CN116209113B - 一种应用于多通道led调光的非线性补偿方法及系统 - Google Patents
一种应用于多通道led调光的非线性补偿方法及系统 Download PDFInfo
- Publication number
- CN116209113B CN116209113B CN202310493393.3A CN202310493393A CN116209113B CN 116209113 B CN116209113 B CN 116209113B CN 202310493393 A CN202310493393 A CN 202310493393A CN 116209113 B CN116209113 B CN 116209113B
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- expressed
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000009877 rendering Methods 0.000 claims abstract description 51
- 230000004907 flux Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 94
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 239000002699 waste material Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 19
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/10—Controlling the intensity of the light
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/20—Controlling the colour of the 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供了一种应用于多通道LED调光的非线性补偿方法及系统，通过大量数据训练确定相关照明参数与多通道LED最佳电流值之间的映射关系，建立目标神经网络模型，其中，相关照明参数包括色温、光通量、显色指数以及多通道电流值，具体的，以数据驱动方式缓解经验公式的局限性，并补偿多通道LED引入所增加的非线性因素对调光效果的影响，从而有效提高了多通道LED调光的精度和灵活性。
Description
技术领域
本发明属于多通道LED调光的非线性补偿的技术领域，具体涉及一种应用于多通道LED调光的非线性补偿方法及系统。
背景技术
随着移动通信、物联网、人工智能等技术的迅猛发展，智慧医疗、智慧工厂、智慧城市等智能应用蓬勃发展。在此背景下，室内外照明系统的高效管理和低碳节能是智慧城市的建设及应用中的关键一环。因此，如何利用分布广、数量大的城市照明系统与物联网技术的结合建设城市智慧照明成为智慧城市建设的重要内容。
动态照明作为智慧照明重要的一环，通过动态控制包含光度量和色度量在内的光色量，提高输出光的控制精度和灵活度。同时，动态照明通过合理配置光源、驱动电流等照明资源，提高能量利用效率，可广泛应用于城市路灯照明、室内公共场所照明、医疗照明等照明场景。充分发挥智慧照明在调光和节能方面的优势可以有效解决城市照明存在的不足，提高城市照明管理效率，同时还能促进城市照明节能减排。
现有照明系统大部分采用单通道LED调光机制，而且使用线性控制方式对LED进行调光控制。在此过程中，由于LED器件的电光转换关系为非线性，其LED的输入电流与输出光照指标往往也呈现非线性特性，照明参数如色温和显色指数与电流呈非线性变化，这导致线性调光方法的调光效果不佳，无法满足智能化照明需求高的场景。同时，传统调光方法受经验公式的局限，难以准确描述目标照明参数与多通道LED混光驱动电流值的关系，这将难以保证精准调光，并且不恰当的驱动电流值不仅造成不必要的能量浪费，而且容易减少灯具的使用寿命，进一步造成资源浪费。对此，容易想到采用两个及以上的多通道LED混光的调光方法，通过调节多通道LED电流值获得所需的照明参数，相较于单通道LED调光可以提高调光精度和灵活性，进而提高整体的照明效果。然而，LED器件的非线性特性和经验公式的局限性依旧存在，并且会因为多通道的引入进一步增加调光控制难度。
发明内容
基于此，本发明实施例当中提供了一种应用于多通道LED调光的非线性补偿方法及系统，旨在解决现有技术中，采用多通道LED混光的调光方法的精度和灵活性较差的问题。
本发明实施例的第一方面提供了一种应用于多通道LED调光的非线性补偿方法，所述方法包括：
搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及电流值；
将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型；
将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标电流值；
根据所述目标电流值，驱动对应的LED光源，以达到目标照明效果。
进一步的，所述将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述电流值进行归一化处理，得到归一化处理后的数据的步骤中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换，以获得服从均值为0、标准差为1的正态分布的数据，其中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换的公式为：
