CN110487403A - 一种led光谱功率分布的预测方法 - Google Patents
一种led光谱功率分布的预测方法 Download PDFInfo
- Publication number
- CN110487403A CN110487403A CN201910825307.8A CN201910825307A CN110487403A CN 110487403 A CN110487403 A CN 110487403A CN 201910825307 A CN201910825307 A CN 201910825307A CN 110487403 A CN110487403 A CN 110487403A
- Authority
- CN
- China
- Prior art keywords
- led light
- spectral
- spectral power
- under
- power distributions
- 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.)
- Pending
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 148
- 238000009826 distribution Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000002474 experimental method Methods 0.000 claims abstract description 13
- 230000008676 import Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 17
- 239000004744 fabric Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 5
- 239000011324 bead Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Led Device Packages (AREA)
Abstract
本发明公开了一种LED光谱功率分布的预测方法，包括以下步骤：采集多种实验条件下的LED光谱功率分布，其中，每两个实验条件下至少一个影响光谱功率分布的因子不同；通过光谱模型对每种实验条件下的LED光谱功率分布进行拆解以得到相应的光谱特征参数；以多种实验条件下影响光谱功率分布的因子作为输入，并以多种实验条件下的光谱特征参数作为输出，对神经网络进行训练；通过训练后的神经网络对设定条件下的光谱特征参数进行预测；将预测得到的光谱特征参数导入光谱模型，以得到设定条件下的LED光谱功率分布。本发明能够简单方便地实现对不同条件下LED光谱功率分布的预测，减少LED光谱功率分布的测量和计算时间。
Description
技术领域
本发明涉及半导体照明技术领域，尤其涉及一种LED光谱功率分布的预测方法。
背景技术
一般的光源是不同波长的色光混合而成的复色光，如果将它的光谱中每种色光的强度用传感器测量出来，就可以获得不同波长色光的辐射能的数值。光谱密度表示了单位波长区间内辐射能的大小。通常光源中不同波长色光的辐射能是随波长的变化而变化的，因此，光谱密度是波长的函数。光谱密度与波长之间的函数关系称为光谱功率(能量)分布(SPD，Spectral Power Distribution)。在不同的外壳温度与驱动电流下，LED(LightEmitting Diode，发光二极管)的光谱功率分布是不同的，如果实现对其预测，将会节省许多测量的时间。目前对于LED光谱功率分布的预测方法较少，且预测模型较复杂，计算公式繁琐。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种LED光谱功率分布的预测方法，能够简单方便地实现对不同条件下LED光谱功率分布的预测，减少LED光谱功率分布的测量和计算时间。
为达到上述目的，本发明提出的LED光谱功率分布的预测方法包括以下步骤：采集多种实验条件下的LED光谱功率分布，其中，每两个实验条件下至少一个影响光谱功率分布的因子不同；通过光谱模型对每种实验条件下的所述LED光谱功率分布进行拆解以得到相应的光谱特征参数；以所述多种实验条件下影响光谱功率分布的因子作为输入，并以所述多种实验条件下的光谱特征参数作为输出，对神经网络进行训练；通过训练后的神经网络对设定条件下的光谱特征参数进行预测；将预测得到的光谱特征参数导入光谱模型，以得到设定条件下的LED光谱功率分布。
根据本发明实施例的LED光谱功率分布的预测方法，通过采集多种实验条件下的LED光谱功率分布，并通过光谱模型对每种实验条件下的LED光谱功率分布进行拆解以得到相应的光谱特征参数，以多种实验条件下影响光谱功率分布的因子作为输入，并以多种实验条件下的光谱特征参数作为输出，对神经网络进行训练，以及通过训练后的神经网络对设定条件下的光谱特征参数进行预测，最终将预测得到的光谱特征参数导入光谱模型，以得到设定条件下的LED光谱功率分布，由此，能够简单方便地实现对不同条件下LED光谱功率分布的预测，减少LED光谱功率分布的测量和计算时间。
另外，根据本发明上述实例提出的LED光谱功率分布的预测方法还可以具有如下附加的技术特征：
在本发明的一个实施例中，影响光谱功率分布的因子包括LED外壳温度和LED驱动电流，应用积分球采集多种实验条件下的LED光谱功率分布。
在本发明的一个实施例中，所述光谱模型为高斯模型、洛仑兹模型、不对称双S模型中的任一个。
在本发明的一个实施例中，所述神经网络为BP(Back Propagation，反向传播)神经网络。
在本发明的一个实施例中，将预测得到的光谱特征参数导入光谱模型后，应用MATLAB进行数据运算以得到设定条件下的LED光谱功率分布。
附图说明
图1为本发明实施例的LED光谱功率分布的预测方法的流程图；
图2为本发明一个实施例的BP神经网络的结构图；
图3为本发明一个实施例的光谱模型特征参数与神经网络预测的光谱模型特征参数的误差百分比图；
图4为本发明一个实施例预测的、实验测试的和光谱模型得到的LED光谱功率分布对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例的LED光谱功率分布的预测方法，包括以下步骤：
S1，采集多种实验条件下的LED光谱功率分布，其中，每两个实验条件下至少一个影响光谱功率分布的因子不同。
