CN103389719B - 基于云计算的智能家居监控***及方法 - Google Patents

Abstract

本发明提供一种基于云计算的智能家居监控***及方法，该***包括复合传感器、集中设备和云端服务器；所述复合传感器包括至少一种传感器，所述传感器与各类被监控设备连接或位于被监控区域，所述复合传感器的输出端与所述集中设备的输入端连接，所述集中设备的输出端与所述云端服务器的输入端连接。通过复合传感器能够全面监控被监控区域的多类监控信息，即节省了***成本，简化了布线，也提高了***稳定性。

Description

基于云计算的智能家居监控***及方法

技术领域

本发明属于通信技术领域，具体涉及一种基于云计算的智能家居监控***及方法。

背景技术

智能家居是以住宅为平台，利用综合布线技术、网络通信技术、自动控制技术和音视频技术等将与家居生活有关的设施集成，从而构建高效的住宅设施与家庭日程事务的管理***，提升家居安全性、便利性、舒适性、艺术性，并实现环保节能的居住环境。

智能家居技术的发展已有10余年的历史。智能家居采用了多种传感器和网络结构。但是，现有技术中，在监测环境中，需要布置多个单独的传感器，各传感器分别检测不同的设施状态参数，具有集成度低、费用昂贵、布线复杂以及性能稳定性有限等问题。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于云计算的智能家居监控***及方法，通过复合传感器能够全面监控被监控区域的多类监控信息，即节省了***成本，简化了布线，也提高了***稳定性。

本发明采用的技术方案如下：

本发明提供一种基于云计算的智能家居监控***，包括：复合传感器、集中设备和云端服务器；所述复合传感器包括至少一种传感器，所述传感器与各类被监控设备连接或位于被监控区域，所述复合传感器的输出端与所述集中设备的输入端连接，所述集中设备的输出端与所述云端服务器的输入端连接。

优选的，所述被监控设备包括燃气灶、电视、冰箱、空调、灯和热水器中的一种或几种。

优选的，所述复合传感器包括处理器、光传感器、气传感器、湿度传感器、温度传感、接近传感器、红外传感器和通信接口；所述处理器分别与所述光传感器、所述气传感器、所述湿度传感器、所述温度传感、所述接近传感器、所述红外传感器和所述通信接口连接。

优选的，所述通信接口为蓝牙通信接口或zigbee通信接口。

优选的，所述集中设备包括ARM处理器、wifi通信接口、zigbee通信接口、rs485通信接口、rs232通信接口和usb通信接口；所述ARM处理器分别与所述wifi通信接口、所述zigbee通信接口、所述rs485通信接口、所述rs232通信接口和所述usb通信接口连接。

优选的，所述云端服务器包括数据库、个人/家庭数据管理器、数据历程管理器、授权管理器、数据敏感度检查管理器、敏感数据分析管理器、设备管理器、用户管理器、日志管理器、计量和计费管理器、安全管理器、服务管理器和服务提供管理器；

所述用户管理器用于管理授权用户及其相关的文件；其中，所述文件包括用户个人文件、用户地址文件和与用户相关的电话号码文件；

所述个人/家庭数据管理器用于保护所述用户管理器管理的所述授权用户的用户个人文件；

所述授权管理器用于向指定用户授予权限，使所述指定用户访问或共享其他用户的数据；

所述数据历程管理器用于监视所述个人/家庭数据管理器授权的存储数据的活动，具体包括：访问所述数据库中历史记录的访问时间点、访问内容和执行操作的对应关系；

所述服务管理器用于向用户推送服务目录，所述服务目录列举所述智能家居监控***向用户提供的服务内容以及与所述服务内容对应的收费信息；

所述服务提供管理器用于自动化管理用户对所述云端服务器的访问；

所述计量和计费管理器用于计算向各个授权用户收取的费用情况；

所述日志管理器用于记录所述云端服务器发生的事件或活动的内容和对应的时间点；

所述设备管理器用于记录各个授权用户中被监控设备的运行信息；

所述数据敏感度检查管理器用于检查用户请求服务信息，判断用户请求的服务数据在数据库中的存储位置；

所述敏感数据分析管理器用于基于神经网络对接收到的监控信息进行综合分析，通过参考数据库中存储的同一监护人的历史数据，首先推理出人的行为习惯，然后判断所述监控信息是否符合人的行为习惯，如果不符合，则向预留的对应手机号码发送提醒通知消息；

