CN112487722A - 一种led系统智能调光的动态模糊神经网络建模方法 - Google Patents

一种led系统智能调光的动态模糊神经网络建模方法 Download PDF

Info

Publication number
CN112487722A
CN112487722A CN202011413517.5A CN202011413517A CN112487722A CN 112487722 A CN112487722 A CN 112487722A CN 202011413517 A CN202011413517 A CN 202011413517A CN 112487722 A CN112487722 A CN 112487722A
Authority
CN
China
Prior art keywords
layer
neural network
fuzzy
rule
output
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
Application number
CN202011413517.5A
Other languages
English (en)
Inventor
李纪宾
钱依凡
洪扬哲
王晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011413517.5A priority Critical patent/CN112487722A/zh
Publication of CN112487722A publication Critical patent/CN112487722A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明公开了一种LED系统智能调光的动态模糊神经网络建模方法，涉及LED系统非线性光学特性技术领域，包括以下步骤：预先标定LED模块光电热模型的输入变量特征和期望输出值特征；搭建动态模糊神经网络模型并训练，所述动态模糊神经网络模型，包括输入层、模糊化层、前件层、后件层和输出层，其训练所述动态模糊神经网络模型包括网路结构优化和参数学习。本发明采用在线建模方法，模型结构参数可以实时优化调整，具有更强的适应性，采用热沉温度和环境温度两个联合测量来间接反映结温对LED系统光度输出的影响，避免结温测量的复杂。

Description

一种LED系统智能调光的动态模糊神经网络建模方法
技术领域
本发明涉及LED系统非线性光学特性技术领域，具体来说，涉及一种LED 系统智能调光的动态模糊神经网络建模方法。
背景技术
大功率LED系统具有光效高、灵活可控的优势，在提供节能的动态或交互式照明方面颇具潜力，如大型建筑的照明渲染、农作物培育、医疗手术灯中等等。但在一些特种光源中，尤其是作为测量的标准光源时，如高功率LED太阳光模拟器，这类应用对于光学品质的要求较高：通常要求在较宽范围内实现操作点切换/连续调节，且保证在有限时间内使系统输出达到预定的光学性能目标(如光度、色度)。因此对大功率LED系统光学动态品质的研究也逐渐成为关注焦点。尽管LED自身光电转换频率可达兆赫兹，但作为一种功率型器件，尤其在高功率密度的紧凑型设计下，系统运行的发热效应十分显著，系统散热量通常是普通照明的几倍甚至十几倍。这些热量以热传导、热对流形式耗散，其动力学过程存在明显的时滞、时变等不确定复杂非线性特征，加上LED 的光学、电学、热学参数间存在耦合关系，引起系统光度、色度变化规律难以确认。
为了建立LED系统的光、电、热数学表达模型，大多数学者都是基于等效阻容网络的机理分析出发，但是这些模型的数学形式往往涉及大量的自由参数，且计算量高，同时存在参数提取困难问题，如结温测量需要借助昂贵的测试设备或复杂的实验，这在阵列设计中是难以实现动态测量的。此外，这类模型一般是离线模型，其参数或结构一经确立，便不可改变，因此当环境温度发生变化(如一年四季的温度变化)，或是器件老化等条件发生变化时，模型存在失配问题，难以实现精准的调光。如现有的电流反馈，温度前馈的调光控制方法中，采用的是光通量-电流的稳态关系表，在应用到普通照明场景已经足够，但在实现更加精确的调光控制场景仍存在较大差距。
检索中国发明专利CN104482445A公开了一种智能调光LED植物灯及其智能调光系统，智能调光系统，包括LED电源模块、微处理器系统、光感系统、存储系统，存储系统存储有不同植物不同生长阶段的所需光照数据，智能调光LED植物灯，包括灯体及设置在灯体内的LED模块，LED模块包括基板、若干设置在基板上的LED阵列及采用智能调光系统的控制器，微处理器系统能够根据存储系统、光感系统的数据对LED电源模块作出最佳的亮度调节指令，控制LED电源模块的输出，实现对LED植物灯的调光，使得植物灯输出光照强度及波段根据植物的生长阶段及现场的自然光光照强度达到植物所需的最佳光照强度值及光谱分布，促进植物生长，但其在实现更加精确的调光控制场景仍存在较大差距。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种LED系统智能调光的动态模糊神经网络建模方法，以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的：
一种LED系统智能调光的动态模糊神经网络建模方法，包括以下步骤：
预先标定LED模块光电热模型的输入变量特征和期望输出值特征；
搭建动态模糊神经网络模型并训练，其中；
所述动态模糊神经网络模型，包括输入层、模糊化层、前件层、后件层和输出层，其训练所述动态模糊神经网络模型包括网路结构优化和参数学习，其中；
所述搭建动态模糊神经网络模型，包括以下步骤：
步骤S1，模型初始化k＝1，读取第一组观测样本z(1)＝[x(1),y(1)]，令
Figure RE-GDA0002926871000000021
符号*表示该点是聚类，
Figure RE-GDA0002926871000000022
表示第i个聚类中心，v为聚类个数；
定义如下散度函数S(z(k))对作为密度聚类分析的评价函数：
Figure RE-GDA0002926871000000023
其中N为正整数， n,m为输入x与输出y的维数；zj(l)表示第l时刻样本z的第j个分量，zi(k)表示第k时刻样本z的第i个分量；
令S(z(1))＝1，
Figure RE-GDA0002926871000000031
表示神经网络模糊层，初始化隶属宽度σ1及网络后件部分线性参数pr＝[p0，p1，p2，...，pn]T；
步骤S2，令k＝k+1，根据新采样时刻输入量及现有的模糊规则，计算模型光度输出的预测值
Figure RE-GDA0002926871000000032
步骤S3，读入新观测数据z(k)，利用等效递推形式计算其散度值，以提高计算效率，表示为：
Figure RE-GDA0002926871000000033
k＝2，3，...N；
其中，
Figure RE-GDA0002926871000000034
γ(1)＝0；βj(k)＝βj(k-1)+zj(k)，βj(1)＝0；
步骤S4，更新所有聚类中心的散度值，表示为：
Figure RE-GDA0002926871000000035
k＝2，3，...，N，i∈[1，v]；
步骤S5，计算模型系统误差、误差率和泛化因子，其中；
步骤S501，获取系统误差，表示为：
Figure RE-GDA0002926871000000036
其计算最小欧氏距离
Figure RE-GDA0002926871000000037
步骤S502，获取误差下降率，表示为：由线性回归方程D＝ΓP+E和QR 分解Γ＝MN，其中，D为期望输出，P为权向量，Γ为回归向量，E为误差向量，M，N分别为正交阵和上三角矩阵；
获取线性最小方差解
Figure RE-GDA0002926871000000038
其误差下降率为
Figure RE-GDA0002926871000000039
步骤S503，由误差下降率，定义范化因子
Figure RE-GDA00029268710000000310
步骤S504，计算期望精度ke，有效容纳边界kd，，
ke＝max{αk-1*eminmax}，kd＝max{αk-1*dminmax}，其中α，emax，emin，dmax，dmin为预定义值。
进一步的，步骤所述输入变量，表示为：
X(k)＝[If(k)，Uf(k)，Tr(k)，Ta(k)]；
所述期望输出值，表示为：
Y(k)＝Φ(k)，k＝1，2，...N；
其中，If、Uf、Tr和Ta分别表示LED的驱动电流、正向电压、热沉温度和环境温度，Φ为LED系统输出的光通量，x(k)和y(k)分别为X(k)和Y(k) 经min-max方法归一化后的向量。
进一步的，所述输入层，包括含有多个节点，其节点个数与模型输入的维数一致，每个节点表示一个输入的语言变量；
所述模糊化层，包括含有多个节点，节点功能为模糊函数，其模糊函数采用柯西型函数，其为高斯函数的一阶形式，表示为：
Figure RE-GDA0002926871000000041
其中，i＝1，2，...，n，r＝1，2，...，R.
Figure RE-GDA0002926871000000042
为xi的第r个模糊函数，
Figure RE-GDA0002926871000000043
为xi的第r个模糊函数中心，σr表示xi的第r个模糊函数的影响半径，n为输入向量的维数表示为：x(k)＝[x1(k)，x2(k)，...，xn(k)]，xi(k)是x(k)的第i维分量，R为模糊系统的规则总数，其令
Figure RE-GDA0002926871000000044
σ＝[σ1，σ2，...，σr]；
所述前件层，包括含有多个节点，每一节点代表一条模糊规则前提部分，对于第r个规则，其输出为：
Figure RE-GDA0002926871000000045
其中，
Figure RE-GDA0002926871000000046
所述后件层，包括具有多个节点，各节点代表一个线性子系统yr，即采用TSK系统的结论部分，各子系统输出如下：
Figure RE-GDA0002926871000000047
其中，
Figure RE-GDA0002926871000000048
表示为后件网络的线性参数；
所述输出层，包括至少含有一个节点，该层的每节点对应输出变量的维数，表示为：
Figure RE-GDA0002926871000000049
进一步的，步骤S6，模型结构优化，包括：
步骤S601，规则修正准则：判断
Figure RE-GDA0002926871000000051
若满足，则对模糊函数中心修正；令
Figure RE-GDA0002926871000000052
cj＝x(k)，cj替换第j个模糊函数的中心，j是已有模模糊函数中心与样本点拥有最小距离对应的序号，执行后转入步骤S6；
步骤S602，规则生成准则：判断
Figure RE-GDA0002926871000000053
若满足，则生成一条新规则，令
Figure RE-GDA0002926871000000054
R＝R+1,cR＝x(k)，σR＝k0*δmin(k)，
Figure RE-GDA0002926871000000055
执行后转至步骤S6；
步骤S603，若其所述规则修正准则和所述规则生成准则均不满足，则转至步骤S6；
步骤S7，参数学习阶段：采用扩展卡尔曼滤波算法EKF更新规则半径σ＝[σ1,σ2,...,σR]和带遗忘因子的递推最小二乘法估计后件层参数
Figure RE-GDA0002926871000000056
步骤701，其扩展卡尔曼滤波算法EKF算法，表示为：
Figure RE-GDA0002926871000000057
其中，
Figure RE-GDA0002926871000000058
δ为适当参数；
步骤702，其RLS算法：
Figure RE-GDA0002926871000000059
为遗忘因子，Ω为一较大正数，
Figure RE-GDA00029268710000000510
为k时刻第i条规则的协方差矩阵，其中；
若步骤S5中有新规则生成，则初始化该规则对应的协方差矩阵
Figure RE-GDA00029268710000000511
进一步的，还包括以下步骤：
在每个采样时刻，重复步骤S2～步骤S7，直到设定的N时刻结束。
本发明的有益效果：
本发明LED系统智能调光的动态模糊神经网络建模方法，通过预先标定LED模块光电热模型的输入变量特征和期望输出值特征，搭建动态模糊神经网络模型并训练，实现采用在线建模方法，模型结构参数可以实时优化调整，具有更强的适应性，采用热沉温度和环境温度两个联合测量来间接反映结温对LED系统光度输出的影响，避免结温测量的复杂，同时当环境温度受季节变化时或者是性能发生退化，模型不需要重新校正，不仅在线建模方法的公式均采用递推形式，极大地简化了计算复杂度，另外由于规则通过增量学习不断完备和修正，模型结构更加精简，且其后件为线性形式，具有可解释性，通过拓展为N步预测，可以实现基于预测模型的精确调光控制，以消除温度滞后因素的影响，有助于提高系统的动态响应品质。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种LED系统智能调光的动态模糊神经网络建模方法的流程示意图；
图2是根据本发明实施例的一种LED系统智能调光的动态模糊神经网络建模方法的动态模糊神经网络结构拓补图。
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所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种LED系统智能调光的动态模糊神经网络建模方法。
如图1-图2所示，根据本发明实施例的LED系统智能调光的动态模糊神经网络建模方法，包括以下步骤：
预先标定LED模块光电热模型的输入变量特征和期望输出值特征；
搭建动态模糊神经网络模型并训练，其中；
所述动态模糊神经网络模型，包括输入层、模糊化层、前件层、后件层和输出层，其训练所述动态模糊神经网络模型包括网路结构优化和参数学习，其中；
具体的，其实时采集大功率LED系统调光过程的观测数据，作为样本数据。包括输入数据驱动电流If、电压Uf、热沉温度Tr、环境温度Ta，输出数据光通量φ。构成后将收集的输入和输出样本z＝(x，y)；
初始化模糊神经网络参数，具体可取如下参数：
ρ＝0.95，Ω＝800，δ＝1.0，
Figure RE-GDA0002926871000000071
kGF＝0.99。数据样本按照采样先后顺序输入动态模糊神经网络模型，动态模糊神经网络模型预测下一时刻的光度值。
具体的，其所述搭建动态模糊神经网络模型，包括以下步骤：
步骤S1，模型初始化k＝1，读取第一组观测样本z(1)＝[x(1)，y(1)]，令
Figure RE-GDA0002926871000000072
符号*表示该点是聚类，
Figure RE-GDA0002926871000000073
表示第i个聚类中心，v为聚类个数；
定义如下散度函数S(z(k))对作为密度聚类分析的评价函数：
Figure RE-GDA0002926871000000074
其中N为正整数，n，m为输入x与输出y的维数；zj(l)表示第l时刻样本z的第j个分量， zi(k)表示第k时刻样本z的第i个分量；
令S(z(1))＝1，
Figure RE-GDA0002926871000000075
表示神经网络模糊层，初始化隶属宽度σ1及网络后件部分线性参数pr＝[p0，p1，p2，...，pn]T；
步骤S2，令k＝k+1，根据新采样时刻输入量及现有的模糊规则，计算模型光度输出的预测值
Figure RE-GDA0002926871000000081
步骤S3，读入新观测数据z(k)，利用等效递推形式计算其散度值，以提高计算效率，表示为：
Figure RE-GDA0002926871000000082
k＝2，3，...N；
其中，
Figure RE-GDA0002926871000000083
γ(1)＝0；βj(k)＝βj(k-1)+zj(k)，βj(1)＝0；
步骤S4，更新所有聚类中心的散度值，表示为：
Figure RE-GDA0002926871000000084
k＝2，3，...，N，i∈[1，v]；
步骤S5，计算模型系统误差、误差率和泛化因子，其中；
步骤S501，获取系统误差，表示为：
Figure RE-GDA0002926871000000085
其计算最小欧氏距离
Figure RE-GDA0002926871000000086
步骤S502，获取误差下降率，表示为：由线性回归方程D＝ΓP+E和QR 分解Γ＝MN，其中，D为期望输出，P为权向量，Γ为回归向量，E为误差向量，M，N分别为正交阵和上三角矩阵；
获取线性最小方差解
Figure RE-GDA0002926871000000087
其误差下降率为
Figure RE-GDA0002926871000000088
步骤S503，由误差下降率，定义范化因子
Figure RE-GDA0002926871000000089
步骤S504，计算期望精度ke，有效容纳边界kd，，
ke＝max{αk-1*eminmax}，kd＝max{αk-1*dminmax}，其中α，emax，emin，dmax，dmin为预定义值。
其中，步骤所述输入变量，表示为：
X(k)＝[If(k)，Uf(k)，Tr(k)，Ta(k)]；
所述期望输出值，表示为：
Y(k)＝Φ(k)，k＝1，2，...N；
其中，If、Uf、Tr和Ta分别表示LED的驱动电流、正向电压、热沉温度和环境温度，Φ为LED系统输出的光通量，x(k)和y(k)分别为X(k)和Y(k) 经min-max方法归一化后的向量。
其中，所述输入层，包括含有多个节点，其节点个数与模型输入的维数一致，每个节点表示一个输入的语言变量；
所述模糊化层，包括含有多个节点，节点功能为模糊函数，其模糊函数采用柯西型函数，其为高斯函数的一阶形式，表示为：
Figure RE-GDA0002926871000000091
其中，i＝1，2，...，n，r＝1，2，...，R.
Figure RE-GDA0002926871000000092
为xi的第r个模糊函数，
Figure RE-GDA0002926871000000093
为xi的第r个模糊函数中心，σr表示xi的第r个模糊函数的影响半径，n为输入向量的维数表示为：x(k)＝[x1(k)，x2(k)，...，xn(k)]，xi(k)是x(k)的第i维分量，R为模糊系统的规则总数，其令
Figure RE-GDA0002926871000000094
σ＝[σ1，σ2，...，σr]；
所述前件层，包括含有多个节点，每一节点代表一条模糊规则前提部分，对于第r个规则，其输出为：
Figure RE-GDA00029268710000000911
其中，
Figure RE-GDA0002926871000000095
所述后件层，包括具有多个节点，各节点代表一个线性子系统yr，即采用TSK系统的结论部分，各子系统输出如下：
Figure RE-GDA0002926871000000096
其中，
Figure RE-GDA0002926871000000097
表示为后件网络的线性参数；
所述输出层，包括至少含有一个节点，该层的每节点对应输出变量的维数，表示为：
Figure RE-GDA0002926871000000098
其中，步骤S6，模型结构优化，包括：
步骤S601，规则修正准则：判断
Figure RE-GDA0002926871000000099
若满足，则对模糊函数中心修正；令
Figure RE-GDA00029268710000000910
cj＝x(k)，cj替换第j个模糊函数的中心，j是已有模模糊函数中心与样本点拥有最小距离对应的序号，执行后转入步骤S6；
步骤S602，规则生成准则：判断
Figure RE-GDA0002926871000000101
若满足，则生成一条新规则，令
Figure RE-GDA0002926871000000102
R＝R+1，cR＝x(k)，σR＝k0*δmin(k)，
Figure RE-GDA0002926871000000103
执行后转至步骤S6；
步骤S603，若其所述规则修正准则和所述规则生成准则均不满足，则转至步骤S6；
步骤S7，参数学习阶段：采用扩展卡尔曼滤波算法EKF更新规则半径σ＝[σ1,σ2,...,σR]和带遗忘因子的递推最小二乘法估计后件层参数
Figure RE-GDA0002926871000000104
步骤701，其扩展卡尔曼滤波算法EKF算法，表示为：
Figure RE-GDA0002926871000000105
其中，
Figure RE-GDA0002926871000000106
δ为适当参数；
步骤702，其RLS算法：
Figure RE-GDA0002926871000000107
ρ为遗忘因子，Ω为一较大正数，
Figure RE-GDA0002926871000000109
为k时刻第i条规则的协方差矩阵，其中；
若步骤S5中有新规则生成，则初始化该规则对应的协方差矩阵
Figure RE-GDA0002926871000000108
其中，还包括以下步骤：
在每个采样时刻，重复步骤S2～步骤S7，直到设定的N时刻结束。
另外，具体的，在不同操作点下，可以记录导出各子系统的线性组合形式，包括每条规则的中心位置及隶属宽度，从而选取更优的网络阈值参数。
借助于上述技术方案，可实现：1)在LED调光模型的建立中，大多都是离线模型，本发明采用的在线建模方法，模型结构参数可以实时优化调整，具有更强的适应性。2)本发明避免结温测量的复杂，采用热沉温度和环境温度两个联合测量来间接反映结温对LED系统光度输出的影响。同时，当环境温度受季节变化时或者是性能发生退化，模型不需要重新校正。
另外，具体的，其1)在线建模方法的公式均采用递推形式，极大地简化了计算复杂度，可设计出低成本的嵌入式控制器；2)由于规则通过增量学习不断完备和修正，模型结构更加精简，且其后件为线性形式，具有可解释性； 3)通过拓展为N步预测，可以实现基于预测模型的精确调光控制，以消除温度滞后因素的影响，有助于提高系统的动态响应品质。4)该方法可进一步拓展或定制，如引入色度，光谱函数等更多预测指标，便于不同的应用目的。
综上所述，借助于本发明的上述技术方案，通过预先标定LED模块光电热模型的输入变量特征和期望输出值特征，搭建动态模糊神经网络模型并训练，实现采用在线建模方法，模型结构参数可以实时优化调整，具有更强的适应性，采用热沉温度和环境温度两个联合测量来间接反映结温对 LED系统光度输出的影响，避免结温测量的复杂，同时当环境温度受季节变化时或者是性能发生退化，模型不需要重新校正，不仅在线建模方法的公式均采用递推形式，极大地简化了计算复杂度，另外由于规则通过增量学习不断完备和修正，模型结构更加精简，且其后件为线性形式，具有可解释性，通过拓展为N步预测，可以实现基于预测模型的精确调光控制，以消除温度滞后因素的影响，有助于提高系统的动态响应品质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种LED系统智能调光的动态模糊神经网络建模方法，其特征在于，包括以下步骤：
预先标定LED模块光电热模型的输入变量特征和期望输出值特征；
搭建动态模糊神经网络模型并训练，其中；
所述动态模糊神经网络模型，包括输入层、模糊化层、前件层、后件层和输出层，其训练所述动态模糊神经网络模型包括网路结构优化和参数学习，其中；
所述搭建动态模糊神经网络模型，包括以下步骤：
步骤S1，模型初始化k＝1，读取第一组观测样本z(1)＝[x(1),y(1)]，令z1*(1)＝z(1)，符号*表示该点是聚类，zi*＝[xi*，yi*],i∈[1,v]表示第i个聚类中心，v为聚类个数；
定义如下散度函数S(z(k))对作为密度聚类分析的评价函数：
Figure RE-FDA0002926870990000011
其中N为正整数，n,m为输入x与输出y的维数；zj(l)表示第l时刻样本z的第j个分量，zi(k)表示第k时刻样本z的第i个分量；
令S(z(1))＝1，c1＝x1*(1)表示神经网络模糊层，初始化隶属宽度σ1及网络后件部分线性参数pr＝[p0,p1,p2,...,pn]T；
步骤S2，令k＝k+1，根据新采样时刻输入量及现有的模糊规则，计算模型光度输出的预测值
Figure RE-FDA0002926870990000012
步骤S3，读入新观测数据z(k)，利用等效递推形式计算其散度值，以提高计算效率，表示为：
Figure RE-FDA0002926870990000013
其中，
Figure RE-FDA0002926870990000014
γ(1)＝0；βj(k)＝βj(k-1)+zj(k)，βj(1)＝0；
步骤S4，更新所有聚类中心的散度值，表示为：
Figure RE-FDA0002926870990000021
步骤S5，计算模型系统误差、误差率和泛化因子，其中；
步骤S501，获取系统误差，表示为：
Figure RE-FDA0002926870990000022
其计算最小欧氏距离
Figure RE-FDA0002926870990000023
步骤S502，获取误差下降率，表示为：由线性回归方程D＝ΓP+E和QR分解Γ＝MN，其中，D为期望输出，P为权向量，Γ为回归向量，E为误差向量，M，N分别为正交阵和上三角矩阵；
获取线性最小方差解
Figure RE-FDA0002926870990000024
其误差下降率为
Figure RE-FDA0002926870990000025
步骤S503，由误差下降率，定义范化因子
Figure RE-FDA0002926870990000026
步骤S504，计算期望精度ke，有效容纳边界kd，，
ke＝max{αk-1*eminmax}，kd＝max{αk-1*dminmax}，其中α，emax，emin，dmax，dmin为预定义值。
2.根据权利要求1所述的LED系统智能调光的动态模糊神经网络建模方法，其特征在于，步骤所述输入变量，表示为：
X(k)＝[If(k)，Uf(k)，Tr(k)，Ta(k)]；
所述期望输出值，表示为：
Y(k)＝Φ(k)，k＝1，2，…N；
其中，If、Uf、Tr和Ta分别表示LED的驱动电流、正向电压、热沉温度和环境温度，Φ为LED系统输出的光通量，x(k)和y(k)分别为X(k)和Y(k)经min-max方法归一化后的向量。
3.根据权利要求1所述的LED系统智能调光的动态模糊神经网络建模方法，其特征在于，所述输入层，包括含有多个节点，其节点个数与模型输入的维数一致，每个节点表示一个输入的语言变量；
所述模糊化层，包括含有多个节点，节点功能为模糊函数，其模糊函数采用柯西型函数，其为高斯函数的一阶形式，表示为：
Figure RE-FDA0002926870990000031
其中，i＝1，2，...，n，r＝1，2，...，R.
Figure RE-FDA0002926870990000032
为xi的第r个模糊函数，
Figure RE-FDA0002926870990000033
为xi的第r个模糊函数中心，σr表示xi的第r个模糊函数的影响半径，n为输入向量的维数表示为：x(k)＝[x1(k)，x2(k)，...，xn(k)]，xi(k)是x(k)的第i维分量，R为模糊系统的规则总数，其令
Figure RE-FDA0002926870990000034
σ＝[σ1，σ2，…，σr]；
所述前件层，包括含有多个节点，每一节点代表一条模糊规则前提部分，对于第r个规则，其输出为：
Figure RE-FDA0002926870990000035
其中，
Figure RE-FDA0002926870990000036
所述后件层，包括具有多个节点，各节点代表一个线性子系统yr，即采用TSK系统的结论部分，各子系统输出如下：
Figure RE-FDA0002926870990000037
其中，
Figure RE-FDA0002926870990000038
表示为后件网络的线性参数；
所述输出层，包括至少含有一个节点，该层的每节点对应输出变量的维数，表示为：
Figure RE-FDA0002926870990000039
4.根据权利要求3所述的LED系统智能调光的动态模糊神经网络建模方法，其特征在于，
步骤S6，模型结构优化，包括：
步骤S601，规则修正准则：判断
Figure RE-FDA00029268709900000310
若满足，则对模糊函数中心修正；令S(zj*(k))＝S(z(k))，cj＝x(k)，cj替换第j个模糊函数的中心，j是已有模模糊函数中心与样本点拥有最小距离对应的序号，执行后转入步骤S6；
步骤S602，规则生成准则：判断
Figure RE-FDA00029268709900000311
若满足，则生成一条新规则，令S(z(v+1)*(k))＝S(z(k))，R＝R+1，cR＝x(k)，σR＝k0*δmin(k)，S(zR*(k))＝S(z(k))，执行后转至步骤S6；
步骤S603，若其所述规则修正准则和所述规则生成准则均不满足，则转至步骤S6；
步骤S7，参数学习阶段：采用扩展卡尔曼滤波算法EKF更新规则半径σ＝[σ1，σ2，...，σR]和带遗忘因子的递推最小二乘法估计后件层参数
Figure RE-FDA0002926870990000041
步骤701，其扩展卡尔曼滤波算法EKF算法，表示为：
Figure RE-FDA0002926870990000042
其中，
Figure RE-FDA0002926870990000043
δ为适当参数；
步骤702，其RLS算法：
Figure RE-FDA0002926870990000044
ρ为遗忘因子，Ω为一较大正数，
Figure RE-FDA0002926870990000045
为k时刻第i条规则的协方差矩阵，其中；
若步骤S5中有新规则生成，则初始化该规则对应的协方差矩阵
Figure RE-FDA0002926870990000046
5.根据权利要求4所述的LED系统智能调光的动态模糊神经网络建模方法，其特征在于，还包括以下步骤：
在每个采样时刻，重复步骤S2～步骤S7，直到设定的N时刻结束。
CN202011413517.5A 2020-12-03 2020-12-03 一种led系统智能调光的动态模糊神经网络建模方法 Pending CN112487722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011413517.5A CN112487722A (zh) 2020-12-03 2020-12-03 一种led系统智能调光的动态模糊神经网络建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011413517.5A CN112487722A (zh) 2020-12-03 2020-12-03 一种led系统智能调光的动态模糊神经网络建模方法

Publications (1)

Publication Number Publication Date
CN112487722A true CN112487722A (zh) 2021-03-12

Family

ID=74939911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011413517.5A Pending CN112487722A (zh) 2020-12-03 2020-12-03 一种led系统智能调光的动态模糊神经网络建模方法

Country Status (1)

Country Link
CN (1) CN112487722A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115175404A (zh) * 2022-09-07 2022-10-11 杭州雅观科技有限公司 一种基于led灯的一站式自动调光方法
CN116209113A (zh) * 2023-05-05 2023-06-02 南昌大学 一种应用于多通道led调光的非线性补偿方法及系统
CN116539285A (zh) * 2023-07-06 2023-08-04 深圳市海塞姆科技有限公司 基于人工智能的光源检测方法、装置、设备及存储介质
CN117336912A (zh) * 2023-09-28 2024-01-02 广州智影科技有限公司 一种基于深度神经网络的led光源调光方法及相关装置
CN117458261A (zh) * 2023-12-26 2024-01-26 东莞市湃泊科技有限公司 激光器封装系统及其智能散热方法
CN117676951A (zh) * 2024-01-17 2024-03-08 浙江佐通信息技术有限公司 一种基于卡尔曼滤波算法的隧道智能调光方法及系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115175404A (zh) * 2022-09-07 2022-10-11 杭州雅观科技有限公司 一种基于led灯的一站式自动调光方法
CN116209113A (zh) * 2023-05-05 2023-06-02 南昌大学 一种应用于多通道led调光的非线性补偿方法及系统
CN116209113B (zh) * 2023-05-05 2023-09-05 南昌大学 一种应用于多通道led调光的非线性补偿方法及系统
CN116539285A (zh) * 2023-07-06 2023-08-04 深圳市海塞姆科技有限公司 基于人工智能的光源检测方法、装置、设备及存储介质
CN116539285B (zh) * 2023-07-06 2023-09-01 深圳市海塞姆科技有限公司 基于人工智能的光源检测方法、装置、设备及存储介质
CN117336912A (zh) * 2023-09-28 2024-01-02 广州智影科技有限公司 一种基于深度神经网络的led光源调光方法及相关装置
CN117336912B (zh) * 2023-09-28 2024-02-23 广州智影科技有限公司 一种基于深度神经网络的led光源调光方法及相关装置
CN117458261A (zh) * 2023-12-26 2024-01-26 东莞市湃泊科技有限公司 激光器封装系统及其智能散热方法
CN117458261B (zh) * 2023-12-26 2024-04-16 东莞市湃泊科技有限公司 激光器封装系统及其智能散热方法
CN117676951A (zh) * 2024-01-17 2024-03-08 浙江佐通信息技术有限公司 一种基于卡尔曼滤波算法的隧道智能调光方法及系统

Similar Documents

Publication Publication Date Title
CN112487722A (zh) 一种led系统智能调光的动态模糊神经网络建模方法
Sarvi et al. A comprehensive review and classified comparison of MPPT algorithms in PV systems
Motahhir et al. The most used MPPT algorithms: Review and the suitable low-cost embedded board for each algorithm
Celikel et al. A voltage scanning-based MPPT method for PV power systems under complex partial shading conditions
Jiang et al. Parameter estimation of solar cells and modules using an improved adaptive differential evolution algorithm
CN109709802B (zh) 基于迭代学习控制的有源电子梯形电路的控制方法
Deboucha et al. Modified deterministic Jaya (DM‐Jaya)‐based MPPT algorithm under partially shaded conditions for PV system
CN111079980A (zh) 基于自适应分类策略和混合优化svr的光功率预测方法
Al-Wesabi et al. Cuckoo search combined with PID controller for maximum power extraction of partially shaded photovoltaic system
Merchaoui et al. Fuzzy logic adaptive particle swarm optimisation based MPPT controller for photovoltaic systems
CN112083753A (zh) 一种光伏并网逆变器的最大功率点跟踪控制方法
Nhita et al. Planting calendar forecasting system using evolving neural network
CN115453868A (zh) 基于番茄光响应差分特征的全生长期光强调控方法
Abdelghany et al. Solar cell parameter estimation using school-based optimization algorithm
CN115169742A (zh) 一种短期风力发电功率预测方法
CN111624883B (zh) 一种高维多步分数阶模型预测的光伏最大功率点跟踪方法
Abidi et al. Systematic literature review and benchmarking for photovoltaic MPPT techniques
CN113822482A (zh) 综合能源系统负荷预测模型建立方法及装置
Ferreira et al. Evolutionary multiobjective design of radial basis function networks for greenhouse environmental control
Alsafadı et al. Hourly global solar radiation estimation based on machine learning methods In Eskisehir
CN113095547A (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
Dkhichi et al. Neural network based integration of MPPT and diagnosis of degradation for photovoltaic module
Sreedhar et al. A review on optimization algorithms for MPPT in solar PV system under partially shaded conditions
Kamal et al. A novel Lyapunov stable higher order B-spline online adaptive control paradigm of photovoltaic systems
Mahdavian et al. Multi-objective optimization and decision making for greenhouse climate control system

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