CN108712809B - 一种基于神经网络的光环境智能控制方法 - Google Patents

Abstract

一种基于神经网络的光环境智能控制方法，包括如下步骤：步骤1：原始样本数据的采集；步骤2：样本预处理，过程如下：2.1数据变换；2.2数据清洗；步骤3：BP神经网络的设计：设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型；步骤4：光环境优化：在根据神经网络模型得到评价函数之后，建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值,建立优化模型目标函数如下：max F＝α₁P₁+α₂P₂+......+α_nP_n接着根据不同环境对各指标要求不同建立相应的约束条件，从而得出最优解,将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。本发明有效避免主观因素的影响、自适应调节。

Description

一种基于神经网络的光环境智能控制方法

技术领域

本发明涉及光环境智能控制领域，是一种基于深度学习神经网络的光环境测控方法。

背景技术

光环境是指由光与颜色在室内建立的同房间形状有关的生理和心理环境。其包括且不局限于光照度、色温及照明形式等方面。人们通过听觉、视觉、嗅觉、味觉和触觉认识世界，在所获得的信息中有80％来自光引起的视觉。因此,创造舒适的光环境,提高视觉效能，有很大研究价值。

对于光环境的各个指标，如光照度，色温，频闪及炫光指数等都能很方便地通过传感器直接或间接测出。在不同的场所，不同的光环境中，这些指标数据都是不同的。对于使用者来说，某个光环境的好坏，主要是其主观感受舒适与否。而目前存在的各个光环境的指标数据信息，正好可以为我们所用，探索各指标与人体对当前光环境舒适感的关系。其中，利用神经网络可以很好地帮助我们解决这个问题。

目前，对于光环境优化有不少前辈都做过研究。对于室外光环境优化，王智永等人在《基于SVM-ACO算法的光环境优化调控模型》一文中，针对如何根据温度、CO2浓度变化实现光饱和点的动态获取是设施光环境调控技术发展的这一重要问题，提出基于支持向量机—蚁群算法(SVM-ACO)的黄瓜光环境优化调控模型。通过多因子嵌套试验获得不同光光量子通量密度、CO2浓度、温度组合条件下的光合速率值，利用支持向量机算法建立光合速率模型,设计基于连续蚁群寻优算法获取光饱和点并以其为调控目标,建立全范围温度、CO2浓度下的光环境优化调控模型。甄蒙等人在《寒地农村住宅光环境优化设计》一文中，探讨了各指标与照度的关系，他们通过现场实测和软件模拟研究了农村住宅长宽比、农村住宅高度、窗户形式等影响因素在农村住宅进深和面宽方向上对天然采光照度的影响,并通过MATLAB拟合及SPSS回归分析分别得出了照度与各影响因素的简化计算公式。又有将神经网络知识与光环境优化相结合的相关研究，叶德堃等人在《基于图像处理和神经网络的光环境优化控制研究》一文中，提出了一种改进的Canny算子与数学形态学相结合的图像处理技术，并且利用LVQ神经网络知识，得到能准确识别出人体背影的网络，再建立出室内图像特征与人体数量和坐标的匹配模型,从而根据人体坐标和数量来实现对灯具的优化控制。

经文献调研分析，目前对光环境优化的方法有很多，但类似第一个例子中的SVM-ACO算法得到的模型，更多的是适合室外或车辆多的道路光环境照明的优化，对于人们接触更多的室内照明，该模型得到的结果并不适用。再观其他方法，都会因数据使用率不高，或仿真模拟不够而产生误差。因此，现有的光环境优化方法已经不能满足大数据时代背景下的人们对光的需求，急需将海量数据与多个光环境指标相结合，得出新的光环境优化模型。

发明内容

为了克服现有光环境优化方式的无法对室内光环境进行自适应调节的不足，以及目前的光环境调控主要受到主观因素的影响，为了解决这一问题，本发明提出了一种有效避免主观因素的影响、自适应调节的基于神经网络的光环境智能控制方法。

本发明解决其技术问题所采用的技术方案是：

一种基于神经网络的光环境智能控制方法，所述方法包括如下步骤：

步骤1：原始样本数据的采集

选取多种不同的光照环境类型，对同一类型环境进行测量和数据收集，在光照环境中进行随机取点并利用传感器对该点光照度水平、色温水平进行测量，采样间隔为1s，分别进行五次取样，并各取其平均值作为当前的光照度值和色温值；同时由被试人员来对该点的光环境情况进行一个评价，得到评价值，将所有的采样数据作为样本数据保存到矩阵S中

S＝[E_i,I,T,A]