所述安全管理器用于为服务提供认证、授权和密钥管理。

本发明还提供一种应用上述基于云计算的智能家居监控***的监控方法，包括以下步骤：

S1，在各个被监控区域分别安装所述复合传感器；其中，所述复合传感器包括至少一种传感器，所述传感器与各类被监控设备连接或位于被监控区域；

S2，所述复合传感器采集监控信息，然后将所述监控信息发送给所述集中设备；其中，所述监控信息包括与自身连接的各类被监控设备的设备运行参数以及被监控区域的环境信息；

S3，所述集中设备接收所述监控信息，对所述监控信息进行加密，得到加密监控信息；然后将所述加密监控信息发送给所述云端服务器；

S4，所述云端服务器解密接收到的所述加密监控信息，还原得到所述监控信息，将所述监控信息存储到数据库中；

S5，所述云端服务器采用神经网络方法分析存储在数据库中的数据，判断所述监控信息是否异常，如果异常，则向预留的与所述被监控区域对应的手机号发送提醒信息。

优选的，S5具体为：

所述云端服务器采用神经网络方法分析存储在数据库中的历史数据，首先推理出人的行为习惯，然后判断所述监控信息是否符合人的行为习惯，如果不符合，则向预留的对应手机号码发送提醒通知消息。

优选的，S5具体为：

所述云端服务器使用神经网络学习人的日常行为习惯，采用多层感知反向传播进行训练和修正，建立行为习惯神经网络模型；

所述云端服务器根据建立的所述行为习惯神经网络模型，预测和分析人的未来行为。

优选的，所述云端服务器使用神经网络学习人的日常行为习惯，采用多层感知反向传播进行训练和修正，建立行为习惯神经网络模型具体为：

S51，创建前馈神经网络的拓扑结构，所述前馈神经网络包括输入层、隐藏层和输出层；所述输入层具有N个输入变量，所述隐藏层具有M＝N、N+1、N+2……个隐藏单元；所述输出层具有P个输出变量；

其中，输入变量包括楼房号、楼层号、宿舍号、房间号以及在该房间时对房间内特定应用执行的操作信息；

输出变量为：当得出房间内特定应用异常时，向与该房间对应的手机用户发送异常提醒消息；

S52，以历史数据作为神经网络训练的样本数据，用反向传播算法对神经网络进行训练，得到所述行为习惯神经网络模型；其中，用反向传播算法对神经网络进行训练具体为：按下列步骤不断更新各层连接权重值：

S521，采用式1初始化所有网络连接权重值；

$W_{i,j}^1;i=\stackrel{\‾}{1,N};j=\stackrel{\‾}{1,M}$ $W_{i,j}^2;i=\stackrel{\‾}{1,M}-$ -------------------------------------式1

该权重值为[-N/2，N/2]区间内的随机数字；

S522，如果则执行S523-S526；

其中：E(W)表示误差函数；

t_k表示目标值；

o_k表示输出值；

T表示阀值；

S523，向网络输入实例并按式2计算输出

$\stackrel{\‾}{O}=\stackrel{\‾}{X}\·\stackrel{\‾}{W^1}\·\stackrel{\‾}{W^2}.$ -------------------------------------式2

