智能烟雾报警器系统与无线传感器网络使用无线个域网

文摘

火的大火仍然是一个严重的问题由人类引起的,和房屋的风险高火。最近,人们用烟雾报警器只有一个传感器来探测火灾。在日常生活中烟雾排放的几种形式。单个传感器并不是一个可靠的方法来探测火灾。随着互联网技术的快速发展,人们可以远程监控他们的房子确定房子的现状。介绍了一个智能烟雾报警系统,它使用无线个域网传输技术来构建一个无线网络,使用随机森林识别烟,并使用E-charts数据可视化。结合实时动态变化的各种环境因素,相比传统的烟雾报警器,火灾报警的准确性和可控性都增加,和数据的可视化使用户能够更加直观地监控房间环境。该系统包括感烟探测模块,无线通信模块和智能识别和数据可视化模块。目前,收集环境数据可以分为四个状态,也就是说,正常的空气,水雾,厨房烹饪,和火烟。减少失误的频率也意味着改善用户的人身和财产的安全。

1。介绍

遥感技术在我们的日常生活的广泛部署环境和移动设备的普遍使用带来巨大商机的部署烟雾警报器(1]。目前,大多数传统的烟雾报警器系统包括传感器模块、输电线路、和监控,每个连接到传感器模块(2]。因此,有一个缺陷在传统的报警系统的准确性和及时性。火灾报警的错误信息造成的水雾或油烟雾造成不必要的损失。人们花很长时间在家庭和办公室(后车辆在公路上3,4];他们想要得到正确的火警时的距离。这些问题有两个主要原因。

(1)的方法来判断火灾是否太简单了。传统的烟雾报警系统只检测一个环境价值。如果检测值超过阈值时,判定为火。有很多火灾现场的不确定性将导致烟雾报警系统无法准确确定火灾,如温度、可燃气体浓度,烟雾粒子浓度,气压,从而导致假阳性,遗漏,延迟报告和其他现象频繁发生(5]。

(2)组件连接不足。传统的烟雾报警系统使用铜导线,绝缘导线或电缆连接探测器和警报。这种连接有许多缺点,例如铜线的价格,大消费,和弱anti-interface能力。另一方面,铜线在高温下容易穿,导致报警系统维护非常复杂,减少传统的烟雾报警系统的可靠性(6]。

目前,一些新的烟雾警报器使用罗拉实现无线通信,和他们不需要安装电线。这解决了传统烟雾报警器的安装困难的问题,使人们查看远程报警的状态,以确保警报的及时性。但是没有改变火灾判断的方式,报警的准确性并没有改善。

对于第一个问题,我们认为,使用机器学习的分类算法和各种传感器来监测的最大实际环境中大约可以恢复环境的真实场景和大大提高火灾报警的准确性,同时减少错误,遗漏,后期警报的频率。

在设计通信系统时,我们希望它能够支持多点数据传输与低复杂性、低成本和高可靠性。所以,我们选择使用无线个域网。此外,我们设计和实现数据可视化网络,以确保用户可以远程监控家园。实验表明,智能烟雾报警系统在数据传输可靠性高和火灾报警,可以同时监视多个场景,具有较高的实用性。

