CN109085099B - 能见度传感器、能见度检测方法及能见度传感器的应用 - Google Patents
能见度传感器、能见度检测方法及能见度传感器的应用 Download PDFInfo
- Publication number
- CN109085099B CN109085099B CN201810929394.7A CN201810929394A CN109085099B CN 109085099 B CN109085099 B CN 109085099B CN 201810929394 A CN201810929394 A CN 201810929394A CN 109085099 B CN109085099 B CN 109085099B
- Authority
- CN
- China
- Prior art keywords
- visibility
- pin
- value
- arm microprocessor
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000005286 illumination Methods 0.000 claims abstract description 45
- 239000013618 particulate matter Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000013078 crystal Substances 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 96
- 239000003990 capacitor Substances 0.000 claims description 69
- 238000013528 artificial neural network Methods 0.000 claims description 65
- 238000005457 optimization Methods 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000000087 stabilizing effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006641 stabilisation Effects 0.000 description 4
- 238000011105 stabilization Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明公开了一种能见度传感器、能见度检测方法及能见度传感器的应用,其能见度传感器包括ARM微处理器、电源电路、第一晶振电路、第二晶振电路和复位电路;ARM微处理器的输入端接有能见度检测电路,能见度检测电路包括颗粒物浓度传感器和温湿度传感器;其能见度检测方法包括步骤:一、数据采集及传输;二、数据预处理;三、数据处理获得能见度检测值;其应用于太阳能路灯控制包括步骤:一、通过实验获得不同的照明方式对应的能见度范围;二、存储到太阳能路灯的控制器中;三、控制器根据能见度检测值对太阳能路灯的照度进行控制。本发明实现方便且成本低,能见度检测效率高,能够提高太阳能路灯的利用率,实用性强,便于推广使用。
Description
技术领域
本发明属于能见度检测技术领域,具体涉及一种能见度传感器及其检测方法。
背景技术
随着新能源的广泛使用,作为新能源应用典型的太阳能也越来越受到重视。太阳能路灯具有节能环保、寿命长、安全、使用方便等优点,被广泛地应用于各种道路上。而在城市环境中,不同的天气状况对路灯的照明有不同的影响,单一的照明模式不能满足各种复杂的环境条件,为提高太阳能路灯的利用率,人们提出了将太阳能路灯设计为低照度、一般照度和高照度三种照明方式,对应于能见度为高能见度、一般能见度、低能见度时分别采用,太阳能路灯控制器根据根据不同能见度条件切换控制太阳能路灯的照明方式,进行实现太阳能路灯的智能控制,而要实现这种智能控制,就需要能见度传感器。
传统的能见度传感器是基于气溶胶前向散射原理,应用大气散射理论和红外探测技术,通过测量大气消光技术,经过公式换算得到能见度参数,具有精度高,可靠性强等优点。但传统能见度传感器的缺陷在于:1.成本高;2.体积大,安装不方便。在对精度的要求不是很高,同时要求轻便,便于调试的场合,例如太阳能路灯,只需获取大致范围即可,使用传统能见度传感器的成本非常高,安装调试也很不方便。为解决以上问题,有人提出了使用BP神经网络算法,通过历史数据训练获得输入参数与能见度关系模型的能见度传感器,成本低,体积小,适应性强。但是,BP神经网络存在局部最小值和平坦区域问题。在训练过程中,沿局部搜索方向进行非线性优化,网络权值逐步改善,在获取权值的过程中容易陷入局部最优解,导致训练失败;另外,当权值进入平坦区域,改变极小时,训练过程会趋于平缓甚至停止。因此,急需研究一种新型的能见度传感器、能见度检测方法,并应用于太阳能路灯控制。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种电路结构简单、设计新颖合理、实现方便且成本低、能见度检测效率高、实用性强的能见度传感器。
为解决上述技术问题,本发明采用的技术方案是:一种能见度传感器,其特征在于:包括ARM微处理器和为所述能见度传感器中各用电模块供电的电源电路,以及与ARM微处理器相接的第一晶振电路、第二晶振电路和复位电路;所述ARM微处理器的输入端接有能见度检测电路,所述能见度检测电路包括颗粒物浓度传感器和温湿度传感器,所述ARM微处理器、复位电路、颗粒物浓度传感器和温湿度传感器均与电源电路的输出端连接。
上述的能见度传感器,其特征在于:所述电源电路包括5V电池和与 5V电池的输出端连接的5V到3.3V电压转换电路,以及与5V电池的输出端连接的5V电源指示电路和与5V到3.3V电压转换电路的输出端连接的 3.3V电源指示电路;所述5V电池的5V电压输出端为电源电路的5V电压输出端,所述5V到3.3V电压转换电路包括稳压芯片AMS1117、非极性电容C9、非极性电容C10和极性电容C11,所述稳压芯片AMS1117的第3引脚与5V电池的5V电压输出端连接,且通过非极性电容C9接地,所述稳压芯片AMS1117的第2引脚为5V到3.3V电压转换电路的3.3V电压输出端,且通过并联的非极性电容C10和极性电容C11接地,所述稳压芯片 AMS1117的第1引脚接地,所述3.3V电压转换电路的3.3V电压输出端为电源电路的3.3V电压输出端;所述5V电源指示电路包括发光二极管LED1 和电阻R2,所述发光二极管LED1的阳极与5V电池的5V电压输出端连接,所述发光二极管LED1的阴极通过电阻R2接地;所述3.3V电源指示电路包括发光二极管LED2和电阻R3,所述发光二极管LED2的阳极与5V到3.3V电压转换电路的3.3V电压输出端连接,所述发光二极管LED2的阴极通过电阻R3接地;所述ARM微处理器和复位电路均与电源电路的3.3V电压输出端连接,所述颗粒物浓度传感器和温湿度传感器均与电源电路的5V电压输出端连接。