在本发明的一个实施例中，影响光谱功率分布的因子包括LED外壳温度和LED驱动电流等，可通过应用积分球采集多种实验条件下的LED光谱功率分布。具体可采用变温变电流实验，设置i种不同的电流，设置j种不同的LED外壳温度，总共有i×j种不同驱动电流与LED外壳温度的组合方案，得到不同外壳温度与驱动电流下LED光谱功率分布。
本发明实施例的LED是某种全光谱LED灯珠。
S2，通过光谱模型对每种实验条件下的LED光谱功率分布进行拆解以得到相应的光谱特征参数。
在本发明的一个实施例中，LED的光谱功率分布曲线为多个不同峰值波长的单峰光谱功率分布曲线的叠加，可采用公式(1)对LED的光谱功率分布进行拟合：
其中，SPDLED表示LED的光谱功率分布，SPDi表示第i个单峰光谱，λ表示波长，n表示单峰光谱的数量。
光谱模型可为高斯模型、洛仑兹模型、不对称双S模型中的任一个。
其中，高斯模型为：
其中，SPDLED表示LED的光谱，λ表示波长，y0代表初始值；a表示光谱功率分布的面积；xc表示光谱功率分布的峰值波长；w表示光谱功率分布的半波宽；
洛仑兹模型为：
其中，SPDLED表示LED的光谱，λ表示波长，y0代表初始值；a表示光谱功率分布的面积；xc表示光谱功率分布的峰值波长；w表示光谱功率分布的半波宽；
不对称双S模型为：
其中，SPDLED表示LED的光谱，λ表示波长，y0代表初始值；b表示光谱功率分布的幅值；xc表示光谱功率分布的峰值波长；u表示光谱功率分布低能侧的方差；v表示光谱功率分布高能侧的方差。
公式(2)、公式(3)有相同的光谱特征参数，使用公式(2)、公式(3)拆解光谱功率分布，对LED的光谱功率分布图进行拟合可获得3n+1个光谱特征参数；公式(4)与公式(2)、公式(3)光谱特征参数不同，使用公式(4)拆解光谱功率分布，对LED的光谱功率分布图进行拟合可获得4n+1个光谱特征参数。
以全光谱LED包含单个LED灯珠为例，该LED灯珠包含四个单峰光谱，即n＝4。表1为该全光谱LED灯珠在不同的驱动电流和外壳温度下，通过高斯模型拟合的多个可决系数表。
表1
可决系数R2的值越接近1，说明回归直线对观测值的拟合程度越好，表1中R2>0.98表明应用高斯模型拟合的光谱功率分布拟合程度较好。因此，本发明实施例中的光谱模型优选为高斯模型。
S3，以多种实验条件下影响光谱功率分布的因子作为输入，并以多种实验条件下的光谱特征参数作为输出，对神经网络进行训练。
在本发明的一个实施例中，神经网络可为BP神经网络。如图2所示，BP神经网络可包括输入层，隐藏层和输出层。对BP神经网络进行训练时，若在输出层得不到期望的输出，则转向误差信号的反向传播流程，通过这两个过程的交替进行，使网络误差函数达到最小值。
在本发明的一个具体实施例中，可采集上述包含单个LED灯珠的全光谱LED在不同外壳温度、驱动电流情况下对应的光谱功率分布，并使用高斯模型，即公式(2)对光谱功率分布进行拆解，得到对应的光谱特征参数。输入数据取外壳温度和驱动电流，输出数据取光谱特征参数，具体的可取20组作为测试集分析误差，其余为训练集对神经网络进行训练。
S4，通过训练后的神经网络对设定条件下的光谱特征参数进行预测。
在本发明的一个实施例中，使用训练后的BP神经网络，在输入端输入设定的外壳温度和驱动电流，则输出端可相应地输出光谱特征参数的预测值。
S5，将预测得到的光谱特征参数导入光谱模型，以得到设定条件下的LED光谱功率分布。
在本发明的一个具体实施例中，可将BP神经网络预测得到的光谱特征参数导入MATLAB编辑的高斯模型中进行数据计算，得到设定条件下的光谱功率分布图。
根据本实施例的LED光谱功率分布的预测方法，采集多种实验条件下的LED光谱功率分布，通过光谱模型对每种实验条件下的LED光谱功率分布进行拆解以得到相应的光谱特征参数，以多种实验条件下影响光谱功率分布的因子作为输入，并以多种实验条件下的光谱特征参数作为输出，对神经网络进行训练，并通过训练后的神经网络对设定条件下的光谱特征参数进行预测，将预测得到的光谱特征参数导入光谱模型，以得到设定条件下的LED光谱功率分布，由此，能够简单方便地实现对不同条件下LED光谱功率分布的预测，减少LED光谱功率分布的测量和计算时间。
下面通过对比验证本发明实施例的LED光谱功率分布的预测方法的预测效果。
图3为光谱模型拟合得到的光谱特征参数与本发明实施例预测的光谱特征参数的误差百分比图，根据图中结果可知：本发明实施例预测得到的光谱特征参数与光谱模型拟合得到的光谱特征参数误差百分比较小，最大不超过4％，即本发明实施例的方法预测误差较小。图4为全光谱LED在外壳温度为55℃和驱动电流为175mA时，神经网络预测的，即本发明实施例预测的、实验测试的和光谱模型得到的光谱功率分布对比图，根据图中结果可知，本发明实施例预测得到的光谱功率分布误差较小。由此，可知本发明实施例的方法预测结果准确度较高，可以实现对光谱功率分布预测的目的。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种LED光谱功率分布的预测方法，其特征在于，包括以下步骤：
采集多种实验条件下的LED光谱功率分布，其中，每两个实验条件下至少一个影响光谱功率分布的因子不同；
通过光谱模型对每种实验条件下的所述LED光谱功率分布进行拆解以得到相应的光谱特征参数；
以所述多种实验条件下影响光谱功率分布的因子作为输入，并以所述多种实验条件下的光谱特征参数作为输出，对神经网络进行训练；
通过训练后的神经网络对设定条件下的光谱特征参数进行预测；
将预测得到的光谱特征参数导入光谱模型，以得到设定条件下的LED光谱功率分布。
2.根据权利要求1所述的LED光谱功率分布的预测方法，其特征在于，影响光谱功率分布的因子包括LED外壳温度和LED驱动电流，应用积分球采集多种实验条件下的LED光谱功率分布。
3.根据权利要求1或2所述的LED光谱功率分布的预测方法，其特征在于，所述光谱模型为高斯模型、洛仑兹模型、不对称双S模型中的任一个。
4.根据权利要求3所述的LED光谱功率分布的预测方法，其特征在于，所述神经网络为BP神经网络。
5.根据权利要求4所述的LED光谱功率分布的预测方法，其特征在于，在将预测得到的光谱特征参数导入光谱模型后，应用MATLAB进行数据运算以得到设定条件下的LED光谱功率分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910825307.8A CN110487403A (zh) | 2019-09-02 | 2019-09-02 | 一种led光谱功率分布的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910825307.8A CN110487403A (zh) | 2019-09-02 | 2019-09-02 | 一种led光谱功率分布的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110487403A true CN110487403A (zh) | 2019-11-22 |
