一种基于人工智能的组网节点感知方法及系统

技术领域

本发明涉及智能家居技术领域，特别涉及一种基于人工智能的组网节点感知方法及系统。

背景技术

随着智能家居技术的应用越来越广泛，人们对智能家居的连接性和操作便捷性的要求也越来越高。传统的智能家居技术中，通常采用无线通信的点对点连接方式来实现智能家居设备的连接与操控，随着智能家居设备越来越多，点对点通信已经无法满足人们对大量设备的互联互动要求，因此无线网格网络技术被应用到智能家居的通信控制当中。在无线网格网络中，节点入网后会保存周边节点的部分拓扑连接信息和节点身份认证信息包括节点标识符如设备序列号/MAC地址、节点类型如传感器/执行器/网关、通信信道以及节点距离等，这些节点信息是无线网格网络中进行通信的必要信息，但当无线网格网络中的任一个节点缺失更换后，难通过这些拓扑连接信息和节点身份认证信息无法对节点进行快速重建，使得更新节点无法快速恢复到缺失节点原来的工作状态。

发明内容

本发明正是基于上述问题，提出了一种基于人工智能的组网节点感知方法及系统，能够快速重建缺失节点以恢复其工作状态。

有鉴于此，本发明的第一方面提出了一种基于人工智能的组网节点感知方法，包括：

获取当前节点所加入的无线网格网络的网络拓扑信息；

根据网络拓扑信息确定当前节点的邻接节点，所述邻接节点为在所述网络拓扑信息中的直接连接的节点；

构建每一个邻接节点的行为状态转移模型，所述行为状态转移模型为当前节点根据所采集到的邻接节点行为特征数据训练得到；

当检测到任一个邻接节点缺失时，扫描识别缺失节点的更新节点；

基于所述行为状态转移模型将所述更新节点重建为所述缺失节点。

优选的，构建每一个邻接节点的行为状态转移模型的步骤具体包括：

在当前节点与任一邻接节点处于连接状态时，采集所连接的邻接节点的通信特征数据和行为特征数据；

基于所述邻接节点的行为特征数据构建反映所述邻接节点每一个行为状态参数变化的状态转移时间序列；

基于所述状态转移时间序列构建所述行为状态转移模型；

将所述通信特征数据和所述行为状态转移模型进行关联存储。

优选的，基于所述状态转移时间序列构建所述行为状态转移模型的步骤具体包括：

使用所述邻接节点的行为状态参数定义所述邻接节点的状态空间，所述状态空间为所述行为状态转移模型的输入空间；

构建所述状态空间对应的状态转移图；

基于所述状态转移图的状态变化关系将所述状态转移时间序列整理为行为状态转移模型的训练样本数据；

使用所述训练样本数据训练所述行为状态转移模型。

优选的，基于所述行为特征数据构建所述状态空间对应的状态转移图的步骤具体包括：

从所述行为特征数据中提取各个行为状态参数对应的状态变化关系；

基于所述状态变化关系生成初始状态分布图；

根据所述行为特征数据计算所述初始状态分布图中两两具有连接关系的状态之间的状态转移概率；

基于所述状态转移概率调整所述初始状态分布图中的有向连接线的长度以生成所述状态转移图。

优选的，根据所述行为特征数据计算所述初始状态分布图中两两具有连接关系的状态之间的状态转移概率的步骤具体包括：

获取预先配置的状态转移概率统计周期；

从所述状态转移时间序列中截取时间长度等于所述状态转移概率统计周期的最新数据序列；

统计所述最新数据序列中的总状态变化次数n

计算第i个状态变化为第j个状态的状态转移概率

优选的，在扫描识别缺失节点的更新节点的步骤之前，还包括：

从所述状态转移时间序列中提取每个邻接节点预设长度的最新开关时间序列；

将所述最新开关时间序列输入预先训练好的对应邻接节点的开关时间预测模型中预测对应邻接节点的下一次开机时间，所述开关时间预测模型为单变量时间序列预测模型；

在所预测的下一次开机时间尝试与所述邻接节点建立通信连接；

当无法与所述邻接节点建立通信连接时，再次执行预测所述邻接节点的下一次开机时间以及尝试建立通信连接的步骤；

当连续尝试建立通信连接的次数大于预设的阈值时，确定对应邻接节点为缺失节点。

优选的，扫描识别缺失节点的更新节点的步骤具体包括：

扫描当前节点周边的未入网无线通信设备；

当存在未入网无线通信设备时，采集所述未入网无线通信设备的第一通信特征数据；