其中：表示：输入的样本；

表示：权重；

表示：权重；

S524，对于每个网络输出单元k，k＝1时，按式3计算其误差项δ_k

δ_k＝o_k(1-o_k)(t_k-o_k)----------------------------------式3

S525，对于每个隐藏单元H，H＝1、M，按式4计算其误差δ_h；

${\mathrm{\δ}}_h=o_h(1-o_h){\mathrm{\Σ}}_{k\∈\mathrm{outputs}\left(P\right)}{W}_{k,h.}^2{\mathrm{\δ}}_k.$ --------------------------------式4

其中，表示输出值h的第k个权重；

S526，按式5、式6更新每个网络的连接权重值W_i，j

W_i，j＝W_i，j+ΔW_i，j--------------------------------式5

ΔW_i，j＝α.δ₁X_i，j--------------------------------式6

其中，α表示学习的步数。

本发明的有益效果如下：

(1)过复合传感器能够全面监控被监控区域的多类监控信息，即节省了***成本，简化了布线，也提高了***稳定性。

(2)集中设备具有数据加密功能，从而提高了监控***的安全性；

(3)云端服务器采用多个组件，保障了存储在云端服务器数据的安全性；

(4)云端服务器采用神经网络技术分析人的行为习惯，并当发现监测数据与人的行为习惯不符时，向相关用户手机发送提醒信息，提升了用户体验。

附图说明

图1为本发明提供的基于云计算的智能家居监控***的结构示意图；

图2为本发明提供的复合传感器的结构示意图；

图3为本发明提供的云端服务器的结构示意图；

图4为本发明提供的神经网络模型的结构示意图.

具体实施方式

以下结合附图对本发明进行详细说明：

如图1所示，本发明提供一种基于云计算的智能家居监控***，包括：复合传感器、集中设备和云端服务器；复合传感器包括至少一种传感器，传感器与各类被监控设备连接或位于被监控区域，复合传感器的输出端与集中设备的输入端连接，集中设备的输出端与云端服务器的输入端连接。其中，被监控设备包括燃气灶、电视、冰箱、空调、灯和热水器中的一种或几种。

应用该智能家居监控***的监控方法，包括以下步骤：

S1，在各个被监控区域分别安装复合传感器；其中，复合传感器包括至少一种传感器，传感器与各类被监控设备连接或位于被监控区域；

S2，复合传感器采集监控信息，然后将监控信息发送给集中设备；其中，监控信息包括与自身连接的各类被监控设备的设备运行参数以及被监控区域的环境信息；

S3，集中设备接收监控信息，对监控信息进行加密，得到加密监控信息；然后将加密监控信息发送给云端服务器；

S4，云端服务器解密接收到的加密监控信息，还原得到监控信息，将监控信息存储到数据库中；

S5，云端服务器采用神经网络方法分析存储在数据库中的数据，判断监控信息是否异常，如果异常，则向预留的与被监控区域对应的手机号发送提醒信息。

具体的，云端服务器采用神经网络方法分析存储在数据库中的历史数据，首先推理出人的行为习惯，然后判断监控信息是否符合人的行为习惯，如果不符合，则向预留的对应手机号码发送提醒通知消息。分析人的行为习惯的具体过程中后续介绍云端服务器时详细介绍，在此不再赘述。

以下对本发明提供的复合传感器、集中设备和云端服务器分别详细介绍：

(一)复合传感器

复合传感器为包含多种组件的传感器，具体可以包括处理器、光传感器、气传感器、湿度传感器、温度传感、接近传感器、红外传感器、通信接口和；处理器分别与光传感器、气传感器、湿度传感器、温度传感、接近传感器、红外传感器、通信接口。其中，通信接口包括但不限于蓝牙通信接口或zigbee通信接口。

复合传感器与各类家庭应用设备连接，例如：灯、电视、燃气灶、热水器等。复合传感器从用户的各种应用设备中检测数据。然后将检测到的数据发送到集中设备。

(二)集中设备

目前的网关大多使用已经存在的***，本发明中，，为提高数据传输的安全性，集中设备具有数据加密功能，首先对从复合传感器传输的数据进行加密，然后将加密数据传输到云端服务器。

