1.一种具有遗忘学习能力的智能家居操控行为习惯挖掘方法，其特征在于，包括以下步骤：第一步、结合无线或有线网络进行用户某一设备的行为操控数据的采集；

第二步、将用户数据进行数据预处理，实现各维度空间数据映射到相同的数据空间；

第三步、通过一种具有遗忘学习能力的自组织聚类算法得到用户若干个潜在的操控行为习惯的预测特征向量；

第四步、将预测特征向量依据第二步的映射原则进行反映射还原，得到最终的符合用户操控行为习惯的智能推荐方案；

所述第三步的一种具有遗忘学习能力的自组织聚类算法包括两大步骤：

步骤一、初始化聚类预测学习器，将用户的某个智能家居设备的控制记录输入到SOM神经网络中，通过无监督学习由其自组织挖掘得到初始质心向量即用户操控行为习惯的预测特征向量；

步骤二、更新聚类预测学习器，将用户操控行为习惯的预测特征向量分配给其质心向量与控制记录具有最小欧氏距离的类别中并分配类标，计算新一轮类标分配结果中每个类别的新的质心向量；

所述更新聚类预测学习器的过程中，采用基于遗忘规律的遗忘因子来更新每个类别的质心向量的特征值，遗忘因子是一个介于0‑1的权重因子，表示如下：其中，ri表示针对某一智能家居设备的某一条操控记录；d(ri)表示该条记录的产生日期；d0表示该智能家居设备的最新的操控记录的产生日期。

2.根据权利要求1所述的具有遗忘学习能力的智能家居操控行为习惯挖掘方法，其特征在于，所述第二步的数据预处理包括数据读取与分割、数据清洗与转换两大流程，所述数据读取与分割是对用户历史操控数据的读取和汇聚，将数据集按照设备的不同进行分割形成n个数据块；

所述数据清洗与转换是对不同的数据块分别进行数据清洗与数据转换，将不同维度空间数据映射到相同的数据空间。

3.根据权利要求2所述的具有遗忘学习能力的智能家居操控行为习惯挖掘方法，其特征在于，所述将不同维度空间数据映射到相同的数据空间是根据以下公式，将其映射到取值范围为0‑1之间的空间：其中，date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值。

4.根据权利要求1所述的具有遗忘学习能力的智能家居操控行为习惯挖掘方法，其特征在于，所述第四步的反映射还原是依据第二步的映射原则，根据如下公式进行的：其中，date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值； 表示对数据x进行小于或等于x的数值取整。