读取所述缺失节点的第二通信特征数据；

计算所述第一通信特征数据和所述第二通信特征数据的匹配度；

当所述第一通信特征数据和所述第二通信特征数据的匹配度大于预设的匹配度阈值时，确定所述未入网无线通信设备为所述缺失节点的更新节点。

优选的，计算所述第一通信特征数据和所述第二通信特征数据的匹配度的步骤具体包括：

将所述第一通信特征数据中的第一特征参数p1

将所述第二通信特征数据中的第二特征参数p2

基于所述第一特征向量

其中α

优选的，基于所述行为状态转移模型将所述更新节点重建为所述缺失节点的步骤具体包括：

获取所述缺失节点的状态转移时间序列；

将所述状态转移时间序列导致训练好的状态转移模型中进行迭代推进，以预测所述缺失节点在正常工作状态下在当前时刻的节点状态；

生成对应预测得到的节点状态的状态转移参数；

基于所述状态转移参数对所述更新节点进行配置。

本发明的第二方面提出了一种基于人工智能的组网节点感知系统，包括组成无线网格网络的若干个组网节点，所述组网节点包括处理器和存储器，所述处理器执行所述存储器所存储的计算机程序实现本发明第一方面任一项所述的组网节点感知方法。

本发明提出了一种基于人工智能的组网节点感知方法及系统，通过获取当前节点所加入的无线网格网络的网络拓扑信息，根据网络拓扑信息确定当前节点的邻接节点，所述邻接节点为在所述网络拓扑信息中的直接连接的节点，构建每一个邻接节点的行为状态转移模型，所述行为状态转移模型为当前节点根据所采集到的邻接节点行为特征数据训练得到，当检测到任一个邻接节点缺失时，扫描识别缺失节点的更新节点，基于所述行为状态转移模型将所述更新节点重建为所述缺失节点，能够快速重建缺失节点以恢复其工作状态。

附图说明

图1是本发明一个实施例提供的一种基于人工智能的组网节点感知方法的流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本说明书的描述中，术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

本发明提供的基于人工智能的组网节点感知方法应用于无线网格网络中。更具体的，组成无线网格网络的网络节点设备包括处理器和存储器，所述组网节点感知方法由组成无线网格网络的任一网络节点设备(在后面的内容中简称为“节点”)的处理器执行其存储器中的计算机程序实现。下面参照附图来描述根据本发明一些实施方式提供的一种基于人工智能的组网节点感知方法及系统。

如图1所示，本发明的第一方面提出了一种基于人工智能的组网节点感知方法，包括：

获取当前节点所加入的无线网格网络的网络拓扑信息；

根据网络拓扑信息确定当前节点的邻接节点，所述邻接节点为在所述网络拓扑信息中的直接连接的节点；

构建每一个邻接节点的行为状态转移模型，所述行为状态转移模型为当前节点根据所采集到的邻接节点行为特征数据训练得到；

当检测到任一个邻接节点缺失时，扫描识别缺失节点的更新节点；

基于所述行为状态转移模型将所述更新节点重建为所述缺失节点。

具体的，所述无线网格网络的拓扑信息包括节点之间的连接关系、路由信息以及各个节点的属性信息。各个节点之间的连接关系描述了节点之间的位置和从属关系，如邻接节点或者父节点、子节点等。所述路由信息包括节点在网络中转发消息的路径，用于表示消息从源节点到目标节点的中间节点路径。所述路由信息可以是静态的，也可以是动态的，当所述路由信息为动态信息时，其根据网络中节点的变化进行动态更新。节点的属性信息包括节点支持的蓝牙规范版本、节点类型(如代理节点、继电器节点等)以及支持的消息类型(如配置消息、控制消息等)。

所述邻接节点应当满足在物理距离上足够的接近使得相互落在对方的信号覆盖范围内，其在所述网络拓扑信息中两者被确定为直连节点，即两者之间直接连接进行通信，不需要经过同一网络中的其它任意节点。

所述缺失节点是指无线网格网络中由于损坏或者其它原因无法与其邻接节点进行通信的节点。所述更新节点是指用于替换损坏节点的新的节点，例如，当无线网格网络中的一个智能灯具损坏后，在相同位置更换后的新的智能灯具即为相应的更新节点。