具体的，集中设备包括ARM处理器、wifi通信接口、zigbee通信接口、rs485通信接口、rs232通信接口和usb通信接口；所述ARM处理器分别与所述wifi通信接口、所述zigbee通信接口、所述rs485通信接口、所述rs232通信接口和所述usb通信接口连接。

(三)云端服务器

云端服务器采用云计算技术，在网络上共享各类数据资源。由于在云计算环境中，云端服务器存储大量个人数据，因此，需要采取有效的措施，保障云端服务器的数据安全性，防止个人数据被他人窃取或滥用。云计算指的是运用远程计算资源(硬件和软件)实现大数据计算。名字来源于用云型符号来表示云计算复合的***基础架构。云计算提供给用户远程的数据、软件和计算服务。

为了保护用户数据安全和为用户提供最好的服务，云端服务器采用了多种组件，具体的，云端服务器包括数据库、个人/家庭数据管理器、数据历程管理器、授权管理器、数据敏感度检查管理器、敏感数据分析管理器、设备管理器、用户管理器、日志管理器、计量和计费管理器、安全管理器、服务管理器和服务提供管理器；

用户管理器用于管理授权用户及其相关的文件；其中，所述文件包括用户个人文件、用户地址文件和与用户相关的电话号码文件；

所述个人/家庭数据管理器用于保护所述用户管理器管理的所述授权用户的用户个人文件；

所述授权管理器用于向指定用户授予权限，使所述指定用户访问或共享其他用户的数据；

所述数据历程管理器用于监视所述个人/家庭数据管理器授权的存储数据的活动，具体包括：访问所述数据库中历史记录的访问时间点、访问内容和执行操作的对应关系；

所述服务管理器用于向用户推送服务目录，所述服务目录列举所述智能家居监控***向用户提供的服务内容以及与所述服务内容对应的收费信息；

所述服务提供管理器用于自动化管理用户对所述云端服务器的访问；

所述计量和计费管理器用于计算向各个授权用户收取的费用情况；

所述日志管理器用于记录所述云端服务器发生的事件或活动的内容和对应的时间点；

所述设备管理器用于记录各个授权用户中被监控设备的运行信息；

所述安全管理器用于为服务提供认证、授权和密钥管理，使用单点登录技术为用户提供方便。根据服务内容的不同，密钥管理需要不同的密码***。

数据敏感度检查管理器为一个组件，用于检查用户请求服务信息，判断用户请求的服务数据在数据库中的存储位置，例如，存储该服务数据的表位置等。例如，有大量的楼房数据存储在云端，当用户请求服务信息通过物联网加密终端发送到云端时，该组件检查用户请求服务信息来自的楼房位置、房间号等，然后判断是否存在存储该楼房位置和房间号的表项。

所述敏感数据分析管理器用于基于神经网络对接收到的监控信息进行综合分析，通过参考数据库中存储的同一监护人的历史数据，首先推理出人的行为习惯，然后判断所述监控信息是否符合人的行为习惯，如果不符合，则向预留的对应手机号码发送提醒通知消息。

下面详细介绍敏感数据分析管理器对接收到的监控信息进行综合分析的过程：

云端服务器接收从集中设备传输的加密数据，将加密数据解密后，采用神经网络方法分析，分析的数据包括：与灯相关的数据、压力数据、与电视相关的数据、温度数据等。例如：压力传感器检测厨房中煤气罐出口压力信息，然后将检测到的压力信息发送到云端；云端通过对压力信息进行分析，判断该压力信息是否低于阈值，如果是，则得出煤气罐泄漏的结论，则向使用该煤气罐的用户手机发送告警短信。同样的，通过复合传感器和云端的分析过程，还可以监测用户是否跌倒、房间是否发生火灾等信息。

