赵 磊
（聊城大学东昌学院，山东 聊城 252000）
智能家居是将家庭中各种与信息相关的通信设备、家用电器及家庭装置，通过家庭总线技术连接到智能家居系统上，以此集中控制家居系统，并保持住宅环境和谐[1]。被应用到住宅中的通信技术、管理方式及家电控制是利用电脑、网络及各种总线技术，通过信息管理平台将各个家居有关子系统有机结合起来。智能家居通信系统随着生活需求的不断增加，由初期启动的电动窗帘、灯光和电器元件不断延伸到防盗、报警及自动抄表等领域，随着通信技术的不断发展，控制对象也在不断扩展，智能家居控制范围涵盖了所有用电设备[2]。电源控制能够通过家用电器实现电源切断，避免家用电器待机时间长的问题，节省电能，避免因外部电路故障而烧坏家用电器，但缺点是对于空调运行需要红外遥控才能完全运行的智能家居设备不能实现控制[3]。随着人们生活水平不断提高，人们越来越关注智能家居设备对自身健康状况的影响，以往大都采用LBP-TOP（Local Binary Patterns -Three Orthogonal Planes）算法提取通信异常数据特征，然后使用隐含狄利克雷分配算法训练数据特征，由此构建监测模型，实现通信异常数据检测[4]。虽然该方法能够检测数据通信异常情况，但缺少对智能家居通信异常数据全局特征描述，无法从智能家居整体上表征数据异常通信状态，计算效率较低[5]。针对上述这些问题，提出基于小波变换的智能家居通信异常数据的检测系统设计。通过小波变换检测度量指标一致性，进而发现通信异常数据，验证所设计的系统对智能家居通信异常数据具有较高的检测效率。
1 系统硬件结构设计
文中设计的基于小波变换的智能家居通信异常数据的检测系统结构如图1 所示。
图1 基于小波变换检测系统硬件结构
系统硬件结构主要包括通信模块和异常数据检测模块，其中，通信模块主要是由现场设备接口端、传感器模块、数据采集模块、A/D 采集模块、CPU 控制模块、存储模块、显示模块和RS 485 转换模块组成[6]。异常数据检测模块主要是由用户接口模块、应用服务器模块及检测模块组成。通过代理服务器实现不同防火墙之间信息转换，以此进行异常数据检测[7]。
1.1 CPU 控制模块
CPU 控制模块是一块超大规模集成中央处理器，其功能是解释计算机指令的数据，将CPU 从逻辑上划分为控制单元、计算单元和存储单元三个模块，并将内部总线连接起来[8-10]。该处理器若想实现数字系统，需从操作函数组合逻辑、存储位存储器元素、控制存储器三个部分组合起来，如图2 所示。
图2 CPU 控制模块
控制单元：该单元是整个中央处理器的指挥控制中心，对整个电脑协调来说具有重要作用，根据用户预先编号的程序，依次从存储器中取出各种指令，通过译码确定操作流程，按照确定时序，向相应组件发送微操作控制信号[11]。
计算单元：该单元是CPU 控制模块的核心，相对控制单元来说，其受到控制单元指令影响而发出控制信号，以此指挥内部组件。
存储单元：CPU 寄存器可以暂时存放数据位置，里面保存等待数据，可以减少访问内存次数，进而提高CPU 工作速度。受到芯片面积影响，寄存器容量较小，可存储到通用寄存器之中。
1.2 Web 应用服务器
使用Web 应用服务器是通过各种协议将商业逻辑暴露给客户端程序，也为系统资源提供访问机制，通过HTTP 协议实现数据库连接与管理。静态Web 文档是一个存储于服务器的文件，用于文档内容存储，因此静态文档每次访问都具有相同访问结果；动态Web 文档预先定义格式，在浏览器访问下，当一个请求到达时，使用Web 服务器运行一个应用程序动态文档，并将文档存储到服务器中[12]。由于每次访问都需要创建新文档，动态文档内容也是相对变化的。
1.3 异常数据检测模块
异常数据检测模块主要包括基于XML 跨平台模块、构造模块和预测模型模块。其中，基于XML 跨平台模块是异常数据检测基准平台，通过XML 管理处理被检测服务的Web 服务管理机制，经过XML 模块处理后，具有更好的可扩展性；构造模块主要作用是完成实际数据检测，并对检测数据进行验证分析，使用预测模块标记语言描述检测数据，能够有效评价模型的可信度，为用户最终判断提供数据支持；预测模型模块在进行数据检测时，通过该模块将数据检测系统转换为标准形式，方便与其他数据检测技术融合，能够实现系统集成。