优选的，构建每一个邻接节点的行为状态转移模型的步骤具体包括：

在当前节点与任一邻接节点处于连接状态时，采集所连接的邻接节点的通信特征数据和行为特征数据；

基于所述邻接节点的行为特征数据构建反映所述邻接节点每一个行为状态参数变化的状态转移时间序列；

基于所述状态转移时间序列构建所述行为状态转移模型；

将所述通信特征数据和所述行为状态转移模型进行关联存储。

所述通信特征数据包括所连接的邻接节点的设备信息、信号强度、MAC(MediumAccess Control，介质访问控制)地址等，所述设备信息包括但不限于设备厂商和型号信息、硬件版本号、固件版本号以及所支持的蓝牙协议栈，采集所连接的邻接节点的通信特征数据具体包括：

向所连接的邻接节点发送探测数据包，所述探测数据包可以为PING(PacketInternet Groper，因特网包探索器)数据包；

接收所述邻接节点响应于所述探测数据包返回的响应数据包；

从所述响应数据包中解析得到所述邻接节点的设备信息、信号强度以及MAC地址。

所述行为特征数据为各个节点的若干个行为状态参数的变化数据，不同类型的节点对应的行为状态参数并不完全相同，通常智能家居设备都会具有共同的一个行为状态参数如电源开关状态，但其大部分的行为状态参数与设备本身的类型相关，例如智能灯具的亮度状态、智能风扇的转速状态以及智能空调的温度状态等。所述行为特征数据反映对应节点的行为状态参数的变化，例如从开到关、从亮到暗、从快到慢、从高温到低温等。当然，也可以是具体数值上的变化。

在实际应用场景下，并非每个智能家居设备都具备训练和存储所述行为状态转移模型的算力和存储能力。因此在本发明一些实施方式的技术方案中，无线网格网络中的各个节点都直接或间接与预先配置的云计算服务器连接，将采集到的邻接节点的通信特征数据和行为特征数据提供给所述云计算服务器进行模型训练，训练得到的行为状态转移模型存储在云端，每个节点存储有其邻接节点对应的行为状态转移模型的编号。当然，在智能家居设备的算力和存储能力足够的情况下，优选使用智能家居设备本地算力和本地存储空间来实现上述方案，使得节点感知和重建的效率更高。

优选的，基于所述状态转移时间序列构建所述行为状态转移模型的步骤具体包括：

使用所述邻接节点的行为状态参数定义所述邻接节点的状态空间，所述状态空间为所述行为状态转移模型的输入空间；

构建所述状态空间对应的状态转移图；

基于所述状态转移图的状态变化关系将所述状态转移时间序列整理为行为状态转移模型的训练样本数据；

使用所述训练样本数据训练所述行为状态转移模型。

具体的，所述状态空间是所述邻接节点的全部行为状态参数的取值范围所构成的抽象数学空间。所述邻接节点的各个行为状态参数反映了所述邻接节点在任意时刻可能发生的全部状态或情况。示例性的，对于作为无线网格网络节点的一个智能家居设备，考虑它的工作模式、传感器输出、执行动作等不同的行为状态参数，每个行为状态参数取一组离散值或连续区间值，所有行为状态参数的所有取值的笛卡尔积构成该节点的状态空间。

所述状态转移图为所述状态空间中反映各个行为状态参数从一个状态变化到另一个状态的概率的有向图。以智能风扇的状态空间中的转速变化为例，所述状态转移图中对应该行为状态参数的双向箭头反映其从“低速”到“高速”以及从“高速”到“低速”的概率。

在使用所述训练样本数据训练所述行为状态转移模型的步骤中，可以设计一个包含LSTM(Long Short-Term Memory，长短期记忆网络)和全连接层的网络结构来学习所述邻接节点的状态变化时序特征。在该网络结构的基础上，使用所述训练样本数据训练深度学习网络模型并逐步调整网络参数，得到最小化状态转移概率预测的损失函数，使其对给定状态转移时间序列数据中展现的各状态间概率迁移分布建立最佳映射，即不断最小化神经网络对状态转移概率预测的偏差程度，直至网络可以准确预测并模拟所述状态迁移图的状态变化特征。应当知道的是，基于所述状态转移时间序列构建所述行为状态转移模型的步骤还包括模型测试和迭代优化的步骤，其为本领域技术人员所熟知的人工智能模型训练的常规步骤，具处不再赘述。