本文分析了燃烧过程,各种WLAN技术和ML算法进行了比较。传感器的类型系统,系统的可用性和可靠性测试通过模拟实验。最后,给出了结论和提出改进方案。

2。相关工作和背景

2.1。火灾过程中变化的指标

大火是一个灾难,不是由人控制和燃烧造成的7]。火的三个基本要素是可燃,燃料,点火来源。易燃材料在形式的气体,固体和液体;“燃料”主要指的是氧气。对可燃气体燃烧,根据可燃气体和空气的混合,它可分为两种不同的方式。如果是在之前的燃烧空气混合气体,它被称为预混合燃烧;如果空气和可燃气体不会进入燃烧状态同时但混合和燃烧,这叫做扩散燃烧。液体和固体物质凝聚态,很难与空气混合好。燃烧的基本过程如下:当它从外部获得足够的能量,凝聚态蒸发成蒸汽或分解,和可燃气体分子,灰烬,和未燃的物质粒子悬浮在空中,称为气溶胶。通常,气溶胶分子相对较小。 During the production of aerosols, large molecules of solid or liquid particles are produced at the same time, known as smoke. But when burning, heat will be generated, causing a temperature rise, while generating a lot of smoke; with the temperature, pressure, and smoke dust parameters, it can be determined whether the fire occurred [8]。

一般来说,可燃物燃烧时产生以下几种形式的表达式如图1:液体和固体可燃材料,第一次产生可燃气体,紧随其后的是烟雾;在充分燃烧的情况下,气体只能完全燃烧,释放大量的热量,促进当前环境温度。火的过程中,初期会产生大量的烟雾,但温度不是很高。如果探测器在这个阶段开始测试,您可以减少火灾造成的损失。火启动后,火势会迅速蔓延,当前环境下产生大量的热量,提高燃烧温度和氧气,空气压力降低。如果这时当前温度和压力可以有效地检测到,火可以控制。

2.2。WLAN技术比较

我们分析了应用最广泛的技术领域的智能家庭无线通信技术,包括wi - fi、蓝牙、z - wave,无线个域网。

表1包含的比较不同的无线技术。它在本质上是概念性的。然而,它可能被用作快速作出决定的工具,技术,您将使用您的应用程序。它包括数据范围,数据率传输网络建设的可能性,等等。

2.3。无线个域网网络架构分析

2.3.1。星形网络

星形网络结构控制和同步是相对简单的,通常用于少数节点的场合(10]。这种拓扑结构的缺点是,只有一个数据节点之间的路由路径。协调器可能会成为整个网络的瓶颈。图2显示了星形网络结构。

2.3.2。Cluster-Tree网络

cluster-tree网络结构可以容纳更多的节点比星型网络结构,也可以根据需要扩展网络(10]。这种拓扑结构的缺点是,信息只是一个独特的路由通道;一旦瘫痪,路由节点下面的子网将完全瘫痪。图3显示了cluster-tree网络结构。

2.3.3。网状网络

这种拓扑结构的优点是,它会自动找到最好的路径,减少了信息延迟,并提高系统的可靠性;缺点是需要更多的存储空间10]。图4显示了网状网络结构。

2.4。分类算法分析

为了提高报警系统的速度,一个分类算法是需要保证的准确性与更快的处理速度。根据这一要求,我们分析了算法的分类精度和处理速度的小数据量,包括支持向量机,决策树,和随机森林11]。

2.4.1。支持向量机

支持向量机(SVM)是在1995年第一次议会和Vapnik提出的。支持向量机表现出许多独特的优势在解决小样本、非线性、高维模式识别和机器学习可以扩展到函数拟合等问题,这在许多领域得到了广泛的应用。支持向量机是基于Vapnik-Chervonenkis维度理论和统计学习理论的结构风险最小化原则(12]。基于模型中的信息模型的复杂性(即。,the learning accuracy of the specific training samples) and the learning ability, we accurately predict the ability of any sample to seek the best compromise between them in order to obtain the best promotion ability (i.e., generalization ability). The basic principle of the support vector machine is to find a reliable kernel of high-dimensional space to a high-dimensional space so that these points are linearly separable in the new space. Support vector machine is based on the linear division and the use of linear division of the principle of the final classification of prediction [13]。

2.4.2。决策树

决策树是一个基本的分类方法,基于特征分类的过程,最初起源于昆兰提出的ID3算法。决策树是一个方法定义一个布尔函数的输入是一组属性描述对象,并输出yes或no。决策树是一个假设可以写成一个逻辑公式。决策树表达仅限于命题逻辑的能力,和任何属性的测试对象是一个命题(14]。