其中，表示为归一化处理后的数据，/>表示为样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的均值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的标准差，K表示为K类数据。
进一步的，所述神经网络模型包括输入层、模糊化层、模糊逻辑层、归一化层以及输出层，其中，所述输入层包括3个神经元，所述模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：
表示为隶属函数，/>表示为隶属函数的中心值，/>表示为隶属函数的宽度值；
所述模糊逻辑层包括m个神经元，每个神经元表征一个模糊控制规则，其输出表示每条规则的实用度，即：
表示为所述模糊逻辑层的输出；
所述归一化层用于对所述模糊逻辑层中的每条规则的实用度进行归一化计算，其节点函数为：
表示为所述归一化层的输出；
所述输出层包括p个神经元，输出向量为：
表示为第p个LED光源的电流值，其节点函数为：
表示为第j个归一化层神经元到输出层神经元yi的连接权值。
进一步的，所述将归一化处理后的数据输入所述神经网络模型进行训练的步骤包括：
将归一化处理后的数据依次经过所述输入层、所述模糊化层、所述模糊逻辑层、所述归一化层以及所述输出层中处理，得到神经网络输出值；
判断所述神经网络输出值是否与预设输出值相等；
若否，则根据误差代价函数，获取输出误差，并将所述误差代价函数进行展开，得到展开后的误差代价函数；
根据误差反传法，对展开后的误差代价函数中的目标参量进行调整，并根据调整结果，修正各层参数，直至所述输出误差将至预设范围内。
进一步的，所述误差代价函数表示为：
其中，E表示为误差代价函数，表示为第i个通道对应的实测电流值。
进一步的，所述展开后的误差代价函数表示为：
表示为展开后的误差代价函数，/>表示为第i个通道对应的实测电流值。
进一步的，所述根据误差反传法，对展开后的误差代价函数中的目标参量进行调整的步骤中，对展开后的误差代价函数中的目标参量进行调整的公式表示为：
其中，表示为连接权的学习效率，/>表示为中心值的学习效率，/>表示为宽度值的学习效率，且/>、/>以及/>均大于0，k表示为迭代次数。
本发明实施例的第二方面提供了一种应用于多通道LED调光的非线性补偿系统，所述系统包括：
样本数据集获取模块，用于搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及多通道电流值；
目标神经网络模型建立模块，用于将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型；
目标电流值输出模块，用于将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标多通道电流值；
驱动模块，用于根据所述目标多通道电流值，驱动对应的LED光源，以达到目标照明效果。
本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的应用于多通道LED调光的非线性补偿方法。
本发明实施例的第四方面提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的应用于多通道LED调光的非线性补偿方法。
本发明的有益效果为：通过大量数据训练确定相关照明参数与多通道LED最佳电流值之间的映射关系，建立目标神经网络模型，其中，相关照明参数包括色温、光通量、显色指数以及多通道电流值，具体的，以数据驱动方式缓解经验公式的局限性，并补偿多通道LED引入所增加的非线性因素对调光效果的影响，从而有效提高了多通道LED调光的精度和灵活性。
附图说明
图1为本发明实施例一提供的一种应用于多通道LED调光的非线性补偿方法的实现流程图；
图2为为神经网络模型的结构框图；
图3为本发明实施例二提供的一种应用于多通道LED调光的非线性补偿系统的结构示意图；
图4为本发明实施例三当中的电子设备的结构框图。
以下具体实施方式将结合上述附图进一步说明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，图1示出了本发明实施例一提供的一种应用于多通道LED调光的非线性补偿方法的实现流程图，所述方法具体包括步骤S01至步骤S04。
步骤S01，搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及多通道电流值。
具体的，首先搭建多通道LED调光实物模型，其中，多通道LED调光实物模型可以通过利用多个电流驱动模块将不同颜色的LED集成于同一个灯具内，得到一个多通道电流控制的LED调光模块，即为多通道LED调光实物模型，在本实施例当中，电流驱动模块可以为恒流源、电流放大器、驱动芯片等，具体型号可以为APS3005DM、KPS3010D、UTP3313TFL-II等。当多通道LED调光实物模型搭建完成后，需要给多通道LED调光实物模型赋予对应的参数，例如，以金黄光LED与白光LED双通道混光为例，可以搭建好边长为60cm的双通道LED照明系统实测模型空间，双通道LED调光的非线性补偿模型的相关参数调节范围可以为：
金黄光LED电流值调节范围为[0，600mA]，步长为6mA；
白光LED电流值调节范围为[0，1200mA]，步长为12mA；
通过调节金黄光LED与白光LED电流值所获得的双通道LED混光后的参数范围可以为：
色温 [1896k，8675k]，光通量 [80lm，24780lm]，显色指数 [50，96]。为了使得到的光色量值满足人们对光源参数的普遍需求，同时避免数据量过于庞大导致数据处理的复杂程度过大的问题，设定金黄光LED电流步长为6mA，白光LED电流变化步长为12mA。