其中i的取值不同，表示不同的光照环境类型；

步骤2：样本预处理，过程如下：

2.1数据变换：标准归一化处理，选取照度范围的最大值作为归一化处理中的最大数值；最小照度值为0，得到指标色温的最大数值与最小数值，用半升梯形模糊隶属度公式处理所有数据，处理方式如下：

2.2数据清洗：包括对原始样本数据中的异常数据进行删除；在完成数据的标准归一化过程后，将数据输入支持向量机，完成对数据的分类以及对异常数据的剔除，并保存剔除异常值后的结果数据；

步骤3：BP神经网络的设计

设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型；

步骤4：光环境优化

在根据神经网络模型得到评价函数之后，建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值,建立优化模型目标函数如下：

max F＝α₁P₁+α₂P₂+......+α_nP_n

接着根据不同环境对各指标要求不同建立相应的约束条件，从而得出最优解,将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。

进一步，所述方法还包括：步骤5：实际测量

对某光照环境中人类主要活动点对光照度水平、色温水平指标数据进行测量，通过单片机与照明设备通过D/A转换模块连接，实现对光环境各个指标的控制调节；所测得的光环境各项指标经过数据预处理以后，通过串行口输入单片机，利用单片机比较环境各个指标与优化模型得到的最优解进行比较，相应调整单片机的输出，实现对光环境各个指标的及时反馈控制，从而达到对光环境进行优化的目的。

再进一步，所述步骤2.2中，基于支持向量机的异常检测算法的步骤如下：

2.2.1准备一组训练样本如下，作为输入；

{(X¹，d²),(X²，d²),…(X^P，d^P)}

任一输入样本X^p，其期望输出为d^p＝±1；

2.2.2在约束条件下求解使得目标函数

其中α_p为拉格朗日系数，K(X^p,X^j)为核函数，p，j＝1,2,…,P可以看作是P×P对称矩阵K的第pj项元素；

2.2.3计算最优权值

W₀为最优权值，Y为隐层输出向量，α_0p为Q(α)的最优解；

2.2.4对于待分类模式X，计算分类判别函数

根据f(X)为1或-1完成X的类别归属；

2.2.5预置异常值比例为R，计算分类数据到最优超平面的距离，依照预置异常比例筛选出距离最优超平面最远的异常值，并且对这部分数据进行剔除，完成数据的清洗。

更进一步，所述步骤3中，所述神经网络模型依次由输入层、隐含层和输出层组成，其中输入层中的输入向量为X＝(x₁,x₂,...,x_i,...,x_n)^T；隐含层的输出向量为Y＝(y₁,y₂,...,y_j,...,y_m)^T；输出层的输出向量为O＝(o₁,o₂,...,o_k,...,o_l)^T；期望输出向量为D＝(d₁,d₂,...,d_k,...,d_l)^T，输入层到隐含层之间的权值矩阵用V＝(v₁,v₂,...,v_j,...,v_m)^T表示，其中列向量V_j为隐含层第j个神经元对应的权向量；隐含层到输出层之间的权值矩阵用W表示W＝(w₁,w₂,...,w_k,...,w_l)^T,其中列向量W_k为输出层第k个神经元对应的权向量；

各层信号之间有如下的数学关系

对于输出层有

o_k＝f(net_k)k＝1,2,3,...，l

对于隐含层有

y_j＝f(net_j)j＝1,2,3,...，m

采用的神经元传递函数为单极性的Sigmoid函数

采用Fletcher-Reeves共轭梯度算法进行训练；

输入层、隐含层、输出层构成了三层感知器的神经网络模型。

所述步骤3中，完成神经网络的训练以及减小网络误差和权值调整，过程如下：

3.1)获取当前光环境的光照度水平、色温水平等指标数据，经数据预处理后，得到输入向量P＝{P₁,P₂,......,P_n},期望输出向量为当前光环境评价值F；

3.2)根据期望输出向量F和输入向量G的维数通过经验计算公式来得到隐含层单元数，其中n是输入层节点个数，m是输出层节点个数，a为1-10之间的常数；

3.3)初始化隐含层的神经元权值ω，和阈值b，设置学习速率α以及神经元传递函数g(x)；

3.4)确定神经元传递函数g(x)，令

3.5)选择Fletcher-Reeves共轭梯度法进行训练，算法实现过程如下：

给定初始节点x⁽¹⁾，计算出目标函数f(x)的梯度，若||g₁||＝0，则停止计算，否则令沿方向d⁽¹⁾搜索，得到x⁽²⁾，步长λ_k满足f(x^(k)+λ_kd^(k))＝minf(x^(k)+λd^(k))，得到因子