命题逻辑的上下文中,决策树表示完成的能力。决策树可以代表一个决策过程,确定训练集的分类,和树的每个节点对应一个属性名称或一个特定的测试,将训练集基于测试的可能的结果。部门的每一部分对应于一个子空间分类的子问题对应的培训情况,可以通过决策树解决。因此,决策树可以被看作是一个部门的目标分类和访问策略15]。

2.4.3。随机森林

随机森林是一个随机的方式使用决策树作为基分类器成一片森林算法,预测的类,以便每个决策树在森林里是用来预测的样本。最后,所有的决策树结合的结果获得高精度的分类结果。是一种统计学习理论,随机引导重采样方法,从原始训练样本集提取多个版本的样本集。每个训练样本集的决策树模型的最终结合决策树。最后预测可以通过投票机制建立(16]。随机森林的结构如图5。

2.5。分类算法的效果比较

使用cardiotocography(玻纤)数据(17)作为一个例子,2126年数据观察和23个变量,包括致命的心率(FHR)和子宫收缩(UC)特征分类由专家根据监护记录。决策树的比较、装袋、随机森林,支持向量机,最近邻居法、装袋是法生成多个版本的预测和使用这些聚合的预测(18),最近邻居算法是一种非参数方法用于分类和回归(19]。我们用R语言以适应每个方法和使用5倍交叉验证方法。平衡三种类型的因变量,样本大小是随机分为5替换,5分类方法错误率,5倍交叉验证的结果。

从表可以看出2,随机森林这五种分类方法的性能是最好的。

3所示。系统设计

3.1。网络拓扑结构和系统组成

传统的烟雾报警器的基础上,介绍了无线个域网的网状网络结构。它包括几个路由器节点(路由器)和终端设备(终端设备)与PC和一个协调器节点(协调)。每个路由器会自动找到路由器接近它,会自动建立连接的路由器。为了避免路由器冲突,要求每个路由器可以连接到其他三个路由器;如果距离超过某一范围或信号强度低于一定范围的节点,连接将被拒绝(24]。彼此之间的连接节点可以直接沟通;如果两个节点不连接,数据需要通过中间节点转发到目标节点。

改进后的网络结构如图6有许多优点:每个节点的通信范围增加;可以有更多的选择的路径;我们可以选择一个最稳定的节点转发数据。路由路径时损坏,由于整个网络的动态特性,我们可以reobtain最好的路由路径网络和各种设备之间发送消息,利用多次反射传输来提高网络的覆盖范围,也可以透明地传输数据,并且可以根据需要任意节点发送数据。

如图7、智能烟雾报警系统包括感烟探测模块、无线通信模块和智能识别和数据可视化模块。烟雾检测模块负责的环境数据采集系统。它由一个温度计(温度传感器)、湿度传感器、气压传感器、粉尘传感器、奖杯和一块集成STM32 CC2630模块。温度计、湿度传感器、气压传感器、和灰尘传感器负责检测当前环境信息。STM32微控制器负责接收传感器信号的三种类型。CC2630模块负责从协调器三种类型的数据传输到终端设备,然后通过USB串口传输数据的智能识别和数据可视化模块。随机森林算法实现对数据分类和分类的结果返回给带终端设备通过USB串行端口。当输出值设置报警值重复几次,也就是说,火灾产生的烟时,警报被推。

3.2。硬件设计

3.2.1之上。无线通信模块

无线数据传输网络是基于德州仪器CC2630可编程的射频芯片的发展。CC2630是一种高性能、低成本、低功耗系统集成芯片,支持智能蓝牙,无线个域网、6 lowpan, ZigBeeRF4CE遥控应用程序开发平台。CC2630双手臂核心32位CPU芯片设计,Cortex-M0核心,负责无线通信处理和Cortex-M3 CPU核心为主要负责无线个域网协议处理。这个体系结构允许CC2630建立更大的网络,一个更稳定的网络,更多的产能数据构建一个无线个域网协议时(25]。

CC2630 CPU作为整个节点子系统。一方面,它负责收集房间里的传感器监测的实时数据和数据路由路径到目标终端设备。另一方面,它周围的邻居建立联系的数据请求转发和数据转发到下一个节点。此外,该系统是建立网络状态指示器;您可以使用指标,以确定当前节点是否在线或离线或发送和接收数据状态。

该系统中使用的传感器包括温度和湿度传感器,压力传感器,传感器灰尘。多个环境数据,包括温度、湿度、气压、PM2.5浓度,可以实时监控和PM10浓度。多种类型的传感器的使用避免了单一指标的错误在之前的部分。并通过无线通信环境采集模块与用户可以放置随机进行实时环境数据收集,从而大大提高了其实用性。

整个系统由四个可替换的普通1.5 V干电池,和电源电压6 V。此外,该系统还使用了低功耗优化程序。运行指定的任务触发低功耗睡眠模式,直到唤醒信号。

总体设计的模块,请见图8。

3.2.2。感烟探测模块

目前,市场上的烟雾探测器主要是红外探测器。的原则是无烟状态,光敏元件不能接收红外线,和烟雾粒子将折射和反射红外光,因此光敏元件接收到红外线。当光敏元件接收足够的光信号,电极变形生成触发报警信号(26]。但是它的缺点也很明显:水雾从厨房,烹饪气味,甚至冬天的阴霾也可能引发烟雾传感器,导致频繁的假阳性。

为了区分上述几种不同的情况下,有必要收集不同类型的环境数据,比如温度、湿度、气压、和烟尘浓度的环境变量起了决定性的作用。因此,我们需要尽可能准确地选择传感器这四个环境参数,和所需的传感器是足够好的敏感性反应很快环境(27]。

气压数据,我们使用气压传感器gy - 68 BMP180,可用于GPS精确导航(航迹推算,上下桥检测,等等),室内和室外导航、休闲、体育、医疗卫生监测、天气预报、垂直速度指示(上升/下降速度),风机功率控制等领域。传感器是LCC8包的大小是3.6毫米×3.8×0.93毫米。在低功耗模式下,空气压力测量可以精确到0.06 hPa(0.5米)。在高线性模式,测量空气压力可以精确到0.03 hPa(0.25米),使用和I2C接口,控制简单,定期沟通。兼容性可以用于各种加工设备(28]。

环境湿度和温度数据,我们使用温度和湿度传感器DHT11;传感器可用于实验室、工业生产、仓库储存、室内环境监测,空调设备,智能监控设备等领域。湿度传感器测量范围从20%到95%,温度测量范围从0度到50度,和使用数字输出形式简单、方便、易于控制(29日]。

对环境空气中的颗粒物,我们使用GP2Y1051AU00F粉尘传感器,可用于领域的PM2.5探测器,净化新风机,过滤系统,等等。传感器输出模拟电压成正比的测量粉尘浓度,灵敏度为0.5 V / 0.1毫克/立方米,最小的粒子探测值在0.8微米的范围−10度到65度,可以检测出小颗粒。

数据9,10,11分别对应于压力传感器,温度和湿度传感器,传感器灰尘。

3.3。算法

3.3.1。随机森林

随机森林算法很好地利用随机性(包括随机生成的子样品集,随机选择subfeatures),最大限度地减少树木的相关性,并提高了整体分类性能,因为每棵树的时间很短,森林可以并行,随机森林分类是非常快。

假设一个随机森林分类器 ;的类标签分类结果是通过每一个决策树 为测试实例和概率平均 。环境信息(气压、湿度、温度、和颗粒物)收集系统;预测类标签包括正常的空气,水雾,厨房烹饪,和火烟。分类过程如下所示: argmax表示参数在哪里最高的分数,表示随机森林,决策树的数量指数函数表示, 表示类的决策树的分类结果 , 代表的数量决策树的叶节点 ,和代表的重量树在随机森林30.]。

3.3.2。数据可视化

数据可视化是基于开源项目E-charts实现。E-charts JavaScript是一个纯粹的图形库,依靠轻量级Z-Render帆布库,提供直观的、生动的、互动的、高度个性化的数据可视化图表。创新的拖放重新计算,数据视图,射程漫游,和其他特性大大增强用户体验,给用户数据挖掘和集成功能31日]。

在此系统中,考虑到数据的多样性,为了创建一个更直观的观看体验,我们选择使用线图显示了各种类型的数据随着时间的数值变化。首先,在头版脚本标签是用于介绍E-charts主文件和JQuery。然后,我们使用PHP数据处理,包括从数据库提取数据并将其转换为一个JSON格式。最后,在前面,页面使用美元。得到JSON方法来实现异步加载数据,初始化的echarts.init方法。

为了防止最后数据量过多的显示或显示错误造成的,由于数据存储时间间隔,我们将只显示近一半的数据。

4所示。实验设计和验证

4.1。能耗比较

我们使用MATLAB建立虚拟系统的功耗测试三个WLAN(无线个域网、蓝牙和wi - fi)技术在睡眠中间隔(32];结果如图所示12。根据实验结果,无线个域网能耗低于wi - fi在所有睡眠间隔,和长时间睡眠间隔的情况下,无线个域网和蓝牙是接近于0。

4.2。系统效率测试

为了验证系统的性能,本研究选择一所房子居住面积约110平方米作为测试网站(位于成都双流地区、四川)。房子包括一个卧室,一个浴室,一个客厅,一个厨房,一个商店的房间,一个客厅,一个阳台,和一项研究。这些房间的布局图所示13。

为了更好地测试随机森林的分类在每种情况下,我们生产四感烟探测模块,确保数据传输稳定、包验收成功率高于90%的情况下(33]。四感烟探测模块放置在卧室的门,浴室天花板,厨房天花板,客厅沙发上。然后,我们开始设置模拟。场景1:同时,在卧室里,我们点燃了一堆衣服来模拟火灾烟雾和在厨房做饭产生烟雾,关上了浴室门,打开热水产生水雾,在客厅里什么也没做,以确保空气状态是正常的。大量的模拟之后,我们开始建立仿真。场景2:同时,在客厅里,我们点燃了一堆衣服来模拟火灾烟雾,在厨房里煮水产生水雾,在卧室和浴室我们没有维护正常的空气状态,我们进行了相同数量的模拟。这两种类型的模拟场景的设置,我们认为是最接近生活的场景。表3总结这两个模拟场景。

总共5006观察和5变量收集从2017年4月和5月,包括正常的环境中,火烟,烟雾和水雾。随机森林算法用于对这些数据进行分类。分析分类结果后,发现出错率为0。图14显示了随机森林的识别结果。从图可以看出,空气条件下有明显特征这四个指标。

4.3。实验数据的可视化

图15显示了可视化烟尘浓度(单位:毫克/米³)在客厅09:54在4月13日晚。由于收集到的数据是每秒钟更新,为了防止数据被显示太快,每两分钟自动更新机制,确保数据的及时性和正常的显示功能。

5。讨论

雅高丁仿真场景测试,我们可以看到,在室内烟雾分类系统表现良好,可以满足用户的需要为远程监控和具有一定现实意义实现智能家庭环境监测。但也可以改善整个系统的功能。

首先,当前系统只能识别四种情况:正常环境下,火烟,烟雾,和水雾环境;事实上,吸烟产生的几种形式,如二次烟主要产生烟和建筑工地吸烟。

第二,数据可视化,当前可视化页面只能提供一个简单的浏览功能,不能执行复杂的操作,比如数据提取。

此外,该系统目前脆弱的网络通信和外部入侵。就整个系统而言,我们必须有一个噪声安全机制;这是一个重要的未来的研究方向。

最后,当系统中路由器的数量不断增加,数据的数量将成倍增加,方便数据溢出,产生一些不可预知的存储过程中的错误。测试只用四个烟雾探测器和尚未满足数据量过多的问题。为了防止同时存储错误的可能性,我们目前的解决方案是建立一个单独的数据存储周期为每个感烟探测模块。但是后来,我们需要优化这两个问题。

6。结论

在本文中,我们介绍了一个智能烟雾报警器系统的实现方法,包括传感器网络、分类算法、和视觉界面。然后,低精度和弱及时性的问题传统的烟雾报警器。烟信息分类和显示的解决方案和组件提出无线传感器网络。烟信息分类解决传统烟雾报警器精度低的问题。烟信息可视化可以帮助用户更直观地理解空气状况。无线传感器网络可以提高报警的及时性。实验结果表明,基于该智能烟雾报警系统,空调可以更准确的区分,假警报的概率大大降低,这样空气可以实时查看信息和报警信息可以及时收到。此外,我们已经讨论了当前系统的一些不足之处。在未来,我们将努力确定更多类型的烟雾在相同的传感器系统。和视觉功能扩展到添加更多用户定制选项,提高系统的安全性,确保数据传输和存储的稳定性。最后,考虑系统的需求沟通环境;智能烟雾报警系统应该使用弱电磁环境等。

的利益冲突

作者宣称没有利益冲突。

引用

1. x, t·h·s .楚h . c . b . Chan和v c . m .梁”维塔:crowdsensing-oriented移动cyber-physical系统”,IEEE新兴主题计算,1卷,不。1,第165 - 148页,2013。视图:出版商的网站|谷歌学术搜索
2. m·杨和c .张“烟雾报警系统,”无线卷。9日,50-51,2006页。视图:谷歌学术搜索
3. x, j .赵,在公元前。甜美,v . c . m .梁t·h·s .楚和h . Chan“S-aframe:基于主体多层框架为车辆的社交网络,与上下文感知语义服务”IEEE新兴主题计算,3卷,不。1,44 - 63,2015页。视图:出版商的网站|谷歌学术搜索
4. 郭y、x胡,胡,j . Cheng m .周和r . y .郭”移动网络物理系统:当前的挑战和未来的网络应用程序,”IEEE访问,没有。99年,页1 - 1,2017。视图:出版商的网站|谷歌学术搜索
5. m . Ahrens我们体验与烟雾报警器及其他火灾探测报警设备美国,美国昆西马,2004年。
6. j . e .改、p·s·科索和m . f . Ballesteros”成本分析的烟雾报警器安装及消防安全教育计划,”《安全研究,37卷,不。4、367 - 373年,2006页。视图:出版商的网站|谷歌学术搜索
7. a·h·布坎南和a·k·阿布消防安全的结构设计约翰•威利& Sons 2017。
8. s . r .,介绍燃烧麦格劳-希尔,卷。287年,纽约,纽约,美国,1996年。
9. j . Warnatz美国马斯河和r·w·种植燃烧施普林格,柏林,德国,2012年。
10. j .李朱x:唐,j .隋”研究无线个域网网络结构和路由算法,”学报》2010年第2信号处理系统(ICSPS)国际会议上,卷2,页2 - 389,IEEE 2010。视图:谷歌学术搜索
11. p . b . Brazdil和c·苏亚雷斯,”排名方法分类算法的比较选择,”《欧洲机器学习会议施普林格,页63 - 75年,柏林,德国,2000年。视图:谷歌学术搜索
12. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
13. 范德维尔j . k . Suykens和j .最小二乘支持向量机分类器”,神经处理信件,9卷,不。3、293 - 300年,1999页。视图:出版商的网站|谷歌学术搜索
14. t·m·米切尔机器学习,45卷,麦格劳希尔,毛刺脊,IL),美国,1997年。
15. j·r·昆兰“决策树归纳”,机器学习,1卷,不。1,第106 - 81页,1986。视图:出版商的网站|谷歌学术搜索
16. a . Liaw和m·维纳“随机森林分类和回归,”R日报,卷2,不。3,在18到22岁,2002页。视图:谷歌学术搜索
17. l . Breiman“装袋预测”,机器学习,24卷,不。2、123 - 140年,1996页。视图:谷歌学术搜索
18. z Ning, x, z . Chen等人“合作quality-aware社会网络服务访问系统的车辆,“IEEE物联网1 - 1页。视图:出版商的网站|谷歌学术搜索