优选的，基于所述行为特征数据构建所述状态空间对应的状态转移图的步骤具体包括：

从所述行为特征数据中提取各个行为状态参数对应的状态变化关系；

基于所述状态变化关系生成初始状态分布图；

根据所述行为特征数据计算所述初始状态分布图中两两具有连接关系的状态之间的状态转移概率；

基于所述状态转移概率调整所述初始状态分布图中的有向连接线的长度以生成所述状态转移图。

具体的，所述状态变化关系反映的是行为状态参数从一个状态变化到另一个状态的关系，对于两级状态变化参数例如从“开”到“关”或者从“关”到“开”，其状态转移图的结构相对简单，而对于大于两级的多级状态变化参数，例如表示灯光亮度的多个亮度等级，其可以包含从一级到二级，从一级到三级，从二级到三级以及对应的反向变化，因此状态变化参数所包含的状态数量越多，其状态转移图的结构就越复杂。多级状态变化参数包括支持越级变化的状态变化参数和不支持越级变化的状态变化参数。例如，一些智能灯具支持直接从一级亮度调节到三级亮度，而另一些智能灯具需要从一级亮度调节到三级亮度时，需要先从一级亮度调节到二级亮度，再从二级亮度调节到三级亮度，其反映在所述状态转移图中是不同状态之间的有向连接线条的数量。即在所述状态转移图中，每一个状态如一级亮度、二级亮度、三级亮度表示为不同的状态节点，当智能灯具的亮度状态可以从一级亮度直接调节到三级亮度时，在表示一级亮度和三级亮度的状态节点间存在连接两者的有向连接线。

在所述初始状态分布图中，只有状态节点和有线连接线，但连接线的长度并不具备实际含义，因此所述初始状态分布图可以使用二维图形来表示。而在所述状态转移图中，具有连接关系的状态节点之间的连线反映的是这两个状态节点的状态转移概率，因此所述状态转移图并不是通常意义中的二维图形或者三维图形，而是更高维的抽象图形，对于支持越级变化的多级状态参数，在多个状态节点之间连接线长度的约束下，其状态转移图无法使用二维图形或者三维图形的形式来表示。由于所述状态转移图的维度及其整体结构在本发明中并无实际含义，本发明的实现方案中仅关注所述状态转移图中各个状态节点两两之间的连接线及其长度，对于所述状态转移图的维度及其整体结构在本发明中不对其进行展开说明。应当知道的是，由于连接线的长度并不代表状态节点间的物理距离，因此其双向的连接线的长度并不一定相同。

优选的，根据所述行为特征数据计算所述初始状态分布图中两两具有连接关系的状态之间的状态转移概率的步骤具体包括：

获取预先配置的状态转移概率统计周期；

从所述状态转移时间序列中截取时间长度等于所述状态转移概率统计周期的最新数据序列；

统计所述最新数据序列中的总状态变化次数n

计算第i个状态变化为第j个状态的状态转移概率

具体的，每个节点按照预先配置的频率持续采集并存储其各个邻接节点的行为特征数据以生成对应的状态转移时间序列。所述最新数据序列具体为所述状态转移时间序列末端对应时间长度为所述状态转移概率统计周期的子序列。例如，假设所述状态转移时间序列包含{A，B，C，D，E，F}六个离散值，其中所述状态转移概率统计周期对应的时长能够采集三次数据，则所述最新数据序列为{D，E，F}。应当知道的是，该示例仅为方便理解所举的例子，实际应用场景下的数据量远大于该示例中所列举的数据量。

优选的，在扫描识别缺失节点的更新节点的步骤之前，还包括：

从所述状态转移时间序列中提取每个邻接节点预设长度的最新开关时间序列；

将所述最新开关时间序列输入预先训练好的对应邻接节点的开关时间预测模型中预测对应邻接节点的下一次开机时间，所述开关时间预测模型为单变量时间序列预测模型；

在所预测的下一次开机时间尝试与所述邻接节点建立通信连接；

当无法与所述邻接节点建立通信连接时，再次执行预测所述邻接节点的下一次开机时间以及尝试建立通信连接的步骤；

当连续尝试建立通信连接的次数大于预设的阈值时，确定对应邻接节点为缺失节点。

具体的，从所述状态转移时间序列中提取每个邻接节点预设长度的最新开关时间序列包括从所述状态转移时间序列中提取每个邻接节点的开关时间序列，再从所述开关时间序列中提取末端对应时间长度为所述预设长度的子序列作为所述最新开关时间序列。

在上述实施方式的技术方案中，在扫描识别缺失节点的更新节点的步骤之前，还包括：

从所述状态转移时间序列中提取每个邻接节点的开关时间序列；

基于所述开关时间序列构建开关时间预测模型的训练样本数据；

将所述训练样本数据输入LTSM网络结构进行训练得到每一个邻接节点对应的开关时间预测模型。

在上述实施方式的技术方案中，针对每一个邻接节点训练一个单变量时间序列预测模型作为其开关时间预测模型，单变量时间序列预测模型的训练过程比较简单，不会受到各种不相关因素的影响导致模型训练结果变差。