另外，敏感数据分析管理器基于神经网络对接收到的监控信息进行综合分析，推理出人的行为习惯，然后判断监控信息是否符合人的行为习惯，举例如下：

复合传感器每天均监测房间A中灯A的开灯时间和关灯时间，然后将灯A的开灯时间和关灯时间上传给云端；例如，云端服务器5天分别接收到以下信息：第一天，开灯时间为早上6:10，关灯时间为晚上9:05；第二天，开灯时间为早上5:52，关灯时间为晚上9:08；第三天，开灯时间为早上5:55，关灯时间为晚上8:56；第四天，开灯时间为早上6:09，关灯时间为晚上8:55；第五天，开灯时间为早上6:04，关灯时间为晚上8:56；则云端服务器使用神经网络技术分析接收到的数据，得出以下人的行为习惯信息：偏离早上6点10分钟范围内执行开灯操作；偏离晚上9点10分钟范围内执行关灯操作。则当某一天，云端在偏离晚上9点10分钟范围内未接收到复合传感器传输的关灯监控信息时，则云端向该用户手机发送“请关灯”的提醒消息。

神经网络的一大优势是能够根据样本自我学习。传统解决问题的方法，需要详细阐述所使用的模型，然后给出一连串求解问题的算法。但是，传统方法存在的问题主要为：建立一个确定的算法是非常困难甚至是不可能的。

在神经网络模型中，不需要直接给出解决某一问题的算法，只需要为神经网络提供一些样本来训练学习，神经网络从训练样本中获得信息，自己就能够建立解决问题的模型。神经网络的巨大潜能，使得使用多维度样本解决实际问题具有非常广阔的空间。

人类通常存在一定的行为模式，然而，人类有时会打断甚至完全改变这种行为模式。本发明目的为：使用神经网络，学习人的日常行为习惯，建立行为习惯神经网络模型。然后根据建立的行为习惯神经网络模型，预测和分析人的未来的行为。采用多层感知反向传播进行训练和修正模型。

本发明中，如图4所示，为本发明提供的神经网络模型的结构示意图，选择具有一个隐藏层的多层感知和反向传播学习算法。房间号和各种家庭应用采用二进制编码以方便存储，优选选择时间复杂度为log₂N(N为神经网络中的条目)的按位编码，从而有利于以后的扩展。

例如，假设某一小区具有25栋楼房，楼房号使用B1、B2...、B25编码。每个楼房5层，楼层号使用I、II、III、IV、V编码。每层楼有两个宿舍，宿舍号用D1和D2编码。每个宿舍有4个房间，房间号用R1、R2、R3、R4编码。

复合传感器被放置到每个宿舍中，采集数据到集中设备中，并将数据发送到云端服务器。

输入层：输入数据包括楼房号、楼层号、宿舍号、房间号以及在该房间时对房间内某一应用的操作。

举例说明，某一时间，23号楼，3楼，宿舍1的第四个房间内，有人进行了某一操作，如开灯。

<23><III><D1><R4><00001><19.00><ON>

本发明选择5位二进制数进行编码，得到

10111.00011.00001.00100.00001.10011.00000.00001

开始，使用样本对***进行训练，然后根据复合传感器采集的数据对人的行为习惯进行预测和分析。

隐藏层：改变隐藏层神经元的数目(M)，从N、N+1，N+2……(N表示输入层神经元的数目)开始。

假如输入的数据如下面所示：

第一天：<23><III><D1><R4><01><19.00><ON>

10111.00011.0001.00100.00001.10011.00000.01

第二天：<23><III><D1><R4><01><19.10><ON>

10111.00011.0001.00100.00001.10011.01010.01

第三天：<23><III><D1><R4><01><19.30><ON>

10111.00011.0001.00100.00001.10011.11110.01

第四天：<23><III><D1><R4><01><19.20><ON>

10111.00011.0001.00100.00001.10011.10100.01

第五天：<23><III><D1><R4><01><18.00><ON>

10111.00011.0001.00100.00001.10010.00000.01

第六天：<23><III><D1><R4><01><19.05><ON>

10111.00011.0001.00100.00001.10011.00101.01

第七天：<23><III><D1><R4><01><19.30><ON>

10111.00011.0001.00100.00001.10011.11110.01

假如使用以上7天的数据对***进行训练，通过隐藏层的计算，就能够预测该楼房、楼层、宿舍、房间的应用值，或根据得到的楼房、楼层、宿舍、房间的应用值进行分析。

输出层：神经网络通过输出层得到输出结果。该输出值，可以提醒人们在该时间点应执行什么样的动作。例如，通过神经网络，预测到第8天，应该在18点50到19点30执行关灯动作。在实际中，如果时间超过了17点30，***将会给这个人发送一条短信，提醒用户检查是否关灯。

按照同样的方式，使用神经网络，还可以预测智能家居中人们的其他行为习惯，并且分析和发现行为中的异常，及时发送提醒和预警信息。

神经网络采用以下方法训练：

训练/学习的过程中，使用以下算法：

1、创建前馈神经网络，具有N个输入，M＝N，N+1，N+2……个隐藏单元和P个输出单元。

2、初始化所有网络权重

$W_{i,j}^1;i=\stackrel{\&OverBar;}{1,N};j=\stackrel{\&OverBar;}{1,M}$ $W_{i,j}^2;i=\stackrel{\&OverBar;}{1,M}$ -------------------------------式1

该权重是[-N/2，N/2]区间内的随机数字。

3.如果 $E\left(W\right)=\frac{1}{2}{\mathrm{\&Sigma;}}_{k\&Element;\mathrm{outputs}\left(P\right)}{(t_k-o_k)}^2\&le;T,$

其中：E(W)表示误差函数；

t_k表示目标值；

o_k表示输出值；

T表示阀值；

则执行；

3.1 向网络输入实例并计算输出

$\stackrel{\&OverBar;}{O}=\stackrel{\&OverBar;}{X}\&CenterDot;\stackrel{\&OverBar;}{W^1}\&CenterDot;\stackrel{\&OverBar;}{W^2}$ --------------------------------------式2

其中：表示：输入的样本；

表示：权重；

表示：权重；

3.2.对于每个网络输出单元k，k＝1时，计算其误差项δ_k

δ_k＝o_k(1-o_k)(t_k-o_k)-----------------------------式3

3.3 对于每个隐藏单元H，H＝1，M，计算其误差δ_h ${\mathrm{\&delta;}}_h=o_h(1-o_h){\mathrm{\&Sigma;}}_{k\&Element;\mathrm{outputs}\left(P\right)}{W}_{k,h.}^2{\mathrm{\&delta;}}_k.$ --------------------------------------式4

3.4 更新每个网络的权重Wi，j

W_i，j＝W_i，j+ΔW_i，j--------------------------------------式5

ΔW_i，j＝α.δ₁X_i，j--------------------------------------式6

其中，α是学习的步数。权重在[-2/N，2/N]区间内被随机初始化。N是输入层的神经元数目。为了获得更好的结果，使用下面的激活函数：

F(X)＝(2/(1+e^-x))-1--------------------------------------式7

X表示输入值。

本发明中，使用神经网络动态学习，动态学习与静态学习的区别之一是，在动态学习过程中，基于前馈步骤的结果进行预测。这意味着，如果预测值是正确的，仅作一次后向过程。如果预测值不正确，则在得到正确预测结果前，一直进行后向操作。在这种情况下，动态学习过程以静态训练过程得到的权重开始。

综上所述，本发明提供一种基于云计算的智能家居监控***及方法，具有以下优点：

(1)过复合传感器能够全面监控被监控区域的多类监控信息，即节省了***成本，简化了布线，也提高了***稳定性。

(2)集中设备具有数据加密功能，从而提高了监控***的安全性；

(3)云端服务器采用多个组件，保障了存储在云端服务器数据的安全性；

(4)云端服务器采用神经网络技术分析人的行为习惯，并当发现监测数据与人的行为习惯不符时，向相关用户手机发送提醒信息，提升了用户体验。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (4)

1.一种应用基于云计算的智能家居监控***的监控方法，其特征在于，

基于云计算的智能家居监控***包括：复合传感器、集中设备和云端服务器；所述复合传感器包括至少一种传感器，所述传感器与各类被监控设备连接或位于被监控区域，所述复合传感器的输出端与所述集中设备的输入端连接，所述集中设备的输出端与所述云端服务器的输入端连接；

所述复合传感器包括处理器、光传感器、气传感器、湿度传感器、温度传感、接近传感器、红外传感器和通信接口；所述处理器分别与所述光传感器、所述气传感器、所述湿度传感器、所述温度传感、所述接近传感器、所述红外传感器和所述通信接口连接；

所述云端服务器包括数据库、个人/家庭数据管理器、数据历程管理器、授权管理器、数据敏感度检查管理器、敏感数据分析管理器、设备管理器、用户管理器、日志管理器、计量和计费管理器、安全管理器、服务管理器和服务提供管理器；

所述用户管理器用于管理授权用户及其相关的文件；其中，所述文件包括用户个人文件、用户地址文件和与用户相关的电话号码文件；

所述个人/家庭数据管理器用于保护所述用户管理器管理的所述授权用户的用户个人文件；

所述授权管理器用于向指定用户授予权限，使所述指定用户访问或共享其他用户的数据；

所述数据历程管理器用于监视所述个人/家庭数据管理器授权的存储数据的活动，具体包括：访问所述数据库中历史记录的访问时间点、访问内容和执行操作的对应关系；

所述服务管理器用于向用户推送服务目录，所述服务目录列举所述智能家居监控***向用户提供的服务内容以及与所述服务内容对应的收费信息；

所述服务提供管理器用于自动化管理用户对所述云端服务器的访问；

所述计量和计费管理器用于计算向各个授权用户收取的费用情况；

所述日志管理器用于记录所述云端服务器发生的事件或活动的内容和对应的时间点；

所述设备管理器用于记录各个授权用户中被监控设备的运行信息；

所述数据敏感度检查管理器用于检查用户请求服务信息，判断用户请求的服务数据在数据库中的存储位置；

所述敏感数据分析管理器用于基于神经网络对接收到的监控信息进行综合分析，通过参考数据库中存储的同一监护人的历史数据，首先推理出人的行为习惯，然后判断所述监控信息是否符合人的行为习惯，如果不符合，则向预留的对应手机号码发送提醒通知消息；

所述安全管理器用于为服务提供认证、授权和密钥管理；

方法包括以下步骤：

S1，在各个被监控区域分别安装所述复合传感器；其中，所述复合传感器包括至少一种传感器，所述传感器与各类被监控设备连接或位于被监控区域；

S2，所述复合传感器采集监控信息，然后将所述监控信息发送给所述集中设备；其中，所述监控信息包括与自身连接的各类被监控设备的设备运行参数以及被监控区域的环境信息；

S3，所述集中设备接收所述监控信息，对所述监控信息进行加密，得到加密监控信息；然后将所述加密监控信息发送给所述云端服务器；

S4，所述云端服务器解密接收到的所述加密监控信息，还原得到所述监控信息，将所述监控信息存储到数据库中；

S5，所述云端服务器采用神经网络方法分析存储在数据库中的数据，判断所述监控信息是否异常，如果异常，则向预留的与所述被监控区域对应的手机号发送提醒信息；

其中，S5具体为：

所述云端服务器采用神经网络方法分析存储在数据库中的历史数据，首先推理出人的行为习惯，然后判断所述监控信息是否符合人的行为习惯，如果不符合，则向预留的对应手机号码发送提醒通知消息；

S5具体为：

所述云端服务器使用神经网络学习人的日常行为习惯，采用多层感知反向传播进行训练和修正，建立行为习惯神经网络模型；

所述云端服务器根据建立的所述行为习惯神经网络模型，预测和分析人的未来行为；

所述云端服务器使用神经网络学习人的日常行为习惯，采用多层感知反向传播进行训练和修正，建立行为习惯神经网络模型具体为：

S51，创建前馈神经网络的拓扑结构，所述前馈神经网络包括输入层、隐藏层和输出层；所述输入层具有N个输入变量，所述隐藏层具有M＝N、N+1、N+2……个隐藏单元；所述输出层具有P个输出变量；

其中，输入变量包括楼房号、楼层号、宿舍号、房间号以及在该房间时对房间内特定应用执行的操作信息；采用二进制编码以方便存储，优选选择时间复杂度为log₂N(N为神经网络中的条目)的按位编码，从而有利于以后的扩展；

输出变量为：当得出房间内特定应用异常时，向与该房间对应的手机用户发送异常提醒消息；

S52，以历史数据作为神经网络训练的样本数据，用反向传播算法对神经网络进行训练，得到所述行为习惯神经网络模型；其中，用反向传播算法对神经网络进行训练具体为：按下列步骤不断更新各层连接权重值：

S521，采用式1初始化所有网络连接权重值；

$\begin{array}{cc}{W}_{i,j}^1;i=\stackrel{\&OverBar;}{1,N};j=\stackrel{\&OverBar;}{1,M}& W_{i,j}^2;i=\stackrel{\&OverBar;}{1,M}\end{array}$ -------------------------------------------------------------------式1

该权重值为[-N/2，N/2]区间内的随机数字；

S522，如果则执行S523-S526；

其中：E(W)表示误差函数；

t_k表示目标值；

o_k表示输出值；

T表示阀值；

S523，向网络输入实例并按式2计算输出

$\stackrel{\&OverBar;}{Q}=\stackrel{\&OverBar;}{X}\&CenterDot;\stackrel{\&OverBar;}{W^1}\&CenterDot;\stackrel{\&OverBar;}{W^2}$ ---------------------------------------------------------------------------------------式2

其中：表示：输入的样本；

表示：权重；

表示：权重；

S524，对于每个网络输出单元k，k＝1时，按式3计算其误差项δ_k

δ_k＝O_k(1-O_k)(tk-O_k)---------------------------------------------------式3

S525，对于每个隐藏单元H，H＝1、M，按式4计算其误差δ_h；

${\mathrm{\&delta;}}_h=O_h(1-O_h){\mathrm{\&Sigma;}}_{k\&Element;\mathrm{outputs}\left(P\right)}{W}_{k,h}^2,{\mathrm{\&delta;}}_k$ --------------------------------------------式4

其中，表示输出值h的第k个权重；

S526，按式5、式6更新每个网络的连接权重值W_i,j

W_i，j＝W_i，j+ΔW_i，j------------------------------------------------------------------式5

ΔW_i，j＝α，δ_iX_i，j---------------------------------------------------------------------式6

其中，α表示学习的步数；

权重在[-2/N，2/N]区间内被随机初始化。N是输入层的神经元数目。为了获得更好的结果，使用下面的激活函数：

F(X)＝(2/(1+e^-x))-1-------------------------------------------式7

X表示输入值。

2.根据权利要求1所述的方法，其特征在于，所述被监控设备包括燃气灶、电视、冰箱、空调、灯和热水器中的一种或几种。

3.根据权利要求2所述的方法，其特征在于，所述通信接口为蓝牙通信接口或zigbee通信接口。

4.根据权利要求1所述的方法，其特征在于，所述集中设备包括ARM处理器、wifi通信接口、zigbee通信接口、rs485通信接口、rs232通信接口和usb通信接口；所述ARM处理器分别与所述wifi通信接口、所述zigbee通信接口、所述rs485通信接口、所述rs232通信接口和所述usb通信接口连接。