N-pod多品牌智能家居语音控制设备的设计与实现

人工智能养老机器人有助于解决当前日趋严峻的居家养老问题,但各品牌智能家居设备互不兼容,成熟的机器人产品又欠缺老人语音语义识别,缺乏自学习能力且控制响应速度慢、灵敏度不高。针对上述问题,采用Tornado框架和Home Assistant框架有效整合市场主流智能家居设备,在主机和人形机器人上构建N-pod主机,使用深度卷积神经网络实现语音识别,使用粒子群优化智能算法对采集的老人身体指标、居家环境信息实施分簇处理,形成语音控制多品牌智能家居设备的控制解决方案,达到千人千面的养老定制需求。经过实验和实际应用,该设备适用于居家养老人群,语音识别的正确率、控制指令的正确率和响应灵敏度均高于同类产品,具有较大的经济和社会效益。

一种并行化的改进型灰狼分簇算法

针对传统的分簇算法在解决超大规模数据集的分簇问题上不具有高效的时间和空间复杂度且易于陷入局部最优的问题,提出了改进型灰狼分簇算法(Improved Gray Wolf Clustering Algorithm,IGWCA),将灰狼行为规则与灰狼狩猎策略相融合,同时引入狄利克雷分布(Dirichlet Distribution)实现先验,在基准数据集上完成IGWCA与其他分簇算法的对比分析。实验结果表明IGWCA不仅具有较强的探索和开发能力,还具有较小的分散度。使用Hadoop框架的MapReduce模型实现IGWCA的并行化(IGWCA on MapReduce,IGWCA-MR),通过F-Measure和平均运行时间验证IGWCA-MR的分簇质量,并在真实数据集上验证了IGWCA-MR的运行时间和加速性能。实验结果证明,IGWCA-MR可以有效解决超大规模数据集的分簇问题,是一种高效的替代算法。

基于MapReduce模型的并行粒子群分簇算法研究

在超大规模数据集的分簇管理上,存在大数据获取、存储、检索、分析和可视化等困难。面对爆炸式增长的数据,利用分布式、并行计算原理,在MapReduce模型的基础上构建并行粒子群优化算法(PSOC-MR),实现对超大规模数据的有效分簇处理。实验结果表明,PSOC-MR算法在集群节点数量与数据集大小等比例增加的情况下呈现良好的可扩展性,能在保持分簇质量的同时呈现线性加速,该算法可有效解决超大规模数据集的分簇问题,实现低成本、高性能的商用大数据分析。