1.一种基于深度学习的智能家居入侵检测方法，其特征在于：具体包括以下步骤：

S1初始化，生成一个内容为空的离线系统数据库，数据库包括带标签的训练测试数据、数据筛选环节参数、基于深度学习的多层网络参数三个子数据库；

S2将采集到的带有标签的流量数据进行编码、归一化处理形成待检测数据，将待检测数据存储到带标签的训练测试数据子数据库中；

S3将带标签的训练测试数据子数据库中的数据按照每条数据的标签进行分类，形成正常行为样本数据集和入侵行为样本数据集；采用K-means算法求两类样本数据集的中心值，分析两类样本数据集中各个样本距离样本中心的距离并设置一个判断阈值，使得具有某类特征的样本数据集在该类的阈值范围内，将样本中心和阈值保存到数据筛选环节参数子数据库中；采用带标签的训练测试数据子数据库中的数据训练多层神经网络的权值和偏置值，将训练好的神经网络参数保存到基于深度学习的多层神经网络参数子数据库中，完成训练环节，跳转至步骤S4进行在线系统实时监测；

S4、将采集到的无标签的流量数据进行编码和归一化处理，形成一条待测数据，计算待测数据到步骤S3中的两类样本数据集中心的距离，如果该距离小于该样本数据集所对应的阈值，则属于该类行为，否则跳转至步骤S5；

S5、将步骤S4无法确定类型的待检测数据输入到多层神经网络中进行识别，通过多层神经网络的输出值来判断是否存在安全隐患，如果存在安全隐患则驱动智能家居报警模块报警。

2.根据权利要求1所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：在步骤S3中，采用K-means算法确定离线系统数据库中带标签的训练数据库中两类行为的样本中心，并且计算出离线系统数据库中点到样本中心的欧式距离，对距离采用拉依达准则进行确定数据筛选环节的距离阈值。

3.根据权利要求1所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：所述将步骤S4无法确定类型的待检测数据输入到多层神经网络中进行识别包括采用深度置信网络进行数据降维和模糊神经网络进行识别。

4.根据权利要求1所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：所述的多层神经网络包括深度置信网络和模糊神经网络，深度置信网络的输出作为模糊神经网络的输入，其中深度神经网络由多个限制玻尔兹曼机组成。

5.根据权利要求1所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：在步骤S2中，在采用带标签的训练测试数据子数据库中的数据训练多层神经网络的权值和偏置值中，对多层神经网络进行训练包括对深度置信网络的训练和模糊神经网络的训练。

6.根据权利要求5所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：对深度置信网络的训练包括自下而上的无监督训练和自上而下的有监督的参数微调；对模糊神经网络的训练采用梯度下降法。

7.根据权利要求3所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：通过深度置信网络中限制玻尔兹曼机的重构误差、多层神经网络的检测率和检测时间等构建一个评估模型确定多层神经网络的深度，也就是确定深度置信网络中限制玻尔兹曼机的个数。

8.根据权利要求7所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：在重构误差大于0.1时，网络深度增加1，即在在深度置信网络中增加一个限制玻尔兹曼机。

9.根据权利要求7所述的一种基于深度学习的智能家居入侵检测方法，其特征在于：若深度置信网络的重构误差小于0.1时，通过评估多层神经网络的检测率和检测时间，并结合智能家居系统服务器的计算能力选取合适的限制波尔兹曼机的个数，确定入侵检测模型的网络深度。