优选的，扫描识别缺失节点的更新节点的步骤具体包括：

扫描当前节点周边的未入网无线通信设备；

当存在未入网无线通信设备时，采集所述未入网无线通信设备的第一通信特征数据；

读取所述缺失节点的第二通信特征数据；

计算所述第一通信特征数据和所述第二通信特征数据的匹配度；

当所述第一通信特征数据和所述第二通信特征数据的匹配度大于预设的匹配度阈值时，确定所述未入网无线通信设备为所述缺失节点的更新节点。

具体的，在当前节点所加入的无线网格网络的网络拓扑信息中，存储有已加入所述无线网格网络的所有无线通信设备(即所有节点)的设备标识信息，所述设备标识信息可以是设备名称、设备型号、设备序列号、MAC地址等唯一标识号中的一个或多个。在扫描当前节点周边的未入网无线通信设备的步骤中，通过获取周边无线通信设备的设备标识信息，将之与所述网络拓扑信息中的已入网无线通信设备的设备标识信息进行匹配，即可确定其为已入网无线通信设备还是未入网无线通信设备。

所述第一通信特征数据和所述第二通信特征数据包括无线通信设备的设备信息、信号强度、MAC地址等，所述设备信息包括但不限于设备厂商和型号信息、硬件版本号、固件版本号以及所支持的蓝牙协议栈。

优选的，计算所述第一通信特征数据和所述第二通信特征数据的匹配度的步骤具体包括：

将所述第一通信特征数据中的第一特征参数p1

将所述第二通信特征数据中的第二特征参数p2

基于所述第一特征向量

其中α

如前所述，所述通信特征数据中包含有多种特征参数，其可能是数值型的数据，也可能是文本或者符号型的数据，对于不同数据类型的特征参数，其可以采用不同的方式进行向量化。对于各种数据类型的数据进行向量化的方式很多，例如对文本类型或者符号类型的数据，可以使用词袋模型或者TF-IDF(Term Frequency-Inverse DocumentFrequency，词频-逆文本频率)等方式进行向量化，而数值类数据则可以进行归一化或者标准化后，以构建一维数组或者多维数组的形式，映射到对应维度的向量空间中。对不同类型数据进行向量化方法还有很多，此处不再一一赘述。

所述通信特征数据中包含的各个特征参数对于通信特征数据间的匹配度贡献是不一样的，因此需要对不同的特征参数配置不同的权重系数，例如更新节点与缺失节点通常为同样的设备类型，如果是设备厂商和设备型号一致，那么两者之间应该具有更高的匹配度，因此设备类型、设备厂商和设备型号应该具有更高的权重系数，信号强度通常反映的是设备之间的距离，但不同设备由于硬件上特别是天线的不同和功率的差异，其信号强度并不会完全一致，因此信号强度的权重系数应当低于设备类型等特征参数。

在上述实施方式的技术方案中，双竖线括号表示范数计算，即

优选的，基于所述行为状态转移模型将所述更新节点重建为所述缺失节点的步骤具体包括：

获取所述缺失节点的状态转移时间序列；

将所述状态转移时间序列导致训练好的状态转移模型中进行迭代推进，以预测所述缺失节点在正常工作状态下在当前时刻的节点状态；

生成对应预测得到的节点状态的状态转移参数；

基于所述状态转移参数对所述更新节点进行配置。

具体的，所述缺失节点的正常工作状态是指当所述缺失节点没有发生导致该节点缺失的异常问题的工作状态。

在上述实施方式的技术方案中，在基于所述状态转移参数对所述更新节点进行配置的步骤之前，还包括与所述更新节点建立蓝牙连接，以建立当前节点和所述更新节点的数据传输通道。在基于所述状态转移参数对所述更新节点进行配置的步骤中，还包括配置所述更新节点的组网参数，以使所述更新节点加入当前节点的无线网格网络，同时将所述更新节点的组网信息传递给所述无线网格网络中的其它节点以替换所述缺失节点。

本发明的第二方面提出了一种基于人工智能的组网节点感知系统，包括组成无线网格网络的若干个组网节点，所述组网节点包括处理器和存储器，所述处理器执行所述存储器所存储的计算机程序实现本发明第一方面任一项所述的组网节点感知方法。

应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。