上述的能见度传感器,其特征在于:所述ARM微处理器包括ARM微处理器STM32F103ZET6,所述ARM微处理器STM32F103ZET6的第32引脚通过电阻R0与电源电路的3.3V电压输出端连接,所述ARM微处理器 STM32F103ZET6的第33引脚与电源电路的3.3V电压输出端连接,且通过并联的极性电容C5、极性电容C6、极性电容C7和极性电容C8接地;所述ARM微处理器STM32F103ZET6的第17引脚、第39引脚、第52引脚、第62引脚、第72引脚、第84引脚、第95引脚、第108引脚、第121引脚、第131引脚和第144引脚均与电源电路的3.3V电压输出端连接,所述ARM微处理器STM32F103ZET6的第16引脚、第30引脚、第31引脚、第38引脚、第51引脚、第61引脚、第71引脚、第83引脚、第94引脚、第107引脚、第120引脚、第130引脚和第143引脚均接地;所述第一晶振电路包括晶振Y0、极性电容C0和极性电容C1,所述晶振Y0的一端和极性电容C0的正极均与ARM微处理器STM32F103ZET6的第23引脚连接,所述晶振Y0的另一端和极性电容C1的正极均与ARM微处理器 STM32F103ZET6的第24引脚连接,所述极性电容C0的负极和极性电容C1 的负极均接地;所述第二晶振电路包括晶振Y1、极性电容C2和极性电容 C3,所述晶振Y1的一端和极性电容C2的正极均与ARM微处理器 STM32F103ZET6的第8引脚连接,所述晶振Y1的另一端和极性电容C3的正极均与ARM微处理器STM32F103ZET6的第9引脚连接,所述极性电容C2 的负极和极性电容C3的负极均接地;所述复位电路包括复位按键S0、电阻R1和极性电容C4,所述复位按键S0的一端、电阻R1的一端和极性电容C4的正极均与ARM微处理器STM32F103ZET6的第25引脚连接,所述复位按键S0的另一端和极性电容C4的负极均接地,所述电阻R1的另一端与电源电路的3.3V电压输出端连接。
上述的能见度传感器,其特征在于:所述颗粒物浓度传感器包括颗粒物浓度传感器HLPM025,所述温湿度传感器包括温湿度传感器DHT11,所述颗粒物浓度传感器HLPM025的电源端引脚和温湿度传感器DHT11的电源端引脚均与电源电路的5V电压输出端连接,所述颗粒物浓度传感器 HLPM025的接地端引脚和温湿度传感器DHT11的接地端引脚均接地,所述颗粒物浓度传感器HLPM025的信号输出端引脚与ARM微处理器 STM32F103ZET6的第102引脚连接,所述温湿度传感器DHT11的信号输出端引脚与ARM微处理器STM32F103ZET6的第36引脚连接,且通过电阻R4 与电源电路的5V电压输出端连接。
本发明还提供了一种方法步骤简单、检测效率高、检测效果好、实用性强、使用效果好、便于推广使用的的能见度传感器的能见度检测方法,其特征在于,该方法包括以下步骤:
步骤一、数据采集及传输:颗粒物浓度传感器对环境中的颗粒物浓度进行实时采集,并将所采集到的颗粒物浓度数据实时传输给ARM微处理器;温湿度传感器对环境中的温度和湿度进行实时采集,并将所采集到的温度数据和湿度数据实时传输给ARM微处理器;
步骤二、数据预处理:所述ARM微处理器根据公式 x*=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin对其接收到的颗粒物浓度数据进行归一化处理,得到归一化后的颗粒物浓度值x*;根据公式 对其接收到的温度数据进行归一化处理,得到归一化后的温度值z*;并根据公式 r*=(ymax-ymin)*(r-rmin)/(rmax-rmin)+ymin对其接收到的湿度数据进行归一化处理,得到归一化后的湿度值r*;其中,ymax=1,ymin=-1,x为ARM微处理器当前接收到的颗粒物浓度值,xmin为ARM微处理器接收到的颗粒物浓度值的最小值,xmax为ARM微处理器接收到的颗粒物浓度值的最大值;z为 ARM微处理器当前接收到的温度值,zmin为ARM微处理器接收到的温度值的最小值,zmax为ARM微处理器接收到的温度值的最大值;r为ARM微处理器当前接收到的湿度值,rmin为ARM微处理器接收到的湿度值的最小值,rmax为 ARM微处理器接收到的湿度值的最大值;
步骤三、数据处理获得能见度检测值:所述ARM微处理器将归一化后的颗粒物浓度值x*、温度值z*和湿度值r*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的基于粒子群算法优化的BP神经网络模型中,得出所述基于粒子群算法优化的BP神经网络模型的输出,所述基于粒子群算法优化的BP神经网络模型的输出即为能见度检测值。
上述的方法,其特征在于:步骤三中所述基于粒子群算法优化的BP 神经网络模型的构建方法为:
步骤301、数据存储:将颗粒物浓度、温度、湿度和能见度的历史数据存储到计算机中;
步骤302、数据归一化处理:计算机在MATLAB软件中根据公式α*=(ymax-ymin)*(α-αmin)/(αmax-αmin)+ymin对颗粒物浓度、温度、湿度和能见度的历史数据进行归一化处理,得到归一化后的颗粒物浓度、温度、湿度和能见度历史数据,其中,ymax=1,ymin=-1,α为需要进行归一化的变量,αmin为需要进行归一化的变量对应的历史数据的最小值,αmax为需要进行归一化的变量对应的历史数据的最大值,α*为需要进行归一化的变量归一化后的值;
步骤303、建立隐含层神经元数目可变的三层BP神经网络:计算机在 MATLAB软件中以归一化后的颗粒物浓度值、温度值和湿度值作为BP神经网络的输入,输入层节点数n1为3个,以能见度值作为BP神经网络的输出,输出层节点数n3为1个,根据公式确定所述三层BP网络的隐含层节点数n2,建立三层BP神经网络;其中,取a为1~10的自然数;
步骤304、训练各个不同隐含层节点数的三层BP神经网络,具体过程为:
步骤3041、计算机在MATLAB软件中将归一化后的颗粒物浓度、温度和湿度历史数据作为三层BP神经网络的输入,并以与颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为BP神经网络的输出,构建训练样本;