Family
ID=68556300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910825307.8A Pending CN110487403A (zh) | 2019-09-02 | 2019-09-02 | 一种led光谱功率分布的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110487403A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860987A (zh) * | 2020-07-08 | 2020-10-30 | 江苏科慧半导体研究院有限公司 | 混合荧光材料发射光谱预测方法和装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5864834A (en) * | 1994-05-20 | 1999-01-26 | Tokyo Ink Manufacturing Co., Ltd. | Method and apparatus for estimating a special reflectance distribution or a spectral transmittance distribution using illuminant-independent characteristic parameters |
| CN101319925A (zh) * | 2008-07-11 | 2008-12-10 | 昆明理工大学 | 一种利用bp神经网络的煤气计量方法 |
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN102004088A (zh) * | 2010-11-09 | 2011-04-06 | 清华大学 | 一种基于神经网络的煤质特性在线测量方法 |
| CN102042984A (zh) * | 2009-10-19 | 2011-05-04 | 中国人民解放军第三〇二医院 | 药材等级评价方法及系统 |
| CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
| CN103870689A (zh) * | 2014-03-11 | 2014-06-18 | 武汉大学 | 一种打印印刷系统光谱预测方法 |
| CN104410850A (zh) * | 2014-12-25 | 2015-03-11 | 武汉大学 | 一种彩色数字影像色度校正方法及系统 |
| CN104616078A (zh) * | 2015-02-03 | 2015-05-13 | 河海大学 | 基于Spiking神经网络的光伏系统发电功率预测方法 |
| CN105007676A (zh) * | 2015-08-21 | 2015-10-28 | 武汉大学 | 基于led混光呈色模型的光谱功率分布提取方法及系统 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
| CN109102469A (zh) * | 2018-07-04 | 2018-12-28 | 华南理工大学 | 一种基于卷积神经网络的遥感图像全色锐化方法 |
| CN109727207A (zh) * | 2018-12-06 | 2019-05-07 | 华南理工大学 | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 |
| CN110057551A (zh) * | 2019-04-22 | 2019-07-26 | 河海大学常州校区 | 一种led多芯片模组的光、色性能预测方法 |
-
2019
- 2019-09-02 CN CN201910825307.8A patent/CN110487403A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5864834A (en) * | 1994-05-20 | 1999-01-26 | Tokyo Ink Manufacturing Co., Ltd. | Method and apparatus for estimating a special reflectance distribution or a spectral transmittance distribution using illuminant-independent characteristic parameters |
| CN101319925A (zh) * | 2008-07-11 | 2008-12-10 | 昆明理工大学 | 一种利用bp神经网络的煤气计量方法 |
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN102042984A (zh) * | 2009-10-19 | 2011-05-04 | 中国人民解放军第三〇二医院 | 药材等级评价方法及系统 |
| CN102004088A (zh) * | 2010-11-09 | 2011-04-06 | 清华大学 | 一种基于神经网络的煤质特性在线测量方法 |
| CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
| CN103870689A (zh) * | 2014-03-11 | 2014-06-18 | 武汉大学 | 一种打印印刷系统光谱预测方法 |
| CN104410850A (zh) * | 2014-12-25 | 2015-03-11 | 武汉大学 | 一种彩色数字影像色度校正方法及系统 |
| CN104616078A (zh) * | 2015-02-03 | 2015-05-13 | 河海大学 | 基于Spiking神经网络的光伏系统发电功率预测方法 |
| CN105007676A (zh) * | 2015-08-21 | 2015-10-28 | 武汉大学 | 基于led混光呈色模型的光谱功率分布提取方法及系统 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
| CN109102469A (zh) * | 2018-07-04 | 2018-12-28 | 华南理工大学 | 一种基于卷积神经网络的遥感图像全色锐化方法 |
| CN109727207A (zh) * | 2018-12-06 | 2019-05-07 | 华南理工大学 | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 |
| CN110057551A (zh) * | 2019-04-22 | 2019-07-26 | 河海大学常州校区 | 一种led多芯片模组的光、色性能预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860987A (zh) * | 2020-07-08 | 2020-10-30 | 江苏科慧半导体研究院有限公司 | 混合荧光材料发射光谱预测方法和装置 |
| CN111860987B (zh) * | 2020-07-08 | 2024-05-31 | 江苏科慧半导体研究院有限公司 | 混合荧光材料发射光谱预测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jost-Boissard et al. | Assessing the colour quality of LED sources: Naturalness, attractiveness, colourfulness and colour difference | |
| Lin et al. | Colour preference varies with lighting application | |
| US20080013314A1 (en) | Light source and method for optimising illumination characteristics thereof | |
| CN104991988B (zh) | 基于多颗单色大功率led实现类日光光源的方法 | |
| CA2322762A1 (en) | Method and apparatus for hair color characterization and treatment | |
| WO2003041582A1 (fr) | Technique et appareil de mesure de la concentration d'un composant biologique | |
| CN109618479B (zh) | 光源参数测量方法、装置、照明系统和终端设备 | |
| Botero-Valencia et al. | Multi-channel low-cost light spectrum measurement using a multilayer perceptron | |
| Levy et al. | Rapid monitoring of cerebral ischemia dynamics using laser-based optical imaging of blood oxygenation and flow | |
| Davis et al. | Approaches to color rendering measurement | |
| CN110487403A (zh) | 一种led光谱功率分布的预测方法 | |
| Ni et al. | Discrimination of Radix Isatidis and Rhizoma et Radix Baphicacanthis Cusia samples by near infrared spectroscopy with the aid of chemometrics | |
| US20090103075A1 (en) | Method For Measuring Chroma Value By a Colorimeter | |
| David et al. | Methods for assessing quantity and quality of illumination | |
| Zeng et al. | Noninvasive blood glucose monitoring system based on distributed multi-sensors information fusion of multi-wavelength NIR | |
| Kawski et al. | Thermochromic absorption, fluorescence band shifts and dipole moments of BADAN and ACRYLODAN | |
| CN106604447B (zh) | 一种led灯珠的光谱合成方法及系统 | |
| CN104688180B (zh) | 一种基于光谱成像的美白效果判断方法 | |
| CN103200739B (zh) | 一种三维全彩led自动呼吸驱动芯片 | |
| CN107976617A (zh) | 一种稳定光谱能量分布的led晶圆测试方法 | |
| Engelsen | Near infrared spectroscopy—a unique window of opportunities | |
| Luo et al. | A neutral white locus | |
| Heimpold et al. | LED for hyperspectral imaging–a new selection method | |
| BR112020013594A2 (pt) | medições de cor de líquidos turvos | |
| Michaels et al. | Scaling and dimensionality in the chemical kinetics of protein filament formation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |
|
| RJ01 | Rejection of invention patent application after publication |