3.6)设置相应的迭代次数，并进行每一层权值和阈值的修正：x(k+1)＝x(k)-αg(k)，其中α为学习速率，通过改变训练参数来进行设置，x(k)是第k次迭代各层之间的阈值向量或连接权值向量，g(k)为第k次迭代的神经网络输出误差对各个权值的梯度向量；

3.7)计算第k次迭代的神经网络输出误差对各个权值的梯度向量g(k)，其中x为第k次迭代各层之间的连接权向量，E为第k次迭代总误差性能函数，若为负号，则是梯度的最速下降方向；

3.8)计算总误差性能函数

其中,n是输入的样本数目，S是传输函数，E(K)表示第k次迭代的均方误差，t_i表示第i个输出单元的期望值，a_i(k)表示第k次迭代第i个输出单元的实际值，e(k)表示第k次迭代时的标准差；

3.9)根据各层的传输函数，求出第k次迭代的总误差曲面的梯度g(k)，带入步骤3.6)中，来逐次修正权值和阈值，让总误差减小，直到满足要求误差；

3.10)根据上述步骤，得到当前光环境评价值F与光照度水平、色温水平等指标的函数关系式如下：

F＝α₁P₁+α₂P₂+......+α_nP_n

其中，α_i为第i个指标的权系数，P_i为第i个指标的隶属度函数值；

3.11)利用达到输入输出映射关系的神经网络来计算光环境评价值，输入向量为当前光环境的光照度水平、色温水平等指标的数值，输出向量为光环境评价值。

本发明的有益效果为：完成基于大量调研数据，得到结果更加真实可靠，贴合实际，实用性高；能够满足不同环境下不同人群的健康光照要求，并同时考虑到人体生理及心理方面对光环境的要求；为自适应控制系统，根据得到的最优解，自动调节光环境，避免了人工调节带来的误差，有着一定的科学性。

附图说明

图1是样本数据库流程图。

图2是BP神经网络模型训练流程图。

图3是实际测控流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于神经网络的光环境智能控制方法，包括如下步骤：

步骤1：原始样本数据的采集

选取多种不同的光照环境类型，例如阅览室、婴儿室等等。对同一类型环境进行测量和数据收集。在光照环境中进行随机取点并利用传感器对该点光照度水平、色温水平进行测量。由被试人员来对该点的光环境情况进行一个评价(以ABCD四个等级作为区分)。将所有的采样数据作为样本数据保存。

参照图1进行步骤2，建立样本数据库。

步骤2：建立样本数据库

样本预处理过程分为对原始样本数据进行数据变换和数据清洗两个步骤。

2.1数据变换：标准归一化处理，根据现有的市面上照明用灯的规格，节能灯拥有最大照度，其照度范围为2700K～6500K，选取最大值6500K作为归一化处理中的最大数值；另根据实际情况，最小照度值可为0。同理，可以得到指标色温的最大数值与最小数值。用半升梯形模糊隶属度公式处理所有数据，处理方式如下：

2.2数据清洗：包括对原始样本数据中的异常数据进行删除。在完成数据的标准归一化过程后，将数据输入支持向量机，完成对数据的分类以及对异常数据的剔除。并保存剔除异常值后的结果数据。基于支持向量机的异常检测算法的步骤如下：

2.2.1准备一组训练样本如下，作为输入；

{(X¹，d²),(X²，d²),......(X^P，d^P)}

任一输入样本X^p，其期望输出为d^p＝±1；

2.2.2在约束条件下求解使得目标函数

其中α_p为拉格朗日系数，K(X^p,X^j)为核函数，p，j＝1,2,......,P可以看作是P×P对称矩阵K的第pj项元素；

2.2.3计算最优权值

W₀为最优权值，Y为隐层输出向量，α_0p为Q(α)的最优解；

2.2.4对于待分类模式X，计算分类判别函数

根据f(X)为1或-1完成X的类别归属；

2.2.5预置异常值比例为R，计算分类数据到最优超平面的距离，依照预置异常比例筛选出距离最优超平面最远的异常值，并且对这部分数据进行剔除，完成数据的清洗。

参照图2进行神经网络的设计以及训练。

步骤3：设计神经网络

设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型。

进一步，所述神经网络模型依次由输入层、隐含层和输出层组成。其中输入层中的输入向量为X＝(x₁,x₂,...,x_i,...,x_n)^T；隐含层的输出向量为Y＝(y₁,y₂,...,y_j,...,y_m)^T；输出层的输出向量为O＝(o₁,o₂,...,o_k,...,o_l)^T；期望输出向量为D＝(d₁,d₂,...,d_k,...,d_l)^T。输入层到隐含层之间的权值矩阵用V＝(v₁,v₂,...,v_j,...,v_m)^T表示，其中列向量V_j为隐含层第j个神经元对应的权向量；隐含层到输出层之间的权值矩阵用W表示W＝(w₁,w₂,...,w_k,...,w_l)^T,其中列向量W_k为输出层第k个神经元对应的权向量。

各层信号之间有如下的数学关系

对于输出层有

o_k＝f(net_k)k＝1,2,3,...，l

对于隐含层有

y_j＝f(net_j)j＝1,2,3,...，m

根据实际的应用需要我们采用的神经元传递函数为单极性的Sigmoid函数

考虑到传统的梯度下降法训练较慢，且不易收敛，我们决定采用Fletcher-Reeves共轭梯度这个改进的算法进行训练。

输入层、隐含层、输出层构成了三层感知器的神经网络模型。

进一步，完成神经网络的训练以及减小网络误差和权值调整，过程如下：

3.1)获取当前光环境的光照度水平、色温水平等指标数据，经数据预处理后，得到输入向量P＝{P₁,P₂,......,P_n},期望输出向量为当前光环境评价值F；

3.2)根据期望输出向量F和输入向量G的维数通过经验计算公式来得到隐含层单元数，其中n是输入层节点个数，m是输出层节点个数，a为1-10之间的常数；

3.3)初始化隐含层的神经元权值ω，和阈值b，设置学习速率α以及神经元传递函数g(x)；

3.4)确定神经元传递函数g(x)，令

3.5)选择Fletcher-Reeves共轭梯度法进行训练，算法实现过程如下：

给定初始节点x(1)，计算出目标函数f(x)的梯度，若||g₁||＝0，则停止计算，否则令沿方向d⁽¹⁾搜索，得到x⁽²⁾，步长λ_k满足f(x^(k)+λ_kd^(k))＝minf(x^(k)+λd^(k))，得到因子

3.6)设置相应的迭代次数，并进行每一层权值和阈值的修正：x(k+1)＝x(k)-αg(k)，其中α为学习速率，通过改变训练参数来进行设置，x(k)是第k次迭代各层之间的阈值向量或连接权值向量，g(k)为第k次迭代的神经网络输出误差对各个权值的梯度向量；

3.7)计算第k次迭代的神经网络输出误差对各个权值的梯度向量g(k)，其中x为第k次迭代各层之间的连接权向量，E为第k次迭代总误差性能函数，若为负号，则是梯度的最速下降方向；

3.8)计算总误差性能函数

其中,n是输入的样本数目，S是传输函数，E(K)表示第k次迭代的均方误差，t_i表示第i个输出单元的期望值，a_i(k)表示第k次迭代第i个输出单元的实际值，e(k)表示第k次迭代时的标准差；

3.9)根据各层的传输函数，求出第k次迭代的总误差曲面的梯度g(k)，带入步骤3.6)中，来逐次修正权值和阈值，让总误差减小，直到满足要求误差；

3.10)根据上述步骤，得到当前光环境评价值F与光照度水平、色温水平等指标的函数关系式如下：

F＝α₁P₁+α₂P₂+......+α_nP_n

其中，α_i为第i个指标的权系数，P_i为第i个指标的隶属度函数值；

3.11)利用达到输入输出映射关系的神经网络来计算光环境评价值，输入向量为当前光环境的光照度水平、色温水平等指标的数值，输出向量为光环境评价值。

步骤4：光环境优化

为了创造最良好的光环境，在根据神经网络模型得到评价函数之后，可以建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值。我们建立优化模型目标函数如下：

max F＝α₁P₁+α₂P₂+......+α_nP_n

接着根据不同环境对各指标要求不同(如在学习环境中，照度值要求不小于75lx)，建立相应的约束条件，从而得出最优解。将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。

步骤5：实际测量

对某光照环境中人类主要活动点对光照度水平、色温水平等指标数据进行测量。通过单片机与照明设备通过D/A转换模块连接，实现对光环境各个指标的控制调节。所测得的光环境各项指标经过数据预处理以后，通过串行口输入单片机，利用单片机比较环境各个指标与优化模型得到的最优解进行比较，相应调整单片机的输出，实现对光环境的各个指标的及时反馈控制，从而达到对光环境进行优化的目的。

一种基于神经网络的光环境智能优化系统，所述系统包括数据采集装置、样本数据库建立单元、神经网络单元、单片机控制单元。

所述数据采集装置包括光照度传感器、颜色传感器以及信号调理电路，通过光照度传感器获取当前环境的照度值，颜色传感器来获取当前环境的RGB值，从而得到色温参数，最后通过信号调理电路，将传感器获取的模拟信号转化为数字信号。

所述样本数据库建立单元包括选取某一特定的光照环境类型。在该光照环境类型下随机取点并进行光照度水平、色温水平的测量。由被试人员来对该点的光环境情况进行一个评价(以ABCD四个等级作为区分)，将所有的采样数据作为样本数据保存。再利用数据预处理技术对得到的原始数据进行提取。得到实用性更高的结果数据，保存在数据库中。所述数据预处理包括数据变换和数据清洗过程。数据变换包括对数据的标准归一化，数据清洗过程包括使用支持向量机SVM技术完成对异常数据的剔除。

所述神经网络单元包括将得到的样本数据集输入到神经网络模型，神经网络模型包括输入层、隐含层和输出层。完成神经网络的初始化后，通过反向传播调整权值和阈值；最后输入训练数据集进行仿真训练，确定网络的训练完成。

所述单片机智能控制单元是由单片机与照明设备通过D/A转换模块连接，实现单片机对照明设备进行控制。所测得的光环境各项指标，通过串行口输入单片机，利用单片机比较环境各个指标与神经网络输出结果进行比较，相应调整单片机的输出，实现对环境各个指标的及时反馈控制，从而达到对光环境进行优化的目的。

Claims (3)

1.一种基于神经网络的光环境智能控制方法，其特征在于，所述方法包括如下步骤：

步骤1：原始样本数据的采集

选取多种不同的光照环境类型E_i，对同一类型环境进行测量和数据收集，在光照环境中进行随机取点并利用传感器对该点光照度水平、色温水平进行测量，采样间隔为1s，分别进行五次取样，并各取其平均值作为当前的光照度值I和色温值T；同时由被试人员来对该点的光环境情况进行一个评价，得到评价值A，将所有的采样数据作为样本数据保存到矩阵S中

S＝[E_i,I,T,A]

其中i的取值不同，表示不同的光照环境类型；

步骤2：样本预处理，过程如下：

2.1 数据变换：标准归一化处理，选取6500K作为归一化处理中的最大数值；最小照度值为0；同理，得到指标色温的最大数值与最小数值，用半升梯形模糊隶属度公式处理所有数据，处理方式如下：

2.2 数据清洗：包括对原始样本数据中的异常数据进行删除；在完成数据的标准归一化过程后，将数据输入支持向量机，完成对数据的分类以及对异常数据的剔除，并保存剔除异常值后的结果数据；

步骤3：BP神经网络的设计

设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型；

步骤4：光环境优化

在根据神经网络模型得到评价函数之后，建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值，建立优化模型目标函数如下：

max F＝α₁P₁+α₂P₂+......+α_nP_n

α_i为第i个指标的权系数，P_i为第i个指标的隶属度函数值，i取值范围1～n；

接着根据不同环境对各指标要求不同建立相应的约束条件，从而得出最优解,将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。

2.如权利要求1所述的一种基于神经网络的光环境智能控制方法，其特征在于，所述方法还包括：步骤5：实际测量

对某光照环境中人类主要活动点对光照度水平、色温水平指标数据进行测量，通过单片机与照明设备通过D/A转换模块连接，实现对光环境各个指标的控制调节；所测得的光环境各项指标经过数据预处理以后，通过串行口输入单片机，利用单片机比较环境各个指标与优化模型得到的最优解进行比较，相应调整单片机的输出，实现对光环境各个指标的及时反馈控制，从而达到对光环境进行优化的目的。

3.如权利要求1或2所述的一种基于神经网络的光环境智能控制方法，其特征在于，所述步骤2.2中，基于支持向量机的异常检测算法的步骤如下：

2.2.1 准备一组训练样本如下，作为输入；

{(X¹，d²),(X²，d²),......(X^P，d^P)}

任一输入样本X^p，其期望输出为d^p＝±1；

2.2.2 在约束条件下求解目标函数

其中α_p、α_j为拉格朗日系数，K(X^p,X^j)为核函数，p，j＝1,2,......,P可以看作是P×P对称矩阵K的第pj项元素；

2.2.3 计算最优权值

W₀为最优权值，Y为隐含层输出向量，为Q(α)的最优解；

2.2.4 对于待分类模式X，计算分类判别函数

根据f(X)为1或-1完成X的类别归属；

2.2.5 预置异常值比例为R，计算分类数据到最优超平面的距离，依照预置异常比例筛选出距离最优超平面最远的异常值，并且对这部分数据进行剔除，完成数据的清洗。