步骤3042、计算机对取a为1~10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练,且在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络;
步骤305、确定出基于粒子群算法优化的BP神经网络模型,具体过程为:
步骤3051、计算机调用网络误差计算模块计算步骤3042中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差;
步骤3052、选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络,确定为训练好的三层BP神经网络,并将其定义为基于粒子群算法优化的BP神经网络模型。
上述的方法,其特征在于:步骤303中所述n2的取值为10。
上述的方法,其特征在于:步骤3042在进行三层BP神经网络训练的过程中,计算机调用粒子群算法参数优化模块对三层BP神经网络的权值W 和阈值B进行优化的具体过程为:
步骤A、初始化粒子群的位置和速度,将粒子群中每个粒子的位置表示为三层BP神经网络中当前迭代中的权值和阈值的集合,并将种群规模设定为正整数N,将最大迭代次数设定为s;
步骤B、根据初始位置和速度产生各粒子新的位置;
步骤C、将预测值与实际值的均方差作为适应度函数,计算每个粒子的适应度值;
步骤D、对于每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,当适应度值更好时就更新;
步骤E、对于每个粒子,比较它的适应度值和群体所经历的最好位置 Pgd的适应度值,当适应度值更好时就更新;
步骤F、根据公式和公式调整粒子的速度和位置;其中,为第i个粒子在k次迭代中第d维上的速度,为第i个粒子在k+1次迭代中第d维上的速度,c1和 c2均为学习因子,r1和r2均为介于(0,1)的随机数,Xid k为第i个粒子在k次迭代中第d维上的位置,Xid k+1为第i个粒子在k+1次迭代中第d维上的位置,Pid k为第i个粒子在k次迭代中当前搜索到的最优位置,Pgd k为第i个粒子在k次迭代中全局搜索到的最优位置;
步骤G、当达到最大迭代次数时结束迭代,否则返回步骤B继续迭代执行,将结束迭代后的全局最优位置Pgd的解确定为最优的三层BP神经网络的权值W和阈值B。
上述的方法,其特征在于:步骤F中所述c1和c2的取值均为2。
本发明还提供了一种方法步骤简单、能够实现太阳能路灯的智能化、能够提高太阳能路灯的利用率、实用性强的应用能见度传感器进行太阳能路灯控制的方法,其特征在于,该方法包括以下步骤:
步骤一、通过实验获得不同的照明方式对应的能见度范围,具体过程为:
步骤101、选取太阳能路灯的最低照度作为参考量,测试太阳能路灯的黄光照明方式在多个能见度下达到的照度,并将最低照度对应的能见度确定为能见度下限值Omin;
步骤102、选取太阳能路灯的最低照度作为参考量,测试太阳能路灯的白光照明方式在多个能见度下达到的照度,并将最低照度对应的能见度确定为能见度上限值Omax;
步骤103、将太阳能路灯的白黄光混合照明方式对应的能见度范围确定为小于Omin,将太阳能路灯的黄光照明方式对应的能见度范围确定为大于等于Omin且小于等于Omax,将太阳能路灯的白光照明方式对应的能见度范围确定为大于Omax;
步骤二、将不同的照明方式对应的能见度范围存储到太阳能路灯的控制器中;
步骤三、太阳能路灯的控制器根据能见度传感器检测到的能见度检测值O,对太阳能路灯的照明方式进行控制:当能见度检测值O小于Omin时,控制器控制太阳能路灯工作在白黄光混合照明方式下;当能见度检测值O 大于等于Omin且小于等于Omax时,控制器控制太阳能路灯工作在黄光照明方式下;当能见度检测值O大于Omax时,控制器控制太阳能路灯工作在白光照明方式下。
本发明与现有技术相比具有以下优点:
1、本发明将颗粒物浓度传感器和温湿度传感器集成一体化形成一种新型的能见度传感器,将颗粒物浓度和温湿度作为输入,获得能见度,能见度传感器的电路结构简单,设计新颖合理,实现方便且成本低。
2、本发明的ARM微处理器采用ARM微处理器STM32F103ZET6,数据处理能力强,能够很好地实现数据预处理并进行数据处理获得能见度检测值。
3、本发明将粒子群算法引入了BP神经网络的权值和阈值调整过程当中,通过粒子群优化算法,找到个体最优解,将其赋予BP神经网络作为其权值和阈值,提高了收敛速度,解决了局部最优解和平坦区域的问题,有助于提高能见度检测的效率。
4、本发明在建立基于粒子群算法优化的BP神经网络模型时,建立了隐含层神经元数目可变的三层BP神经网络,并选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络,确定为训练好的三层BP神经网络,能够提高能见度传感器的能见度检测精度。
5、本发明能够很好地应用于能见度检测,根据本发明检测的能见度进行太阳能路灯控制,能够实现太阳能路灯的智能化,能够提高太阳能路灯的利用率,有利于人们晚上的出行,保证了交通运输的正常运行。
6、本发明的实用性强,使用效果好,便于推广使用。
综上所述,本发明的设计新颖合理,实现方便且成本低,能见度检测效率高,能够很好地应用于能见度检测,并用于太阳能路灯的智能控制,提高太阳能路灯的利用率,实用性强,使用效果好,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明能见度传感器的电路原理框图。
图2为本发明电源电路的电路原理图。
图3为本发明ARM微处理器的电路原理图。
图4为本发明能见度检测电路的电路原理图。
图5为本发明能见度传感器的能见度检测方法的方法流程框图。
图6为本发明应用能见度传感器进行太阳能路灯控制的方法的方法流程框图。
附图标记说明:
1—ARM微处理器; 2—电源电路; 2-1—5V电池;
2-2—5V到3.3V电压转换电路; 2-3—5V电源指示电路;
2-4—3.3V电源指示电路; 3—第一晶振电路;
4—第二晶振电路; 5—复位电路; 6—能见度检测电路;
6-1—颗粒物浓度传感器; 6-2—温湿度传感器。
具体实施方式
如图1所示,本发明的种能见度传感器,包括ARM微处理器1和为所述能见度传感器中各用电模块供电的电源电路2,以及与ARM微处理器1 相接的第一晶振电路3、第二晶振电路4和复位电路5;所述ARM微处理器1的输入端接有能见度检测电路6,所述能见度检测电路6包括颗粒物浓度传感器6-1和温湿度传感器6-2,所述ARM微处理器1、复位电路5、颗粒物浓度传感器6-1和温湿度传感器6-2均与电源电路2的输出端连接。
本实施例中,如图1和图2所示,所述电源电路2包括5V电池2-1和与5V电池2-1的输出端连接的5V到3.3V电压转换电路2-2,以及与5V 电池2-1的输出端连接的5V电源指示电路2-3和与5V到3.3V电压转换电路2-2的输出端连接的3.3V电源指示电路2-4;所述5V电池2-1的5V 电压输出端为电源电路2的5V电压输出端,所述5V到3.3V电压转换电路2-2包括稳压芯片AMS1117、非极性电容C9、非极性电容C10和极性电容C11,所述稳压芯片AMS1117的第3引脚与5V电池2-1的5V电压输出端连接,且通过非极性电容C9接地,所述稳压芯片AMS1117的第2引脚为5V到3.3V电压转换电路2-2的3.3V电压输出端,且通过并联的非极性电容C10和极性电容C11接地,所述稳压芯片AMS1117的第1引脚接地,所述3.3V电压转换电路2-2的3.3V电压输出端为电源电路2的3.3V电压输出端;所述5V电源指示电路2-3包括发光二极管LED1和电阻R2,所述发光二极管LED1的阳极与5V电池2-1的5V电压输出端连接,所述发光二极管LED1的阴极通过电阻R2接地;所述3.3V电源指示电路2-4包括发光二极管LED2和电阻R3,所述发光二极管LED2的阳极与5V到3.3V 电压转换电路2-2的3.3V电压输出端连接,所述发光二极管LED2的阴极通过电阻R3接地;所述ARM微处理器1和复位电路5均与电源电路2的 3.3V电压输出端连接,所述颗粒物浓度传感器6-1和温湿度传感器6-2 均与电源电路2的5V电压输出端连接。
本实施例中,如图3所示,所述ARM微处理器1包括ARM微处理器 STM32F103ZET6,所述ARM微处理器STM32F103ZET6的第32引脚通过电阻 R0与电源电路2的3.3V电压输出端连接,所述ARM微处理器 STM32F103ZET6的第33引脚与电源电路2的3.3V电压输出端连接,且通过并联的极性电容C5、极性电容C6、极性电容C7和极性电容C8接地;所述ARM微处理器STM32F103ZET6的第17引脚、第39引脚、第52引脚、第62引脚、第72引脚、第84引脚、第95引脚、第108引脚、第121引脚、第131引脚和第144引脚均与电源电路2的3.3V电压输出端连接,所述ARM微处理器STM32F103ZET6的第16引脚、第30引脚、第31引脚、第38引脚、第51引脚、第61引脚、第71引脚、第83引脚、第94引脚、第107引脚、第120引脚、第130引脚和第143引脚均接地;所述第一晶振电路3包括晶振Y0、极性电容C0和极性电容C1,所述晶振Y0的一端和极性电容C0的正极均与ARM微处理器STM32F103ZET6的第23引脚连接,所述晶振Y0的另一端和极性电容C1的正极均与ARM微处理器 STM32F103ZET6的第24引脚连接,所述极性电容C0的负极和极性电容C1 的负极均接地;所述第二晶振电路4包括晶振Y1、极性电容C2和极性电容C3,所述晶振Y1的一端和极性电容C2的正极均与ARM微处理器 STM32F103ZET6的第8引脚连接,所述晶振Y1的另一端和极性电容C3的正极均与ARM微处理器STM32F103ZET6的第9引脚连接,所述极性电容C2 的负极和极性电容C3的负极均接地;所述复位电路5包括复位按键S0、电阻R1和极性电容C4,所述复位按键S0的一端、电阻R1的一端和极性电容C4的正极均与ARM微处理器STM32F103ZET6的第25引脚连接,所述复位按键S0的另一端和极性电容C4的负极均接地,所述电阻R1的另一端与电源电路2的3.3V电压输出端连接。
本实施例中,如图4所示,所述颗粒物浓度传感器6-1包括颗粒物浓度传感器HLPM025,所述温湿度传感器6-2包括温湿度传感器DHT11,所述颗粒物浓度传感器HLPM025的电源端引脚和温湿度传感器DHT11的电源端引脚均与电源电路2的5V电压输出端连接,所述颗粒物浓度传感器 HLPM025的接地端引脚和温湿度传感器DHT11的接地端引脚均接地,所述颗粒物浓度传感器HLPM025的信号输出端引脚与ARM微处理器 STM32F103ZET6的第102引脚连接,所述温湿度传感器DHT11的信号输出端引脚与ARM微处理器STM32F103ZET6的第36引脚连接,且通过电阻R4 与电源电路2的5V电压输出端连接。
其中,电阻R4用于分压,便于实现温湿度传感器DHT11检测的温度度信号稳定可靠地传输给ARM微处理器STM32F103ZET6。
如图5所示,本发明的能见度传感器的能见度检测方法,包括以下步骤:
步骤一、数据采集及传输:颗粒物浓度传感器6-1对环境中的颗粒物浓度进行实时采集,并将所采集到的颗粒物浓度数据实时传输给ARM微处理器1;温湿度传感器6-2对环境中的温度和湿度进行实时采集,并将所采集到的温度数据和湿度数据实时传输给ARM微处理器1;
步骤二、数据预处理:所述ARM微处理器1根据公式
对其接收到的温度数据进行归一化处理,得到归一化后的温度值z*;并根据公式 r*=(ymax-ymin)*(r-rmin)/(rmax-rmin)+ymin对其接收到的湿度数据进行归一化处理,得到归一化后的湿度值r*;其中,ymax=1,ymin=-1,x为ARM微处理器1当前接收到的颗粒物浓度值,xmin为ARM微处理器1接收到的颗粒物浓度值的最小值,xmax为ARM微处理器1接收到的颗粒物浓度值的最大值;z为ARM微处理器1当前接收到的温度值,zmin为ARM微处理器1接收到的温度值的最小值,zmax为ARM微处理器1接收到的温度值的最大值;r为 ARM微处理器1当前接收到的湿度值,rmin为ARM微处理器1接收到的湿度值的最小值,rmax为ARM微处理器1接收到的湿度值的最大值;
步骤三、数据处理获得能见度检测值:所述ARM微处理器1将归一化后的颗粒物浓度值x*、温度值z*和湿度值r*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的基于粒子群算法优化的BP神经网络模型中,得出所述基于粒子群算法优化的BP神经网络模型的输出,所述基于粒子群算法优化的BP神经网络模型的输出即为能见度检测值。
本实施例中,步骤三中所述基于粒子群算法优化的BP神经网络模型的构建方法为:
步骤301、数据存储:将颗粒物浓度、温度、湿度和能见度的历史数据存储到计算机中;
步骤302、数据归一化处理:计算机在MATLAB软件中根据公式α*=(ymax-ymin)*(α-αmin)/(αmax-αmin)+ymin对颗粒物浓度、温度、湿度和能见度的历史数据进行归一化处理,得到归一化后的颗粒物浓度、温度、湿度和能见度历史数据,其中,ymax=1,ymin=-1,α为需要进行归一化的变量,αmin为需要进行归一化的变量对应的历史数据的最小值,αmax为需要进行归一化的变量对应的历史数据的最大值,α*为需要进行归一化的变量归一化后的值;
步骤303、建立隐含层神经元数目可变的三层BP神经网络:计算机在 MATLAB软件中以归一化后的颗粒物浓度值、温度值和湿度值作为BP神经网络的输入,输入层节点数n1为3个,以能见度值作为BP神经网络的输出,输出层节点数n3为1个,根据公式确定所述三层BP网络的隐含层节点数n2,建立三层BP神经网络;其中,取a为1~10的自然数;
步骤304、训练各个不同隐含层节点数的三层BP神经网络,具体过程为:
步骤3041、计算机在MATLAB软件中将归一化后的颗粒物浓度、温度和湿度历史数据作为三层BP神经网络的输入,并以与颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为BP神经网络的输出,构建训练样本;
步骤3042、计算机对取a为1~10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练,且在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络;
步骤305、确定出基于粒子群算法优化的BP神经网络模型,具体过程为:
步骤3051、计算机调用网络误差计算模块计算步骤3042中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差;
步骤3052、选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络,确定为训练好的三层BP神经网络,并将其定义为基于粒子群算法优化的BP神经网络模型。
本实施例中,步骤303中所述n2的取值为10。
本实施例中,步骤3042在进行三层BP神经网络训练的过程中,计算机调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化粒子群的位置和速度,将粒子群中每个粒子的位置表示为三层BP神经网络中当前迭代中的权值和阈值的集合,并将种群规模设定为正整数N,将最大迭代次数设定为s;
步骤B、根据初始位置和速度产生各粒子新的位置;
步骤C、将预测值与实际值的均方差作为适应度函数,计算每个粒子的适应度值;
步骤D、对于每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,当适应度值更好时就更新;
步骤E、对于每个粒子,比较它的适应度值和群体所经历的最好位置 Pgd的适应度值,当适应度值更好时就更新;
步骤F、根据公式和公式 Xid k+1=Xid k+Vid k+1调整粒子的速度和位置;其中,为第i个粒子在k次迭代中第d维上的速度,为第i个粒子在k+1次迭代中第d维上的速度,c1和 c2均为学习因子,r1和r2均为介于0,1的随机数,Xid k为第i个粒子在k次迭代中第d维上的位置,Xid k+1为第i个粒子在k+1次迭代中第d维上的位置, Pid k为第i个粒子在k次迭代中当前搜索到的最优位置,Pgd k为第i个粒子在k 次迭代中全局搜索到的最优位置;
步骤G、当达到最大迭代次数时结束迭代,否则返回步骤B继续迭代执行,将结束迭代后的全局最优位置Pgd的解确定为最优的三层BP神经网络的权值W和阈值B。
本实施例中,步骤F中所述c1和c2的取值均为2。
如图6所示,采用本发明的能见度传感器进行太阳能路灯控制的方法,包括以下步骤:
步骤一、通过实验获得不同的照明方式对应的能见度范围,具体过程为:
步骤101、选取太阳能路灯的最低照度作为参考量,测试太阳能路灯的黄光照明方式在多个能见度下达到的照度,并将最低照度对应的能见度确定为能见度下限值Omin;
步骤102、选取太阳能路灯的最低照度作为参考量,测试太阳能路灯的白光照明方式在多个能见度下达到的照度,并将最低照度对应的能见度确定为能见度上限值Omax;
步骤103、将太阳能路灯的白黄光混合照明方式对应的能见度范围确定为小于Omin,将太阳能路灯的黄光照明方式对应的能见度范围确定为大于等于Omin且小于等于Omax,将太阳能路灯的白光照明方式对应的能见度范围确定为大于Omax;
步骤二、将不同的照明方式对应的能见度范围存储到太阳能路灯的控制器中;
步骤三、太阳能路灯的控制器根据能见度传感器检测到的能见度检测值O,对太阳能路灯的照明方式进行控制:当能见度检测值O小于Omin时,控制器控制太阳能路灯工作在白黄光混合照明方式下;当能见度检测值O 大于等于Omin且小于等于Omax时,控制器控制太阳能路灯工作在黄光照明方式下;当能见度检测值O大于Omax时,控制器控制太阳能路灯工作在白光照明方式下。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (9)
1.一种能见度传感器,其特征在于:包括ARM微处理器(1)和为所述能见度传感器中各用电模块供电的电源电路(2),以及与ARM微处理器(1)相接的第一晶振电路(3)、第二晶振电路(4)和复位电路(5);所述ARM微处理器(1)的输入端接有能见度检测电路(6),所述能见度检测电路(6)包括颗粒物浓度传感器(6-1)和温湿度传感器(6-2),所述ARM微处理器(1)、复位电路(5)、颗粒物浓度传感器(6-1)和温湿度传感器(6-2)均与电源电路(2)的输出端连接;
所述ARM微处理器(1)包括ARM微处理器STM32F103ZET6,所述ARM微处理器STM32F103ZET6的第32引脚通过电阻R0与电源电路(2)的3.3V电压输出端连接,所述ARM微处理器STM32F103ZET6的第33引脚与电源电路(2)的3.3V电压输出端连接,且通过并联的极性电容C5、极性电容C6、极性电容C7和极性电容C8接地;所述ARM微处理器STM32F103ZET6的第17引脚、第39引脚、第52引脚、第62引脚、第72引脚、第84引脚、第95引脚、第108引脚、第121引脚、第131引脚和第144引脚均与电源电路(2)的3.3V电压输出端连接,所述ARM微处理器STM32F103ZET6的第16引脚、第30引脚、第31引脚、第38引脚、第51引脚、第61引脚、第71引脚、第83引脚、第94引脚、第107引脚、第120引脚、第130引脚和第143引脚均接地;所述第一晶振电路(3)包括晶振Y0、极性电容C0和极性电容C1,所述晶振Y0的一端和极性电容C0的正极均与ARM微处理器STM32F103ZET6的第23引脚连接,所述晶振Y0的另一端和极性电容C1的正极均与ARM微处理器STM32F103ZET6的第24引脚连接,所述极性电容C0的负极和极性电容C1的负极均接地;所述第二晶振电路(4)包括晶振Y1、极性电容C2和极性电容C3,所述晶振Y1的一端和极性电容C2的正极均与ARM微处理器STM32F103ZET6的第8引脚连接,所述晶振Y1的另一端和极性电容C3的正极均与ARM微处理器STM32F103ZET6的第9引脚连接,所述极性电容C2的负极和极性电容C3 的负极均接地;所述复位电路(5)包括复位按键S0、电阻R1和极性电容C4,所述复位按键S0的一端、电阻R1的一端和极性电容C4的正极均与ARM微处理器STM32F103ZET6的第25引脚连接,所述复位按键S0的另一端和极性电容C4的负极均接地,所述电阻R1的另一端与电源电路(2)的3.3V电压输出端连接。
2.按照权利要求1所述的能见度传感器,其特征在于:所述电源电路(2)包括5V电池(2-1)和与5V电池(2-1)的输出端连接的5V到3.3V电压转换电路(2-2),以及与5V电池(2-1)的输出端连接的5V电源指示电路(2-3)和与5V到3.3V电压转换电路(2-2)的输出端连接的3.3V电源指示电路(2-4);所述5V电池(2-1)的5V电压输出端为电源电路(2)的5V电压输出端,所述5V到3.3V电压转换电路(2-2)包括稳压芯片AMS1117、非极性电容C9、非极性电容C10和极性电容C11,所述稳压芯片AMS1117的第3引脚与5V电池(2-1)的5V电压输出端连接,且通过非极性电容C9接地,所述稳压芯片AMS1117的第2引脚为5V到3.3V电压转换电路(2-2)的3.3V电压输出端,且通过并联的非极性电容C10和极性电容C11接地,所述稳压芯片AMS1117的第1引脚接地,所述3.3V电压转换电路(2-2)的3.3V电压输出端为电源电路(2)的3.3V电压输出端;所述5V电源指示电路(2-3)包括发光二极管LED1和电阻R2,所述发光二极管LED1的阳极与5V电池(2-1)的5V电压输出端连接,所述发光二极管LED1的阴极通过电阻R2接地;所述3.3V电源指示电路(2-4)包括发光二极管LED2和电阻R3,所述发光二极管LED2的阳极与5V到3.3V电压转换电路(2-2)的3.3V电压输出端连接,所述发光二极管LED2的阴极通过电阻R3接地;所述ARM微处理器(1)和复位电路(5)均与电源电路(2)的3.3V电压输出端连接,所述颗粒物浓度传感器(6-1)和温湿度传感器(6-2)均与电源电路(2)的5V电压输出端连接。
3.按照权利要求1所述的能见度传感器,其特征在于:所述颗粒物浓度传感器(6-1)包括颗粒物浓度传感器HLPM025,所述温湿度传感器(6-2) 包括温湿度传感器DHT11,所述颗粒物浓度传感器HLPM025的电源端引脚和温湿度传感器DHT11的电源端引脚均与电源电路(2)的5V电压输出端连接,所述颗粒物浓度传感器HLPM025的接地端引脚和温湿度传感器DHT11的接地端引脚均接地,所述颗粒物浓度传感器HLPM025的信号输出端引脚与ARM微处理器STM32F103ZET6的第102引脚连接,所述温湿度传感器DHT11的信号输出端引脚与ARM微处理器STM32F103ZET6的第36引脚连接,且通过电阻R4与电源电路(2)的5V电压输出端连接。
4.一种如权利要求1所述能见度传感器的能见度检测方法,其特征在于,该方法包括以下步骤:
步骤一、数据采集及传输:颗粒物浓度传感器(6-1)对环境中的颗粒物浓度进行实时采集,并将所采集到的颗粒物浓度数据实时传输给ARM微处理器(1);温湿度传感器(6-2)对环境中的温度和湿度进行实时采集,并将所采集到的温度数据和湿度数据实时传输给ARM微处理器(1);
步骤二、数据预处理:所述ARM微处理器(1)根据公式x*=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin对其接收到的颗粒物浓度数据进行归一化处理,得到归一化后的颗粒物浓度值x*;根据公式对其接收到的温度数据进行归一化处理,得到归一化后的温度值z*;并根据公式r*=(ymax-ymin)*(r-rmin)/(rmax-rmin)+ymin对其接收到的湿度数据进行归一化处理,得到归一化后的湿度值r*;其中,ymax=1,ymin=-1,x为ARM微处理器(1)当前接收到的颗粒物浓度值,xmin为ARM微处理器(1)接收到的颗粒物浓度值的最小值,xmax为ARM微处理器(1)接收到的颗粒物浓度值的最大值;z为ARM微处理器(1)当前接收到的温度值,zmin为ARM微处理器(1)接收到的温度值的最小值,zmax为ARM微处理器(1)接收到的温度值的最大值;r为ARM微处理器(1)当前接收到的湿度值,rmin为ARM微处理器(1)接收到的湿度值的最小值,rmax为ARM微处理器(1)接收到的湿度值的最大值;
步骤三、数据处理获得能见度检测值:所述ARM微处理器(1)将归一化后的颗粒物浓度值x*、温度值z*和湿度值r*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的基于粒子群算法优化的BP神经网络模型中,得出所述基于粒子群算法优化的BP神经网络模型的输出,所述基于粒子群算法优化的BP神经网络模型的输出即为能见度检测值。
5.按照权利要求4所述的方法,其特征在于:步骤三中所述基于粒子群算法优化的BP神经网络模型的构建方法为:
步骤301、数据存储:将颗粒物浓度、温度、湿度和能见度的历史数据存储到计算机中;
步骤302、数据归一化处理:计算机在MATLAB软件中根据公式α*=(ymax-ymin)*(α-αmin)/(αmax-αmin)+ymin对颗粒物浓度、温度、湿度和能见度的历史数据进行归一化处理,得到归一化后的颗粒物浓度、温度、湿度和能见度历史数据,其中,ymax=1,ymin=-1,α为需要进行归一化的变量,αmin为需要进行归一化的变量对应的历史数据的最小值,αmax为需要进行归一化的变量对应的历史数据的最大值,α*为需要进行归一化的变量归一化后的值;
步骤303、建立隐含层神经元数目可变的三层BP神经网络:计算机在MATLAB软件中以归一化后的颗粒物浓度值、温度值和湿度值作为BP神经网络的输入,输入层节点数n1为3个,以能见度值作为BP神经网络的输出,输出层节点数n3为1个,根据公式确定所述三层BP网络的隐含层节点数n2,建立三层BP神经网络;其中,取a为1~10的自然数;
步骤304、训练各个不同隐含层节点数的三层BP神经网络,具体过程为:
步骤3041、计算机在MATLAB软件中将归一化后的颗粒物浓度、温度和湿度历史数据作为三层BP神经网络的输入,并以与颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为BP神经网络的输出,构建训练样本;
步骤3042、计算机对取a为1~10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练,且在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络;
步骤305、确定出基于粒子群算法优化的BP神经网络模型,具体过程为:
步骤3051、计算机调用网络误差计算模块计算步骤3042中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差;
步骤3052、选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络,确定为训练好的三层BP神经网络,并将其定义为基于粒子群算法优化的BP神经网络模型。
6.按照权利要求5所述的方法,其特征在于:步骤303中所述n2的取值为10。
7.按照权利要求5所述的方法,其特征在于:步骤3042在进行三层BP神经网络训练的过程中,计算机调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化粒子群的位置和速度,将粒子群中每个粒子的位置表示为三层BP神经网络中当前迭代中的权值和阈值的集合,并将种群规模设定为正整数N,将最大迭代次数设定为s;
步骤B、根据初始位置和速度产生各粒子新的位置;
步骤C、将预测值与实际值的均方差作为适应度函数,计算每个粒子的适应度值;
步骤D、对于每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,当适应度值更好时就更新;
步骤E、对于每个粒子,比较它的适应度值和群体所经历的最好位置Pgd的适应度值,当适应度值更好时就更新;
步骤F、根据公式和公式Xid k+1=Xid k+Vid k+1调整粒子的速度和位置;其中,为第i个粒子在k次迭代中第d维上的速度,为第i个粒子在k+1次迭代中第d维上的速度,c1和c2均为学习因子,r1和r2均为介于(0,1)的随机数,Xid k为第i个粒子在k次迭代中第d维上的位置,Xid k+1为第i个粒子在k+1次迭代中第d维上的位置,Pid k为第i个粒子在k次迭代中当前搜索到的最优位置,Pgd k为第i个粒子在k次迭代中全局搜索到的最优位置;
步骤G、当达到最大迭代次数时结束迭代,否则返回步骤B继续迭代执行,将结束迭代后的全局最优位置Pgd的解确定为最优的三层BP神经网络的权值W和阈值B。
8.按照权利要求7所述的方法,其特征在于:步骤F中所述c1和c2的取值均为2。
9.一种应用如权利要求1所述能见度传感器进行太阳能路灯控制的方法,其特征在于,该方法包括以下步骤:
步骤一、通过实验获得不同的照明方式对应的能见度范围,具体过程为:
步骤101、选取太阳能路灯的最低照度作为参考量,测试太阳能路灯的黄光照明方式在多个能见度下达到的照度,并将最低照度对应的能见度确定为能见度下限值Omin;
步骤102、选取太阳能路灯的最低照度作为参考量,测试太阳能路灯的白光照明方式在多个能见度下达到的照度,并将最低照度对应的能见度确定为能见度上限值Omax;
步骤103、将太阳能路灯的白黄光混合照明方式对应的能见度范围确定为小于Omin,将太阳能路灯的黄光照明方式对应的能见度范围确定为大于等于Omin且小于等于Omax,将太阳能路灯的白光照明方式对应的能见度范围确定为大于Omax;
步骤二、将不同的照明方式对应的能见度范围存储到太阳能路灯的控制器中;
步骤三、太阳能路灯的控制器根据能见度传感器检测到的能见度检测值O,对太阳能路灯的照明方式进行控制:当能见度检测值O小于Omin时,控制器控制太阳能路灯工作在白黄光混合照明方式下;当能见度检测值O大于等于Omin且小于等于Omax时,控制器控制太阳能路灯工作在黄光照明方式下;当能见度检测值O大于Omax时,控制器控制太阳能路灯工作在白光照明方式下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929394.7A CN109085099B (zh) | 2018-08-15 | 2018-08-15 | 能见度传感器、能见度检测方法及能见度传感器的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929394.7A CN109085099B (zh) | 2018-08-15 | 2018-08-15 | 能见度传感器、能见度检测方法及能见度传感器的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109085099A CN109085099A (zh) | 2018-12-25 |
CN109085099B true CN109085099B (zh) | 2021-06-11 |
Family
ID=64793588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810929394.7A Active CN109085099B (zh) | 2018-08-15 | 2018-08-15 | 能见度传感器、能见度检测方法及能见度传感器的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109085099B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109668593A (zh) * | 2018-12-26 | 2019-04-23 | 西安清宇网络科技有限公司 | 一种集成传感器、用于路灯的光照调节装置及调节方法 |
CN112950936B (zh) * | 2021-01-29 | 2022-10-04 | 河南省交通规划设计研究院股份有限公司 | 一种交通监控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633294A (en) * | 1984-12-07 | 1986-12-30 | North American Philips Corporation | Method for reducing the scan line visibility for projection television by using a different interpolation and vertical displacement for each color signal |
CN2630844Y (zh) * | 2003-06-24 | 2004-08-04 | 北京泰伦环境工程研究中心 | 高速公路能见度监测器 |
CN104329628A (zh) * | 2014-10-17 | 2015-02-04 | 复旦大学 | 雾天光谱可调型led路灯 |
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
CN207197576U (zh) * | 2017-09-11 | 2018-04-06 | 西安邮电大学 | 基于wifi通信的家庭环境质量监测装置 |
-
2018
- 2018-08-15 CN CN201810929394.7A patent/CN109085099B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633294A (en) * | 1984-12-07 | 1986-12-30 | North American Philips Corporation | Method for reducing the scan line visibility for projection television by using a different interpolation and vertical displacement for each color signal |
CN2630844Y (zh) * | 2003-06-24 | 2004-08-04 | 北京泰伦环境工程研究中心 | 高速公路能见度监测器 |
CN104329628A (zh) * | 2014-10-17 | 2015-02-04 | 复旦大学 | 雾天光谱可调型led路灯 |
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
CN207197576U (zh) * | 2017-09-11 | 2018-04-06 | 西安邮电大学 | 基于wifi通信的家庭环境质量监测装置 |
Non-Patent Citations (1)
Title |
---|
Air Visibility Prediction Based on Multiple Models;Hongguang Pan 等;《2018 IEEE 8th Annual International Conference on CYBER Technology in Automation》;20180723;1421-1426 * |
Also Published As
Publication number | Publication date |
---|---|
CN109085099A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yoo et al. | Biomimetic anti-reflective triboelectric nanogenerator for concurrent harvesting of solar and raindrop energies | |
CN109085099B (zh) | 能见度传感器、能见度检测方法及能见度传感器的应用 | |
CN102306949B (zh) | 传感器网络节点能量自供给方法和装置 | |
CN109000733B (zh) | 基于模拟退火优化神经网络的能见度传感器的检测方法 | |
WO2019214016A1 (zh) | 基于LoRa技术的多功能LED智能路灯系统 | |
CN106451541B (zh) | 一种孤岛型微电网的能量控制方法及控制系统 | |
CN105116956B (zh) | 一种应用于光伏发电系统的最大功率跟踪控制装置 | |
CN202274874U (zh) | 监测架空输电线路杆塔倾斜状态的装置 | |
CN108347165A (zh) | 一种改进的变步长扰动法mppt控制装置、方法与应用系统 | |
CN103338549A (zh) | 基于物联网的自适应太阳能路灯结构 | |
CN108683245A (zh) | 一种基于人工智能学习的户外照明直流供电系统 | |
CN204705377U (zh) | 一种基于太阳能与Zigbee的多功能土壤参数测量装置 | |
CN107340798A (zh) | 一种太阳能发电mppt控制装置与方法 | |
CN113643557A (zh) | 一种智能自动抓拍的可移动交通信号灯及其使用方法 | |
He et al. | Illumination control of intelligent street lamps based on fuzzy decision | |
CN211878729U (zh) | 一种采集设备智能监控系统 | |
CN107359690A (zh) | 基于光伏最大功率点跟踪的控制设备 | |
CN2267467Y (zh) | 蓄电池性能智能监测仪 | |
CN111563826A (zh) | 一种基于电动汽车用电行为的电池信息预测系统及方法 | |
CN207124478U (zh) | 基于光伏最大功率点跟踪的控制设备 | |
CN115268418A (zh) | 一种电器控制设备故障报警系统及方法 | |
Liu et al. | Intelligent design of street lamp based on Arduino | |
CN203193342U (zh) | 一种基于dsp太阳能充电综合保护控制器 | |
CN104748869A (zh) | 一种具有节点供电优化的社区环境温度实时监测系统 | |
CN104729725A (zh) | 一种基于稳压电路节点电源的社区环境温度测量系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210205 Address after: 518000 Wutong street, Baoan District, Shenzhen, Guangdong, China. The 5 floor of 13A building, Taihua Indus Industrial Park Applicant after: Shenzhen Yuanyuan Intelligent Lighting Co.,Ltd. Address before: 518000 13A, 6-7F, Taihua Wutong Industrial Park, Baoan District Xixiang street, Shenzhen, Guangdong Applicant before: SOCREAT ELECTRONICS TECHNOLOGY Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |