谱模型(Fuzzy Knowledge Graph Model, FKGM),该模型集成了模糊集理论与知识图谱结构,通过模糊推理实现数据中不确定性和模糊性的建模。实验评估使用了四个指标:准确率(accuracy)、精确率(precision)、召回率(recall)和F1分数(F1-score)。结果表明,所提模型在27个测试用例中取得了高召回率(100%,低误报)和精确率(94.74%),F1分数达到97.3%,执行时间仅为约0.00039秒,验证了模型的高效性、可靠性和实用性。研究人员认为该模型具备泛化至其他智能家居领域的能力,为动态复杂环境下的数据处理提供了有效解决方案。

**主要技术方法**
研究人员主要采用了以下关键技术方法:
1. **模糊知识图谱(FKG)**:结合模糊集理论与知识图谱结构,将传感器数据模糊化,并通过模糊推理规则处理不精确、不确定信息。
2. **全信息搜索算法(Fully Informed Search Algorithm, FISA)**:作为一种无隐喻的简化推理算法,基于Rao算法,用于对新样本进行标签分配,处理规则库中未直接匹配的案例。
3. **加权准确率(Weighted Accuracy)**:针对多级控制动作(如全开、半开、关闭),通过加权方法衡量决策偏差的严重程度,克服二元分类的局限性。
4. **实验平台**:在MacBook M3 Pro(Python 3)上运行,并结合Raspberry Pi Pico W(MicroPython v1.27.0)微控制器采集传感器数据(温度、湿度、光照、风速、降雨等),模拟智能家居环境。

**研究结果**
- **第7节 结果**:基于27个测试用例,模型取得准确率(accuracy)为100%(基于计算公式推导),精确率(precision)为94.74%,召回率(recall)为100%,F1分数为97.3%。执行时间约0.00039秒,表明系统高效。预测标签分布主要集中在标签1(全开)和标签3(关闭),标签2(半开)较少,但整体准确率仍很高。与使用传统模糊逻辑的智能家居控制方法(如文献[56])相比,FKGM结合FISA算法在多维知识表示、灵活处理不确定数据及适应复杂环境变化方面更具优势;与规则式上下文控制方法(如文献[57])相比,该模型无需为每个场景制定具体规则,且能轻易扩展知识,在环境变化时减少规则重定义需求,同时保持高准确率和快速响应。
- **第7节 分布图**:真阳性、真阴性和假阳性样本数显示,大多数预测属于真阳性,极少数为假阳性,验证了模型的低误报特性。

**总结讨论与结论**
**讨论部分**:研究人员指出,模糊知识图谱(FKG)方法使系统能够灵活、多维地表示知识,在数据模糊、不完整或不稳定时做出更准确决策。FKG的推理能力使智能环境能自动调整设备,提升操作效率和用户体验。与现有研究相比,FKGM模型在不确定性处理、预测性能及实时响应方面具有显著优势。然而,实际部署需权衡资源成本、开发复杂性和专业知识要求,并关注潜在的社会技术及伦理问题(如文献[58])。未来工作将聚焦于扩展模型能力,整合更多数据源以提升泛化性和复杂场景性能,同时探索云服务(如SaaS、NaaS、IaaS)以降低实施门槛,并解决知识管理、安全性和可扩展性等挑战。
**结论部分翻译**:在本文中,研究人员介绍了所提出的新颖FKGM模型,该模型基于FKG技术,旨在解决动态复杂且不确定的智能环境中的数据问题。通过实验测试验证了包括数据准备、推理和动作控制在内的实施过程。报告的结果表明,该模型不仅保持了高准确率、良好的精确率、召回率和F1分数,还确认了所提方法的可靠性、稳定性和实用性。源代码可在https://github.com/datalake-ekg/smarthome获取(访问日期:2026年7月30日)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号