19. x, v . c .梁郭y . et al .,“SAfeDJ: Crowd-Cloud合作设计方法Situation-aware音乐送货司机,”ACM交易多媒体计算、通信和应用程序(汤米·),12卷,不。1 s, p . 2015。视图:出版商的网站|谷歌学术搜索
20. w·a·Arbaugh真正安全:802.11和802.11 wi - fi保护访问我,addison - wesley朗文出版有限公司,有限公司,2003年版。
21. 它是如何工作的|蓝牙技术网站2017年,从https://www.bluetooth.com/what-is-bluetooth-technology/how-it-works。
22. n . A . Somani和y . Patel,“无线个域网:工业应用的低功耗无线技术,”国际期刊的控制理论和计算机模拟(IJCTCM),卷2,即页。视图:谷歌学术搜索
23. m·奈特“z - wave有多安全?(无线标准),”专业计算和控制工程,17卷,不。6、18 - 23,2006页。视图:出版商的网站|谷歌学术搜索
24. 美国的树,无线传感器网络。自我,1 (R2), C0。CC2630 SimpleLink™6 lowpan ZigBee无线单片机®,2014,http://www.ti.com/lit/ds/swrs177b/swrs177b.pdf。
25. 家里烟雾报警器技术路线图。(2012)。cpsc.gov。检索2017年6月4,https://www.cpsc.gov/s3fs-public/homesmokealarm.pdf。
26. i . f . Akyildiz w·苏y Sankarasubramaniam,大肠Cayirci,“无线传感器网络:一项调查,”计算机网络,38卷,不。4、393 - 422年,2002页。视图:出版商的网站|谷歌学术搜索
27. BMP180,“Bosch-sensortec.com”, 2017年,https://www.bosch-sensortec.com/bst/products/all_products/bmp180。视图:谷歌学术搜索
28. c . Strobl A.-L。Boulesteix, a . Zeileis和t . Hothorn偏见在随机森林变量重要性措施:插图,来源和一个解决方案,“BMC生物信息学第二十五条,卷。8日,2007年。视图:出版商的网站|谷歌学术搜索
29. d .机器人”DHT11湿度和温度传感器、“ECharts·医生,2017年,http://echarts.baidu.com/echarts2/doc/doc-en.html。视图:谷歌学术搜索
30. j·s·李,y . w . Su, c . c .沈,“无线协议的比较研究:蓝牙、超宽频、无线个域网,wi - fi,”美国第33 IEEEIndustrial电子协会的年会上,IECON 2007,页46-51,IEEE 2007。视图:谷歌学术搜索
31. “UCI机器学习库:Cardiotocography的数据集,”2017年,http://archive.ics.uci.edu/ml/datasets/Cardiotocography。视图:谷歌学术搜索
32. g .姚明,壮族,d .赵,x霍,“智能家居系统的设计基于ZigBee无线技术,”现代电子技术,39卷,不。22日,第84 - 81页,2016年。视图:谷歌学术搜索
33. k的巨大和p . m .兰德”,一个分支定界算法计算再邻居,”IEEE计算机,C-24卷,不。7,750 - 753年,1975页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018秦吴等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。