2 基于小波变换异常数据检测
利用小波变换分析通信异常信号奇异点位置和奇异度大小，信号奇异性[13]通常分为两种情况，分别是信号在某一时刻幅值发生突变，此时为第一类型间断点；信号外观光滑，幅值没有发生改变，此时一阶微分是不连续的，为第二类型间断点。奇异点位置可以通过跟踪小波变换在不同尺度下的极值曲线来监测，而信号奇异性强弱可以用小波变换极值随着尺度参数衰减来描述。
在某一尺度a0下，存在一点( a0,b0)使得：
式中：点( a0,b0)为局部极值点；λ 为尺度大小；Qf为极值，且，在b=b0上有一个过零点，如果b0对于相邻内的任意点b，有：
将尺度空间上所有极值点连续性称之为极大值线，对于极大值与奇异点具有如下关系：
设n 为一个非负整数函数f (t) 在t0的lipschitz 指数α 当且仅当存在常数E 大于0 及n 次多项式pn( t )，使得成立，以此刻画函数在t0的lipschitz 指数小于1，该点即为奇异点。指数α 越大，该点光滑度也就越高；反之，指数α 越小，该点光滑度也就越大。
由于小波变换具有良好时域局部变化特性，使得该方法具有独特信号奇异检测效果，不但能够确定奇异性大小，还能确定位置，为智能家居通信异常数据检测提供技术支持。一致性度量基本步骤：首先计算相邻个体间行为一致性，然后分析基于路径个体行为相似性，并描述因子，最后求解通信异常行为一致性描述因子。
基于上述提出的一致性描述因子，应先计算通信异常行为中数据的一致性描述因子，然后将该数据序列一致性描述因子作为小波分析的输入数据，进而检测通信数据中的异常数据。
基于上述原因，使用小波变换检测方法，具体流程如图3 所示。
3 实验分析
为了验证基于小波变换的智能家居通信异常数据的检测系统设计的有效性，进行实验验证分析。
图3 小波变换检测具体实现流程
通过电脑获取串口数据，以此发送相关指令，完成基于小波变换的智能家居通信异常数据的检测系统，连接各个模块，将家庭网关接入网络之中。为了保障用户安全，远程终端登录该网页前需先进行用户验证，再通过CGI 调用。智能家居管理登录系统界面如图4 所示。
图4 智能家居管理系统登录界面
通过电脑远程控制开关，设置7 路开关，通过电机开关状态选项控制智能家电，当前状态为打开状态时，智能家电处于工作状态，此时刷新页面采集相关数据信息。分别采用传统系统与基于小波变换系统，在无外界干扰情况下，检测智能家居通信异常数据，得到的精准度对比结果如图5 所示。
图5 无外界干扰情况下两种系统检测精准度对比分析
由图5 可知：当异常数据个数为20 个时，采用传统系统检测精准度为88%，而使用基于小波变换系统检测精准度为93%；当异常数据个数为60 个时，采用传统系统检测精准度为78%，而使用基于小波变换系统检测精准度为93%；当异常数据个数为120 个时，采用传统系统检测精准度为70%，而使用基于小波变换系统检测精准度为97%。随着异常数据个数增加，采用传统系统检测精准度大大降低，而使用基于小波变换系统检测精准度较高，一直保持在85%以上。因此，在无外界干扰情况下，基于小波变换系统检测精准度较高。
在有外界干扰情况下，采用两种系统检测智能家居通信异常数据，得到的精准度对比结果如图6 所示。
图6 有外界干扰情况下两种系统检测精度对比分析
由图6 可知：采用传统系统在异常数据为80 个时，检测精准度达到最低为37%，而在异常数据为20 个时，检测精准度达到最高为48%；使用基于小波变换系统在异常数据为20 个时，检测精准度达到最低为85%，而在异常数据为120 个时，检测精准度达到最高为91%。因此，在有外界干扰情况下，基于小波变换系统检测精准度较高。
4 结 语
本文设计基于小波变换的智能家居通信异常数据的检测系统，分析系统总体结构，并对异常数据检测系统功能进行全面分析，给出了具体检测流程，实现通信系统异常数据精准检测。实验结果表明，该系统能够实现通信异常数据的有效检测，并且能够拥有较高检测精度。
信息技术不断改进，由于时间有限，该系统稳定性仍需验证。另外，一部分设计功能缺少完整版，导致家电控制模块控制只设计了开机功能，并不能全面控制温度，从整体角度来说还存在一定缺陷。因此，在后续研究过程中，应从这方面下手进行优化设计。
