CN114189970A - 一种基于在线学习的灯具后备智能控制方法 - Google Patents

Abstract

本发明公开了一种基于在线学习的灯具后备智能控制方法，具体步骤如下：步骤S1，以工作场所为统计单位，利用计算机系统采集该场所的时间参数，并作为输入指标，并记为不同季节不同照明时间段输入变量X；步骤S2，得到开关控制档位输出变量Y；步骤S3，将工作场所的开关控制档位输出变量Y和不同季节不同照明时间段输入变量X的对应关系形成样本（X，Y）；步骤S4，建立一个深度学习神经元网络，包括位于输入层、隐含层、输出层；步骤S5，得到神经元网络模型；步骤S6，将训练完成的神经元网络模型保存；步骤S7，调用训练的神经元网络模型对灯具的档位进行控制。本发明可用于环境采集传感器故障时智能灯具的后备控制。

Description

一种基于在线学习的灯具后备智能控制方法

技术领域

本发明属于灯具智能控制领域，具体地涉及一种基于在线学习的灯具后备智能控制方法。

背景技术

随着新型智能技术的快速发展，我国的照明控制系统也呈现出智能化发展的特点，有效的提升了照明效率，为我们的生活带了巨大的便利，目前常用的智能控制方式有计算机集中控制、定时控制、光感控制、场景预设功能控制和摄像机感应控制等。

现有很多室内场所采用摄像头感应控制，主要是通过人物识别、动作识别、手势控制、照度感应等形式实现对照明系统的智能控制。但是如果摄像头由于某种原因故障后，就无法继续对照明进行控制。同样，任何其他类型的监测控制在其传感器出现故障时，将无法采集到现场环境的状态，从而无法生成相应的控制策略。现有的智能照明控制都没有考虑其传感器故障情况时的控制问题，因此，有必要提供一种针对照明控制系统传感器故障的控制方法。

发明内容

本发明的目的是提供一种基于在线学习的灯具后备智能控制方法，以解决由于传感器故障而无法采集到现场环境状态进而无法继续进行灯具控制的问题。

为实现上述目的，所采用的技术方案如下：

一种基于在线学习的灯具后备智能控制方法，具体步骤如下：

步骤S1，利用计算机系统采集工作场所的多个时间参数，将时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X；

步骤S2，对应输入变量X的取值采集该工作场所灯具的输出指标，即为开关控制档位输出变量Y，；

步骤S3，将工作场所的开关控制档位输出变量Y和不同季节不同照明时间段输入变量X的对应关系形成样本（X，Y）；

步骤S4，建立一个深度学习神经元网络，包括位于输入层、隐含层、输出层，隐含层位于输入层和输出层之间；并将输入变量X作为神经元网络的输入信息，输出变量Y作为神经元网络的输出信息；

步骤S5，选取样本（X，Y）的数据将其分为三份，分别作为训练集、验证集、测试集，对神经元网络进行训练；当训练至神经元网络收敛，训练结束，得到样本数据模型；

步骤S6，将训练完成的样本数据模型保存为文件；

步骤S7，当灯具传感器故障时，调用训练的样本数据模型，对当前时间段的开关控制档位进行预测，并按样本数据模型输出的预测结果对灯具的档位进行控制。

进一步地，所述步骤S1中，所述时间参数包括季节x₁、星期x₂、天气情况x₃、时间段x₄、节假日x₅；将五个时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X=（x₁，x₂，x₃，x₄，x₅），季节x₁包括1-4共四个整数值，x₁=1为春季，x₁=2为夏季，x₁=3为秋季，x₁=4为冬季；星期x₂包括1-7共七个整数值，x₂=1为星期一，x₂=2为星期二，x₂=3为星期三，x₂=4为星期四，x₂=5为星期五，x₂=6为星期六，x₂=7为星期日；天气情况x₃包括0和1两个整数值，x₃=0为阴天，x₃=1为晴天；具体时间段x₄包括0-23共24个整数值，0：00-0:59为x₄=0，1：00-1:59为x₄=1，以此类推，用24个整数值代表一天中的时间段；是否节假日x₅以数字0和1为，x₅=1为节假日，x₅=0为工作日。

进一步地，所述步骤S2中，输出变量Y的取值范围为[0，10]，用来表示灯具的发光强度，0为灯具不发出光线，10表示灯具达到最大发光强度。

进一步地，所述步骤S4中，其中输入层节点数为5，输出层节点数为1，隐含层节点为多个。

进一步地，所采集的输入指标和输出指标的信息为不少于4个月的数据。

进一步地，所述步骤S5中，神经元网络使用Levenberg Marquardt算法作为训练算法，并使用均方误差和回归分析来判断训练结果。

进一步地，LevenbergMarquardt算法进行训练的步骤如下：

步骤S51，设置训练误差的允许值ε=ε₀，初始化网络权值和阈值向量；

步骤S52，计算输出信息及误差指标函数E(w)，其中：

上述公式中，Y_i为第i个样本的开关控制档位位置；Y_i'为神经元网络计算出的第i个样本的输出向量；P为样本数量；w为网络权值和阈值所组成的向量；e_i(w)为误差；

步骤S53，计算Jacobian矩阵J(w)，

其中n为神经元的个数；

步骤S54，计算权值变化量∆w，其中

；

其中，I为单位矩阵；μ为用户定义的学习率；J(w)为Jacobian矩阵；

步骤S55，经过k次迭代后，得到误差指标函数E(w^k)，判断E(w^k)与ε的大小，若E(w^k)<ε=ε₀，进行步骤S57；若E(w^k)≥ε₀，继续执行下一步S56；

步骤S56，更新网络权值和阈值，以w^k+1=w^k+∆w为新的权值和阈值向量，

计算误差指数函数E(w^k+1)，若E(w^k+1)<E(w^k)，则令k=k+1，μ=μ/β，进行步骤S54；

步骤S57，算法结束，得到一个由历史记录信息确定的样本数据模型，其各指标的关联关系及权重都由灯具的历史控制记录所确定。

与现有技术相比，本发明的有益效果在于：

（1）本发明提供了一种环境采集传感器故障时智能灯具的后备控制方法，以实现在智能灯具传感器故障的情况下，仍能实现灯具的正常合理控制；

（2）本发明利用网络学习方法，通过学习灯具历史控制信息与季节、时间段、天气之间的关联规律，将其用于环境采集传感器故障时智能灯具的后备控制。

附图说明

图1为本发明实施例的简单流程图；

图2为本发明实施例的神经元网络结构图；

图3为本发明实施例的拟合残差图；

图4为本发明实施例的梯度图；

图5为本发明实施例的定义训练精度图；

图6为本发明实施例的检验失败次数图；

图7为本发明实施例的误差直方图；

图8为样本数据模型的计算输出值与样本原实际输出值的线性化程度图。

具体实施方式

以下结合附图及具体实施例对本发明作进一步详细说明。

一种基于在线学习的灯具后备智能控制方法，如图1所示，具体步骤如下：

步骤S1，以某工作场所为统计单位，利用计算机系统采集该场所的从2021年3月29日至8月3日的时间参数共1920组，时间参数包括季节x₁、星期x₂、天气情况x₃、时间段x4、节假日x5，其中季节x₁包括1-4共四个整数值，x₁=1为春季，x₁=2为夏季，x₁=3为秋季，x₁=4为冬季；星期x₂包括1-7共七个整数值，x₂=1为星期一，x₂=2为星期二，x₂=3为星期三，x₂=4为星期四，x₂=5为星期五，x₂=6为星期六，x₂=7为星期日；天气情况x₃包括0和1两个整数值，x₃=0为阴天，x₃=1为晴天；具体时间段x₄包括0-23共24个整数值，0：00-0:59为x₄=0，1：00-1:59为x₄=1，以此类推，用24个整数值代表一天中的时间段；是否节假日x₅以数字0和1为，x₅=1为节假日，x₅=0为工作日，将五个时间参数形成输入指标，记为不同季节不同照明时间段输入变量X=（x₁，x₂，x₃，x₄，x₅）；

步骤S2，对应输入变量X的取值采集该工作场所灯具的输出指标，即为开关控制档位输出变量Y，共1920组，其中Y的取值范围为[0，10]，用来表示灯具的发光强度，0为灯具不发出光线，10表示灯具达到最大发光强度；

输入变量X和输出变量Y均为1920组，表1为该段时间内2021年3月29日的时间参数记录以及开关控制档位记录，其他时间的样本记录与该记录类似。

表1某工作时段的时间参数及开关控制档位记录

步骤S3，将工作场所的开关控制档位输出变量Y和不同季节不同照明时间段输入变量X的对应关系形成样本（X，Y），根据表1的纪录，可组成如下15组样本数据：

X=(1，1，0，8，0)，Y=(10)；

X=(1，1，0，9，0)，Y=(10)；

X=(1，1，0，10，0)，Y=(10)；

X=(1，1，0，11，0)，Y=(9)；

X=(1，1，0，12，0)，Y=(8)；

X=(1，1，0，13，0)，Y=(7)；

X=(1，1，1，14，0)，Y=(4)；

X=(1，1，1，15，0)，Y=(4)；

X=(1，1，1，16，0)，Y=(5)；

X=(1，1，1，17，0)，Y=(7)；

X=(1，1，0，18，0)，Y=(9)；

X=(1，1，0，19，0)，Y=(10)；

X=(1，1，0，20，0)，Y=(10)；

X=(1，1，1，21，0)，Y=(9)；

X=(1，1，1，22，0)，Y=(10)；

与之类似，将该场所4个月共128天的记录共组成1920组样本。

步骤S4，建立一个深度学习神经元网络模型，如图2所示，包括位于输入层、隐含层、输出层，隐含层位于输入层和输出层之间，其中输入层节点数为5，输出层节点数为1，隐含层设为10，将变量X作为神经元网络的输入信息，变量Y作为神经元网络的输出信息。

步骤S5，将1920组样本（X，Y）的数据分为三份，其中选取70%样本即1344组样本数据作为训练集，选取15%样本即288组样本数据作为验证集，选取15%样本即288组样本数据作为测试集，对神经元网络模型进行训练；神经元网络模型则使用Levenberg Marquardt算法作为训练算法，并使用均方误差和回归分析来判断训练结果，当训练至神经元网络模型收敛，训练结束，得到神经元网络模型。

其中，Levenberg Marquardt算法进行训练的步骤如下：

步骤S51，设置训练误差的允许值ε=ε₀，令ε₀=0.9；初始化网络权值和阈值向量，令k=0，μ=μ₀，其中，常数μ₀=0.05；

步骤S52，计算输出信息及误差指标函数E(w)，其中：

上述公式中，Y_i为第i个样本的开关控制档位实际位置；Y_i'为神经元网络计算出的第i个样本的输出向量；p为样本数量；w为网络权值和阈值所组成的向量；e_i(w)为误差；

步骤S53，计算Jacobian矩阵J(w)，

其中n为神经元的个数。

步骤S54，计算权值变化量∆w，其中

；

其中，I为单位矩阵；μ为用户定义的学习率，此处μ=0.05；J(w)为Jacobian矩阵；

步骤S55，经过k次迭代后，得到误差指标函数E(w^k)，判断E(w^k)与ε的大小，若E(w^k)<ε₀=0.9，进行步骤S57；若E(w^k)≥ε₀=0.9，继续执行下一步S56；

步骤S56，更新网络权值和阈值，以w^k+1=w^k+∆w为新的权值和阈值向量；计算误差指数函数E(w^k+1)，若E(w^k+1)<E(w^k)，则令k=k+1，μ=μ/β，其中，β取值为0<β<1，进行步骤S54；

步骤S57，算法结束，得到一个由历史记录信息确定的样本数据模型，其各指标的关联关系及权重都由灯具的历史控制记录所确定；

本实施例的训练结果如下：

训练的拟合残差图如图3所示，可以看出，经128次迭代后，均方误差趋于稳定。均方误差是神经元网络计算的输出和样本实际输出之间的平均平方差，值越低越好，零意味着没有误差。图3表示128次迭代后的均方误差为0.56863，训练集，测试集，验证集趋于稳定，达到最小均方误差，满足要求。

在本次训练中，而本网络模型的梯度、定义训练精度、检验失败如图4-6所示。

其中，梯度如图4所示，Gradient为梯度，梯度值越小，则拟合程度越高，若梯度为0，则为图像最低点，即最优位置，图4表明134次迭代后梯度值为0.0019401，梯度值最小，为图像最低点，为最优位置，表明拟合程度最高。

Mu为定义训练精度，如图5所示，只要迭代使误差增加，Mu也就会增加，直到误差不再增加为止，但是，如果Mu太大，则会使学习停止，所以当已经找到最小误差时，就会出现平稳的Mu值。

VaillidationChecks=6表明检测失败的最大次数为6次，系统判断validation对应的误差是否在连续6次检验后不下降，如果不下降或者甚至上升，说明训练集训练的误差已经不再减小，没有更好的效果了，这时再训练就没必要了，就停止训练，不然可能陷入过度学习。图6表示在134次迭代后连续6次检测不下降，训练误差已达最小值。

网络训练的样本数据模型的计算输出值与样本原实际输出值之间的误差图如图7所示，表明训练的神经元网络的输出值与样本原目标值的误差大多数集中于（0.8126，0.8151）之间，满足误差要求，拟合程度高。

网络训练的计算输出值与样本原实际输出值的线性化程度图如图8所示。图8表示测试集、训练集、验证集和总体的相关度分别为0.97799、0.96995、0.97682、0.9767，已经非常接近1，表明线性化程度很高，拟合程度很好。图中系数R表示原目标值和预测值的相关度，若R越接近1，则表示线性化程度越高，结果越好。

由上可知，训练完成的样本数据模型与目标值拟合程度好，可作为实际预测模型使用。

步骤S6，将训练完成的样本数据模型保存为netnew.m文件。

步骤S7，传感器故障时，调用训练的样本数据模型，对当前时间段的开关档位进行预测，并按样本数据模型输出的预测结果对灯具的档位进行控制。

具体如灯具的传感器出现故障，无法采集到环境的人流信息及环境亮度信息，原灯具将无法产生相应的控制策略，此时，调用该神经元网络模型，读取计算机上的时间信息及天气信息，组成当前的时间变量，如2020年9月13日11点，计算机联网获取的天气信息为晴天，则组成输入变量X=(2，2，1，11，0)将其作为神经元网络的输入，可得输出为Y=1，可将该灯具的控制档位调为一档，实现对该灯具的智能后备控制。

本发明可实现当传感器由于某种原因不工作时，利用前述学习的神经元网络模型，根据当前的时间信息，按照不同季节、不用时间段、不同天气对灯具的档位进行相应的控制，以满足公共办公场所的正常亮度需求。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认定用于限定本发明的实施范围。凡依本发明申请范围所做的均等变化与改进等，均应归属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于在线学习的灯具后备智能控制方法，其特征在于，具体步骤如下：

步骤S1，利用计算机系统采集工作场所的多个时间参数，将时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X；

步骤S2，对应输入变量X的取值采集该工作场所灯具的输出指标，即为开关控制档位输出变量Y；

步骤S3，将工作场所的开关控制档位输出变量Y和不同季节不同照明时间段输入变量X的对应关系形成样本（X，Y）；

步骤S4，建立一个深度学习神经元网络，包括位于输入层、隐含层、输出层，隐含层位于输入层和输出层之间；并将输入变量X作为神经元网络的输入信息，输出变量Y作为神经元网络的输出信息；

步骤S5，选取样本（X，Y）的数据将其分为三份，分别作为训练集、验证集、测试集，对神经元网络进行训练；当训练至神经元网络收敛，训练结束，得到样本数据模型；

步骤S6，将训练完成的样本数据模型保存为文件；

步骤S7，当灯具传感器故障时，调用训练的样本数据模型，对当前时间段的开关控制档位进行预测，并按样本数据模型输出的预测结果对灯具的档位进行控制。

2.如权利要求1所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，所述步骤S1中，所述时间参数包括季节x₁、星期x₂、天气情况x₃、时间段x₄、节假日x₅；将五个时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X=（x₁，x₂，x₃，x₄，x₅），季节x₁包括1-4共四个整数值，x₁=1为春季，x₁=2为夏季，x₁=3为秋季，x₁=4为冬季；星期x₂包括1-7共七个整数值，x₂=1为星期一，x₂=2为星期二，x₂=3为星期三，x₂=4为星期四，x₂=5为星期五，x₂=6为星期六，x₂=7为星期日；天气情况x₃包括0和1两个整数值，x₃=0为阴天，x₃=1为晴天；具体时间段x₄包括0-23共24个整数值，0：00-0:59为x₄=0，1：00-1:59为x₄=1，以此类推，用24个整数值代表一天中的时间段；是否节假日x₅以数字0和1为，x₅=1为节假日，x₅=0为工作日。

3.如权利要求1所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，所述步骤S2中，输出变量Y的取值范围为[0，10]，用来表示灯具的发光强度，0为灯具不发出光线，10表示灯具达到最大发光强度。

4.如权利要求1所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，所述步骤S4中，其中输入层节点数为5，输出层节点数为1，隐含层节点为多个。

5.如权利要求1所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，所采集的输入指标和输出指标的信息为不少于4个月的数据。

6.如权利要求1所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，所述步骤S5中，神经元网络使用Levenberg Marquardt算法作为训练算法，并使用均方误差和回归分析来判断训练结果。

7.如权利要求6所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，LevenbergMarquardt算法进行训练的步骤如下：

步骤S51，设置训练误差的允许值ε=ε₀，初始化网络权值和阈值向量；

步骤S52，计算输出信息及误差指标函数E(w)，其中：

；

上述公式中，Y_i为第i个样本的开关控制档位位置；Y_i'为神经元网络计算出的第i个样本的输出向量；p为样本数量；w为网络权值和阈值所组成的向量；e_i(w)为误差；

步骤S53，计算Jacobian矩阵J(w)，

其中n为神经元的个数；

步骤S54，计算权值变化量∆w，其中

；

其中，I为单位矩阵；μ为用户定义的学习率；J(w)为Jacobian矩阵；

步骤S55，经过k次迭代后，得到误差指标函数E(w^k)，判断E(w^k)与ε的大小，若E(w^k)<ε₀，进行步骤S57；若E(w^k)≥ε₀，继续执行下一步S56；

步骤S56，更新网络权值和阈值，以w^k+1=w^k+∆w为新的权值和阈值向量，

计算误差指数函数E(w^k+1)，若E(w^k+1)<E(w^k)，则令k=k+1,μ=μ/β，进行步骤S54；

步骤S57，算法结束，得到一个由历史记录信息确定的样本数据模型，其各指标的关联关系及权重都由灯具的历史控制记录所确定。

Images