步骤S02，将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型。
需要说明的是，首先将样本数据集中的各色温、光通量、显色指数以及电流值进行归一化处理，其中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换，以获得服从均值为0、标准差为1的正态分布的数据，其中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换的公式为：
其中，表示为归一化处理后的数据，/>表示为样本数据集中的各色温、光通量、显色指数以及多通道电流值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的均值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的标准差，K表示为K类数据，需要说明的是，以双通道LED调光为例，样本数据集中包括K类不同的色温、光通量、显色指数、第一通道电流值以及第二通道电流值数据，每类中的色温、光通量、显色指数、第一通道电流值以及第二通道电流值存在对应关系。
后将归一化处理后的数据输入神经网络模型进行训练，具体的，该神经网络模型包括输入层、模糊化层、模糊逻辑层、归一化层以及输出层，请参阅图2，为神经网络模型的结构框图，其中，输入层包括3个神经元，输入向量X采用Z-score标准化进行归一化后得到：
其中，x1，x2以及x3分别表示样本数据集中的色温、显色指数和光通量进行归一化后的值，另外，输入层的节点输出等于输入，即：
输入层的节点数N1=3；
模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：
表示为隶属函数，/>表示为隶属函数的中心值，/>表示为隶属函数的宽度值，模糊化层的节点输出为：
模糊化层的节点数N2=n，其中，模糊化层中有n个分组的隶属函数不重复的从每个分组中取一个隶属函数组合在一起，形成模糊逻辑层的节点；
模糊逻辑层包括m个神经元，每个神经元表征一个模糊控制规则，其输出表示每条规则的实用度，即：
表示为模糊逻辑层的输出，模糊逻辑层的节点数/>；
归一化层用于对模糊逻辑层中的每条规则的实用度进行归一化计算，归一化层的节点函数为：
表示为归一化层的输出，归一化层的节点数与模糊逻辑层的相同，即：；
输出层包括p个神经元，输出向量为：
表示多通道LED的电流值，/>表示为第p个LED光源的电流值，输出层的节点函数为：
表示为第j个归一化层神经元到输出层神经元yi的连接权值，输出层的节点数N5=p。
在本实施例当中，将归一化处理后的数据输入神经网络模型进行训练的步骤具体为，将归一化处理后的数据依次经过输入层、模糊化层、模糊逻辑层、归一化层以及输出层中处理，得到神经网络输出值，再判断神经网络输出值是否与预设输出值相等，当判断神经网络输出值与预设输出值不相等时，则根据误差代价函数，获取输出误差，并将误差代价函数进行展开，得到展开后的误差代价函数，具体的，误差代价函数表示为：
其中，E表示为误差代价函数，表示为第i个通道对应的实测电流值，yi表示为输出层神经元，也即神经网络预测电流值；
将误差代价函数展开至模糊逻辑层，展开后的误差代价函数表示为：
表示为展开后的误差代价函数，/>表示为第i个通道对应的实测电流值。
最后根据误差反传法，对展开后的误差代价函数中的目标参量进行调整，并根据调整结果，修正各层参数，直至输出误差将至预设范围内，需要说明的是，根据展开后的误差代价函数可知，与隶属函数中心值和宽度值有关，故神经网络模型的输出误差是关于/>、/>以及/>的函数，可以理解的，通过调整上述三个参数即可控制误差代价函数，而调整的原则是通过参数调制使误差代价函数不断减小。因此，应使三个参量的调整量与误差的梯度下降成正比，根据误差反传法，对展开后的误差代价函数中的目标参量进行调整，具体的，对展开后的误差代价函数中的目标参量进行调整的公式表示为：
其中，表示为连接权的学习效率，/>表示为中心值的学习效率，/>表示为宽度值的学习效率，且/>、/>以及/>均大于0，k表示为迭代次数。
根据上述参数更新规则，当神经网络模型实际输出与理想输出一致时，表明训练结束，否则通过误差反向传播，修正各层参数，直至误差降到要求范围内，也即神经网络输出值与预设输出值相等时，神经网络模型训练完成。
步骤S03，将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标多通道电流值。
步骤S04，根据所述多通道目标电流值，驱动对应的LED光源，以达到目标照明效果。
具体的，可根据用户所需的照明条件输入色温、光通量和显色指数三个调光参数，模型输出相对应的最佳金黄光LED和白光LED的电流值。假设用户当前所需照明条件对应的调光参数分别为：色温4600k，光通量为560lm，显色指数94，网络模型即可输出相对应的金黄光LED和白光LED电流值，最后将所获得的双通道LED电流值传入照明系统进行驱动，即可得到目标动态照明效果，另外，还避免了因电流配比不合适导致的不必要资源浪费和LED过度损耗。
需要说明的是，针对本发明实施例提出的一种应用于多通道LED非线性补偿的调光模型，即目标神经网络模型，以解决多通道LED间非线性关系复杂化问题，从而充分发挥多通道LED优势实现宽范围、精细度调光。相较于传统调光算法，本发明实施例所提供的目标神经网络模型具有自适应学习能力，可以通过对训练数据的学习来不断优化预测能力，在面对新的数据时也能够做出准确的预测。而且，采用误差反传法对模型进行优化训练，以快速找到最小化损失函数的参数值，加快了网络的学习速度和提高准确性，并避免了过拟合现象的发生，进一步提高了网络的泛化能力。同时，相较于传统的深度神经网络，本发明实施例所提供的目标神经网络模型需要的训练样本较少，可以以更低的样本数据得到可解释性和模糊处理能力强的网络。得益于样本需求小的优势，该目标神经网络模型可以快速学习迭代新的网络参数以适配环境变化和用户新需求。
综上，本发明上述实施例当中的应用于多通道LED调光的非线性补偿方法，通过大量数据训练确定相关照明参数与多通道LED最佳电流值之间的映射关系，建立目标神经网络模型，其中，相关照明参数包括色温、光通量、显色指数以及多通道电流值，具体的，以数据驱动方式缓解经验公式的局限性，并补偿多通道LED引入所增加的非线性因素对调光效果的影响，从而有效提高了多通道LED调光的精度和灵活性。
实施例二
请参阅图3，为本发明实施例二提供了一种应用于多通道LED调光的非线性补偿系统的结构示意图，所述应用于多通道LED调光的非线性补偿系统200具体包括：
样本数据集获取模块21，用于搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及多通道电流值；
目标神经网络模型建立模块22，用于将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型，其中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换，以获得服从均值为0、标准差为1的正态分布的数据，其中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换的公式为：
其中，表示为归一化处理后的数据，/>表示为样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的均值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的标准差，K表示为K类数据，另外，所述神经网络模型包括输入层、模糊化层、模糊逻辑层、归一化层以及输出层，其中，所述输入层包括3个神经元，所述模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：
表示为隶属函数，/>表示为隶属函数的中心值，/>表示为隶属函数的宽度值；
所述模糊逻辑层包括m个神经元，每个神经元表征一个模糊控制规则，其输出表示每条规则的实用度，即：
表示为所述模糊逻辑层的输出；
所述归一化层用于对所述模糊逻辑层中的每条规则的实用度进行归一化计算，其节点函数为：
表示为所述归一化层的输出；
所述输出层包括p个神经元，输出向量为：
表示为第p个LED光源的电流值，其节点函数为：
表示为第j个归一化层神经元到输出层神经元yi的连接权值；
目标电流值输出模块23，用于将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标多通道电流值；
驱动模块24，用于根据所述多通道目标电流值，驱动对应的LED光源，以达到目标照明效果。
进一步的，所述目标神经网络模型建立模块22包括：
神经网络输出值输出单元，用于将归一化处理后的数据依次经过所述输入层、所述模糊化层、所述模糊逻辑层、所述归一化层以及所述输出层中处理，得到神经网络输出值；
判断单元，用于判断所述神经网络输出值是否与预设输出值相等；
展开单元，用于当判断所述神经网络输出值与预设输出值不相等时，则根据误差代价函数，获取输出误差，并将所述误差代价函数进行展开，得到展开后的误差代价函数，其中，所述误差代价函数表示为：
其中，E表示为误差代价函数，表示为第i个通道对应的实测电流值，另外，所述展开后的误差代价函数表示为：
表示为展开后的误差代价函数，/>表示为第i个通道对应的实测电流值；
修正单元，用于根据误差反传法，对展开后的误差代价函数中的目标参量进行调整，并根据调整结果，修正各层参数，直至所述输出误差将至预设范围内，其中，对展开后的误差代价函数中的目标参量进行调整的公式表示为：
其中，表示为连接权的学习效率，/>表示为中心值的学习效率，/>表示为宽度值的学习效率，且/>、/>以及/>均大于0，k表示为迭代次数。
实施例三
本发明另一方面还提出一种电子设备，请参阅图4，所示为本发明实施例三当中的电子设备的结构框图，包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的应用于多通道LED调光的非线性补偿方法。
其中，处理器10在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行访问限制程序等。
其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置，例如电子设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。进一步地，存储器20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储电子设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是，图4示出的结构并不构成对电子设备的限定，在其它实施例当中，该电子设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的应用于多通道LED调光的非线性补偿方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (7)
1.一种应用于多通道LED调光的非线性补偿方法，其特征在于，所述方法包括：
搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及多通道电流值，多通道LED调光实物模型可以通过利用多个电流驱动模块将不同颜色的LED集成于同一个灯具内，得到一个多通道电流控制的LED调光模块，即为多通道LED调光实物模型，为了使得到的光色量值满足人们对光源参数的普遍需求，同时避免数据量过于庞大导致数据处理的复杂程度过大的问题，将各通道LED的电流变化设置对应的步长值；
将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型，所述目标神经网络模型需要的训练样本较少，可以以更低的样本数据得到可解释性和模糊处理能力强的网络；
将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标多通道电流值；
根据所述目标多通道电流值，驱动对应的LED光源，以达到目标照明效果，另外，还避免了因电流配比不合适导致的不必要资源浪费和LED过度损耗；
所述神经网络模型包括输入层、模糊化层、模糊逻辑层、归一化层以及输出层，其中，所述输入层包括3个神经元，所述模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：
表示为隶属函数，/>表示为隶属函数的中心值，/>表示为隶属函数的宽度值，n表示为模糊化层的节点数；
所述模糊逻辑层包括m个神经元，每个神经元表征一个模糊控制规则，其输出表示每条规则的实用度，即：
表示为所述模糊逻辑层的输出；
所述归一化层用于对所述模糊逻辑层中的每条规则的实用度进行归一化计算，其节点函数为：
表示为所述归一化层的输出；
所述输出层包括p个神经元，输出向量为：
表示为第p个LED光源的电流值，其节点函数为：
表示为第j个归一化层神经元到输出层神经元yi的连接权值；
所述将归一化处理后的数据输入所述神经网络模型进行训练的步骤包括：
将归一化处理后的数据依次经过所述输入层、所述模糊化层、所述模糊逻辑层、所述归一化层以及所述输出层中处理，得到神经网络输出值；
判断所述神经网络输出值是否与预设输出值相等；
若否，则根据误差代价函数，获取输出误差，并将所述误差代价函数进行展开，得到展开后的误差代价函数；
根据误差反传法，对展开后的误差代价函数中的目标参量进行调整，并根据调整结果，修正各层参数，直至所述输出误差将至预设范围内；
所述根据误差反传法，对展开后的误差代价函数中的目标参量进行调整的步骤中，对展开后的误差代价函数中的目标参量进行调整的公式表示为：
其中，表示为连接权的学习效率，/>表示为中心值的学习效率，/>表示为宽度值的学习效率，且/>、/>以及/>均大于0，k表示为迭代次数。
2.根据权利要求1所述的应用于多通道LED调光的非线性补偿方法，其特征在于，所述将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述电流值进行归一化处理，得到归一化处理后的数据的步骤中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换，以获得服从均值为0、标准差为1的正态分布的数据，其中，采用Z-score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换的公式为：
其中，表示为归一化处理后的数据，/>表示为样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的均值，/>表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的标准差，K表示为K类数据。
3.根据权利要求2所述的应用于多通道LED调光的非线性补偿方法，其特征在于，所述误差代价函数表示为：
其中，E表示为误差代价函数，表示为第i个通道对应的实测电流值。
4.根据权利要求3所述的应用于多通道LED调光的非线性补偿方法，其特征在于，所述展开后的误差代价函数表示为：
表示为展开后的误差代价函数，/>表示为第i个通道对应的实测电流值。
5.一种应用于多通道LED调光的非线性补偿系统，其特征在于，所述系统包括：
样本数据集获取模块，用于搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及多通道电流值，多通道LED调光实物模型可以通过利用多个电流驱动模块将不同颜色的LED集成于同一个灯具内，得到一个多通道电流控制的LED调光模块，即为多通道LED调光实物模型，为了使得到的光色量值满足人们对光源参数的普遍需求，同时避免数据量过于庞大导致数据处理的复杂程度过大的问题，将各通道LED的电流变化设置对应的步长值；
目标神经网络模型建立模块，用于将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型，所述目标神经网络模型需要的训练样本较少，可以以更低的样本数据得到可解释性和模糊处理能力强的网络，所述神经网络模型包括输入层、模糊化层、模糊逻辑层、归一化层以及输出层，其中，所述输入层包括3个神经元，所述模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：
表示为隶属函数，/>表示为隶属函数的中心值，/>表示为隶属函数的宽度值，n表示为模糊化层的节点数；
所述模糊逻辑层包括m个神经元，每个神经元表征一个模糊控制规则，其输出表示每条规则的实用度，即：
表示为所述模糊逻辑层的输出；
所述归一化层用于对所述模糊逻辑层中的每条规则的实用度进行归一化计算，其节点函数为：
表示为所述归一化层的输出；
所述输出层包括p个神经元，输出向量为：
表示为第p个LED光源的电流值，其节点函数为：
表示为第j个归一化层神经元到输出层神经元yi的连接权值；
目标电流值输出模块，用于将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标多通道电流值；
驱动模块，用于根据所述目标多通道电流值，驱动对应的LED光源，以达到目标照明效果，另外，还避免了因电流配比不合适导致的不必要资源浪费和LED过度损耗；
所述目标神经网络模型建立模块包括：
神经网络输出值输出单元，用于将归一化处理后的数据依次经过所述输入层、所述模糊化层、所述模糊逻辑层、所述归一化层以及所述输出层中处理，得到神经网络输出值；
判断单元，用于判断所述神经网络输出值是否与预设输出值相等；
展开单元，用于当判断所述神经网络输出值与预设输出值不相等时，则根据误差代价函数，获取输出误差，并将所述误差代价函数进行展开，得到展开后的误差代价函数；
修正单元，用于根据误差反传法，对展开后的误差代价函数中的目标参量进行调整，并根据调整结果，修正各层参数，直至所述输出误差将至预设范围内，其中，对展开后的误差代价函数中的目标参量进行调整的公式表示为：
其中，表示为连接权的学习效率，/>表示为中心值的学习效率，/>表示为宽度值的学习效率，且/>、/>以及/>均大于0，k表示为迭代次数。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－4任一项所述的应用于多通道LED调光的非线性补偿方法。
7.一种电子设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1－4任一项所述的应用于多通道LED调光的非线性补偿方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493393.3A CN116209113B (zh) | 2023-05-05 | 2023-05-05 | 一种应用于多通道led调光的非线性补偿方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493393.3A CN116209113B (zh) | 2023-05-05 | 2023-05-05 | 一种应用于多通道led调光的非线性补偿方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116209113A CN116209113A (zh) | 2023-06-02 |
| CN116209113B true CN116209113B (zh) | 2023-09-05 |
Family
ID=86511514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310493393.3A Active CN116209113B (zh) | 2023-05-05 | 2023-05-05 | 一种应用于多通道led调光的非线性补偿方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116209113B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2496661A1 (en) * | 2004-02-19 | 2005-08-19 | Oz Optics Ltd. | Light source control system |
| CN103108469A (zh) * | 2013-01-31 | 2013-05-15 | 北京半导体照明科技促进中心 | 控制照明装置输出光的方法及装置、照明系统 |
| WO2017215508A1 (zh) * | 2016-06-15 | 2017-12-21 | 京东方科技集团股份有限公司 | 色温调节方法及装置、光源、显示设备 |
| CN110113836A (zh) * | 2018-12-29 | 2019-08-09 | 中国计量大学 | 场景式教室智能照明系统、控制装置及优化和控制方法 |
| CN110163371A (zh) * | 2019-05-26 | 2019-08-23 | 中国计量大学上虞高等研究院有限公司 | 入睡环境调光优化方法及灯具调控方法 |
| CN111245512A (zh) * | 2020-01-15 | 2020-06-05 | 东南大学 | 基于神经网络的可见光通信系统非线性信道建模方法 |
| CN111542153A (zh) * | 2020-05-26 | 2020-08-14 | 深圳爱克莱特科技股份有限公司 | Led灯具、led灯具的调光模块及调光方法 |
| CN112487722A (zh) * | 2020-12-03 | 2021-03-12 | 杭州电子科技大学 | 一种led系统智能调光的动态模糊神经网络建模方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11212890B2 (en) * | 2019-01-25 | 2021-12-28 | Biological Innovation And Optimization Systems, Llc | Dual-mode spectral dimming lighting system |
-
2023
- 2023-05-05 CN CN202310493393.3A patent/CN116209113B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2496661A1 (en) * | 2004-02-19 | 2005-08-19 | Oz Optics Ltd. | Light source control system |
| CN103108469A (zh) * | 2013-01-31 | 2013-05-15 | 北京半导体照明科技促进中心 | 控制照明装置输出光的方法及装置、照明系统 |
| WO2017215508A1 (zh) * | 2016-06-15 | 2017-12-21 | 京东方科技集团股份有限公司 | 色温调节方法及装置、光源、显示设备 |
| CN110113836A (zh) * | 2018-12-29 | 2019-08-09 | 中国计量大学 | 场景式教室智能照明系统、控制装置及优化和控制方法 |
| CN112533318A (zh) * | 2018-12-29 | 2021-03-19 | 中国计量大学 | 一种用于场景式教室智能照明控制装置的调光映射模块 |
| CN110163371A (zh) * | 2019-05-26 | 2019-08-23 | 中国计量大学上虞高等研究院有限公司 | 入睡环境调光优化方法及灯具调控方法 |
| CN113326937A (zh) * | 2019-05-26 | 2021-08-31 | 中国计量大学上虞高等研究院有限公司 | 入睡环境灯具调控方法 |
| CN111245512A (zh) * | 2020-01-15 | 2020-06-05 | 东南大学 | 基于神经网络的可见光通信系统非线性信道建模方法 |
| CN111542153A (zh) * | 2020-05-26 | 2020-08-14 | 深圳爱克莱特科技股份有限公司 | Led灯具、led灯具的调光模块及调光方法 |
| CN112487722A (zh) * | 2020-12-03 | 2021-03-12 | 杭州电子科技大学 | 一种led系统智能调光的动态模糊神经网络建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模糊神经网络的隧道照明控制系统;崔丰曦;王茂文;黎福海;;微计算机信息(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116209113A (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116209113B (zh) | 一种应用于多通道led调光的非线性补偿方法及系统 | |
| CN108664999A (zh) | 一种分类模型的训练方法及其装置、计算机服务器 | |
| CN107016415B (zh) | 一种基于全卷积网络的彩色图像色彩语义分类方法 | |
| CN111507993A (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
| CN110796166A (zh) | 一种基于注意力机制的多任务图像处理方法 | |
| WO2022078334A1 (zh) | 利用神经元模型及网络处理信号的处理方法、介质、设备 | |
| Zhang et al. | Dynamic bee colony algorithm based on multi-species co-evolution | |
| CN115657620A (zh) | 基于室内可见光通信的多目标协调优化控制方法及系统 | |
| CN117034100A (zh) | 基于分层池化架构自适应图分类方法、系统、设备和介质 | |
| CN113869396A (zh) | 基于高效注意力机制的pc屏幕语义分割方法 | |
| WO2023029944A1 (zh) | 联邦学习的方法和装置 | |
| CN110809346A (zh) | 灯光调节方法、灯光调节装置及终端设备 | |
| Xue et al. | Tree-like branching network for multi-class classification | |
| US20210097391A1 (en) | Network model compiler and related product | |
| CN110046709A (zh) | 一种基于双向lstm的多任务学习模型 | |
| CN104517115A (zh) | 分类处理方法和装置 | |
| Chen et al. | DWFed: A statistical-heterogeneity-based dynamic weighted model aggregation algorithm for federated learning | |
| CN117336912B (zh) | 一种基于深度神经网络的led光源调光方法及相关装置 | |
| Lee et al. | Alternating current input LED lighting control system using Fuzzy theory | |
| Zhang et al. | Genetic programming for ensemble learning in face recognition | |
| Wenhao | EVALUATION MODEL OF LIGHTING ENVIRONMENT FOR SUBWAY STATION SPACE BASED ON BACK-PROPAGATION NEURAL NETWORK. | |
| CN113705776B (zh) | 一种基于asic实现激活函数的方法、系统、设备和存储介质 | |
| Zheng et al. | Design of Intelligent Lighting Controller Based on Fuzzy Control | |
| Ren et al. | Spectrally tunable light source based on deep neural network model | |
| Ferdous et al. | Design Optimization of an Efficient Bicolor LED Driving 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |