CN116321620A - 智能照明开关控制系统及其方法 - Google Patents
智能照明开关控制系统及其方法 Download PDFInfo
- Publication number
- CN116321620A CN116321620A CN202310525197.XA CN202310525197A CN116321620A CN 116321620 A CN116321620 A CN 116321620A CN 202310525197 A CN202310525197 A CN 202310525197A CN 116321620 A CN116321620 A CN 116321620A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- luminance value
- indoor
- outdoor
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 293
- 238000012546 transfer Methods 0.000 claims abstract description 48
- 230000014509 gene expression Effects 0.000 claims abstract description 38
- 238000005286 illumination Methods 0.000 claims abstract description 28
- 230000002787 reinforcement Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 46
- 230000008859 change Effects 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005728 strengthening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
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
- 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
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本申请公开了一种智能照明开关控制系统及其方法。其首先将多个预定时间点的室外亮度值和室内亮度值分别排列为室外亮度值时序输入向量和室内亮度值时序输入向量后通过亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量,接着,对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵,然后,计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵,最后,将所述解码特征矩阵通过解码器进行解码回归以得到用于表示当前时间点的推荐的照明功率值的解码值。这样,可以避免不必要的能耗损失。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种智能照明开关控制系统及其方法。
背景技术
照明控制是采用自动控制技术及智能管理技术对建筑及环境照明的光源或灯具设备的开启、关闭、调节、组合、场景模式等实施控制与管理,以达到对建筑节能、环境艺术和传感联动等目的。目前在许多公共场所,例如:学校、医院、写字楼、商场、宾馆、酒吧等,场所内、走廊内均安装有照明系统。但是,现有技术中,现有的照明系统多数还是采用人工来进行照明控制,难以实现自动开关,从而因不必要的照明浪费了大量的电能。
因此,期望一种优化的智能照明开关控制系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种智能照明开关控制系统及其方法。其首先将多个预定时间点的室外亮度值和室内亮度值分别排列为室外亮度值时序输入向量和室内亮度值时序输入向量后通过亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量,接着,对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵,然后,计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵,最后,将所述解码特征矩阵通过解码器进行解码回归以得到用于表示当前时间点的推荐的照明功率值的解码值。这样,可以避免不必要的能耗损失。
根据本申请的一个方面,提供了一种智能照明开关控制系统,其包括:亮度采集模块,用于获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值;亮度时序排列模块,用于将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量;亮度时序变化特征提取模块,用于将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量;特征表达强化模块,用于使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵;转移关联模块,用于计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵;以及照明功率控制模块,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。
在上述的智能照明开关控制系统中,所述亮度时序变化特征提取模块,用于:使用所述亮度时序特征提取器的第一卷积层以具有第一长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第一尺度室外亮度值特征向量以及第一尺度室内亮度值特征向量;使用所述亮度时序特征提取器的第二卷积层以具有第二长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第二尺度室外亮度值特征向量以及第二尺度室内亮度值特征向量,所述第二长度不同于所述第一长度;以及将所述第一尺度室外亮度值特征向量和所述第二尺度室外亮度值特征向量进行级联以得到所述室外亮度值时序特征向量,以及,将所述第一尺度室内亮度值特征向量和所述第二尺度室内亮度值特征向量进行级联以得到所述室内亮度值时序特征向量。
在上述的智能照明开关控制系统中,所述特征表达强化模块,包括:第一高斯密度图构造单元,用于以如下第一高斯密度图构造公式构造所述室外亮度值时序特征向量的第一高斯密度图;其中,所述第一高斯密度图构造公式为:,其中,/>表示所述室外亮度值时序特征向量,且 />的每个位置的值表示所述室外亮度值时序特征向量中相应两个位置的特征值之间的方差;第一下采样单元,用于对所述第一高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室外亮度值时序特征矩阵;第二高斯密度图构造单元,用于以如下第二高斯密度图构造公式构造所述室内亮度值时序特征向量的第二高斯密度图;其中,所述第二高斯密度图构造公式为:/>,其中,/>表示所述室内亮度值时序特征向量,且 />的每个位置的值表示所述室内亮度值时序特征向量中相应两个位置的特征值之间的方差;以及第二下采样单元,用于对所述第二高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室内亮度值时序特征矩阵。
在上述的智能照明开关控制系统中,所述转移关联模块,包括:优化因数计算单元,用于分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;加权优化单元,用于以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵进行加权优化以得到优化后室外亮度值时序特征矩阵和优化后室内亮度值时序特征矩阵;以及优化特征关联单元,用于计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵。
在上述的智能照明开关控制系统中,所述优化因数计算单元,用于:以如下优化公式分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述优化公式为:,其中,/> 是所述室外亮度值时序特征矩阵中各个位置的特征值,/> 是所述室内亮度值时序特征矩阵中各个位置的特征值,/>是特征矩阵的尺度,/>和/>分别是所述室外亮度值时序特征矩阵中各个位置特征值集合的均值和方差,且/>和/>分别是所述室内亮度值时序特征矩阵中各个位置特征值集合的均值和方差,/> 为以2为底的对数函数,/>和/>分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
在上述的智能照明开关控制系统中,所述优化特征关联单元,用于:以如下转移矩阵计算公式计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵;其中,所述转移矩阵计算公式为:,其中,/>表示所述优化后室外亮度值时序特征矩阵,/>表示所述优化后室内亮度值时序特征矩阵,/>表示所述解码特征矩阵,/> 表示矩阵相乘。
在上述的智能照明开关控制系统中,所述照明功率控制模块,用于:使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述解码值,其中,所述解码回归公式为: ,其中,/>是所述解码特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵乘。
根据本申请的另一个方面,提供了一种智能照明开关控制方法,其包括:获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值;将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量;将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量;使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵;计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵;以及将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。
在上述的智能照明开关控制方法中,将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量,包括:使用所述亮度时序特征提取器的第一卷积层以具有第一长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第一尺度室外亮度值特征向量以及第一尺度室内亮度值特征向量;使用所述亮度时序特征提取器的第二卷积层以具有第二长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第二尺度室外亮度值特征向量以及第二尺度室内亮度值特征向量,所述第二长度不同于所述第一长度;以及将所述第一尺度室外亮度值特征向量和所述第二尺度室外亮度值特征向量进行级联以得到所述室外亮度值时序特征向量,以及,将所述第一尺度室内亮度值特征向量和所述第二尺度室内亮度值特征向量进行级联以得到所述室内亮度值时序特征向量。
在上述的智能照明开关控制方法中,使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵,包括:以如下第一高斯密度图构造公式构造所述室外亮度值时序特征向量的第一高斯密度图;其中,所述第一高斯密度图构造公式为:,其中,/>表示所述室外亮度值时序特征向量,且/>的每个位置的值表示所述室外亮度值时序特征向量中相应两个位置的特征值之间的方差;对所述第一高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室外亮度值时序特征矩阵;以如下第二高斯密度图构造公式构造所述室内亮度值时序特征向量的第二高斯密度图;其中,所述第二高斯密度图构造公式为:/>,其中,/>表示所述室内亮度值时序特征向量,且/>的每个位置的值表示所述室内亮度值时序特征向量中相应两个位置的特征值之间的方差;以及对所述第二高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室内亮度值时序特征矩阵。
与现有技术相比,本申请提供的智能照明开关控制系统及其方法,其首先将多个预定时间点的室外亮度值和室内亮度值分别排列为室外亮度值时序输入向量和室内亮度值时序输入向量后通过亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量,接着,对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵,然后,计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵,最后,将所述解码特征矩阵通过解码器进行解码回归以得到用于表示当前时间点的推荐的照明功率值的解码值。这样,可以避免不必要的能耗损失。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域普通技术人员而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的智能照明开关控制系统的应用场景图。
图2为根据本申请实施例的智能照明开关控制系统的框图示意图。
图3为根据本申请实施例的智能照明开关控制系统中的所述特征表达强化模块的框图示意图。
图4为根据本申请实施例的智能照明开关控制系统中的所述转移关联模块的框图示意图。
图5为根据本申请实施例的智能照明开关控制方法的流程图。
图6为根据本申请实施例的智能照明开关控制方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,现有技术中,现有的照明系统多数还是采用人工来进行照明控制,难以实现自动开关,从而因不必要的照明浪费了大量的电能。因此,期望一种优化的智能照明开关控制系统。
相应地,考虑到在实际进行照明开关控制过程中,现有的方案只是将照明系统调至固定功率,并没有考虑到环境的亮度情况,从而使得照明的效果不佳且造成能源的浪费。因此,在本申请的技术方案中,期望基于环境光亮度变化来自适应地解码出适宜的照明功率,以在提供充足光线的同时,避免不必要的能耗损失。具体地,在实际进行照明开关控制时,为了能够对于照明功率进行自适应控制,应基于室外亮度和室内亮度之间的差异关联来进行环境光亮度变化的分析,从而提高对于照明功率值实时控制的精准度。但是,由于所述室外亮度值和所述室内亮度值在时间维度上都具有着时序动态变化特征,并且这两者之间还具有着关于环境光亮度的时序协同关联特征信息。因此,在此过程中,难点在于如何进行所述室外亮度值和所述室内亮度值的时序协同关联变化特征的充分表达,以此来对于照明功率值进行实时准确地自适应控制,以在提供充足光线的同时,避免不必要的能耗损失。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述室外亮度值和所述室内亮度值的时序协同关联变化特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值。接着,考虑到由于所述室外亮度值和所述室内亮度值在时间维度上具有着动态性的变化规律,因此,为了能够对于所述室外亮度值和所述室内亮度值在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量,以此来分别整合所述室外亮度值和所述室内亮度值在时序上的分布信息。
然后,考虑到由于所述室外亮度值和所述室内亮度值在时间维度上具有着波动性和不确定性,其在所述预定时间段内的不同时间周期跨度下都具有着不同的动态变化特性。因此,在本申请的技术方案中,为了能够进行所述室外亮度值和所述室内亮度值在时间维度上的动态变化特征的充分表达,进一步将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量。特别地,这里,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核来分别对于所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行特征提取,以分别提取出所述室外亮度值和所述室内亮度值在不同时间跨度下的动态多尺度时序变化特征信息。
进一步地,还考虑到由于所述室外亮度值和所述室内亮度值的时序动态变化在实际监测的过程中并不明显,因此,在分别得到所述室外亮度值和所述室内亮度值的时序多尺度动态变化特征后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述室外亮度值和所述室内亮度值的先验分布,即高斯分布,来对于所述室外亮度值和所述室内亮度值的时序多尺度动态隐含关联特征进行数据增强,也就是,使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵。
接着,进一步再计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵,以此来表示所述室外亮度值的时序多尺度动态变化特征和所述室内亮度值的时序多尺度动态变化特征之间的关联特征分布信息,即所述室外亮度值和所述室内亮度值之间在时间维度上的差异性变化特征信息,并以此作为解码特征矩阵通过解码器中进行解码回归以得到用于表示当前时间点的推荐的照明功率值的解码值。也就是说,以所述室外亮度值和所述室内亮度值之间的时序差异关联变化特征来进行解码,以此来对于环境光亮度的时序变化情况进行准确分析,从而得到照明功率的推荐值,以在提供充足光线的同时,避免不必要的能耗损失。
特别地,在本申请的技术方案中,这里,在使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化得到所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵,考虑到在高斯离散化过程中引入的随机特性,所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵都会存在特征分布的高斯不确定性,因此在计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵时,所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯不确定性会引起在其各自的高斯概率密度表达内的高斯回归不确定性,从而作为特征域转移表达的所述解码特征矩阵内引入解码回归误差,这会影响所述解码特征矩阵通过解码器得到的解码值的准确性。
基于此,在本申请的技术方案中,分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵/>的高斯回归不确定性因数,表示为:,/>是特征矩阵的尺度,即宽度乘以高度,/>和/>分别是特征集合/>的均值和方差,且/>和/>分别是特征集合/>的均值和方差,/>为以2为底的对数。
这里,针对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵/>各自的集成特征集合由于其分布不确定性信息可能导致的所述解码特征矩阵的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的特征表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵加权后再计算其转移矩阵,就可以实现所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵在域转移过程中基于自校准的不确定性修正,从而修正所述解码特征矩阵内存在的解码回归误差,提升所述解码特征矩阵通过解码器得到的解码值的准确性。这样,能够实时准确地基于实际环境光亮度变化情况来对于照明功率值进行自适应控制,以在提供充足光线的同时,避免不必要的能耗损失。
图1为根据本申请实施例的智能照明开关控制系统的应用场景图。如图1所示,在该应用场景中,首先,获取由光强传感器(例如,图1中所示意的C)采集的预定时间段内多个预定时间点的室外亮度值(例如,图1中所示意的D1)和室内亮度值(例如,图1中所示意的D2),然后,将所述多个预定时间点的室外亮度值和室内亮度值输入至部署有智能照明开关控制算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述智能照明开关控制算法对所述多个预定时间点的室外亮度值和室内亮度值进行处理以得到用于表示当前时间点的推荐的照明功率值的解码值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的智能照明开关控制系统的框图示意图。如图2所示,根据本申请实施例的智能照明开关控制系统100,包括:亮度采集模块110,用于获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值;亮度时序排列模块120,用于将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量;亮度时序变化特征提取模块130,用于将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量;特征表达强化模块140,用于使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵;转移关联模块150,用于计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵;以及,照明功率控制模块160,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。
更具体地,在本申请实施例中,所述亮度采集模块110,用于获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值。在实际进行照明开关控制过程中,现有的方案只是将照明系统调至固定功率,并没有考虑到环境的亮度情况,从而使得照明的效果不佳且造成能源的浪费。因此,在本申请的技术方案中,期望基于环境光亮度变化来自适应地解码出适宜的照明功率,以在提供充足光线的同时,避免不必要的能耗损失。
更具体地,在本申请实施例中,所述亮度时序排列模块120,用于将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量。由于所述室外亮度值和所述室内亮度值在时间维度上具有着动态性的变化规律,因此,为了能够对于所述室外亮度值和所述室内亮度值在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量,以此来分别整合所述室外亮度值和所述室内亮度值在时序上的分布信息。
更具体地,在本申请实施例中,所述亮度时序变化特征提取模块130,用于将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量。由于所述室外亮度值和所述室内亮度值在时间维度上具有着波动性和不确定性,其在所述预定时间段内的不同时间周期跨度下都具有着不同的动态变化特性。因此,在本申请的技术方案中,为了能够进行所述室外亮度值和所述室内亮度值在时间维度上的动态变化特征的充分表达,进一步将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量。
特别地,这里,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核来分别对于所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行特征提取,以分别提取出所述室外亮度值和所述室内亮度值在不同时间跨度下的动态多尺度时序变化特征信息。
相应地,在一个具体示例中,所述亮度时序变化特征提取模块130,用于:使用所述亮度时序特征提取器的第一卷积层以具有第一长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第一尺度室外亮度值特征向量以及第一尺度室内亮度值特征向量;使用所述亮度时序特征提取器的第二卷积层以具有第二长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第二尺度室外亮度值特征向量以及第二尺度室内亮度值特征向量,所述第二长度不同于所述第一长度;以及,将所述第一尺度室外亮度值特征向量和所述第二尺度室外亮度值特征向量进行级联以得到所述室外亮度值时序特征向量,以及,将所述第一尺度室内亮度值特征向量和所述第二尺度室内亮度值特征向量进行级联以得到所述室内亮度值时序特征向量。
更具体地,在本申请实施例中,所述特征表达强化模块140,用于使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵。由于所述室外亮度值和所述室内亮度值的时序动态变化在实际监测的过程中并不明显,因此,在分别得到所述室外亮度值和所述室内亮度值的时序多尺度动态变化特征后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述室外亮度值和所述室内亮度值的先验分布,即高斯分布,来对于所述室外亮度值和所述室内亮度值的时序多尺度动态隐含关联特征进行数据增强,也就是,使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵。
相应地,在一个具体示例中,如图3所示,所述特征表达强化模块140,包括:第一高斯密度图构造单元141,用于以如下第一高斯密度图构造公式构造所述室外亮度值时序特征向量的第一高斯密度图;其中,所述第一高斯密度图构造公式为:,其中,/>表示所述室外亮度值时序特征向量,且/>的每个位置的值表示所述室外亮度值时序特征向量中相应两个位置的特征值之间的方差;第一下采样单元142,用于对所述第一高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室外亮度值时序特征矩阵;第二高斯密度图构造单元143,用于以如下第二高斯密度图构造公式构造所述室内亮度值时序特征向量的第二高斯密度图;其中,所述第二高斯密度图构造公式为:/>,其中,/>表示所述室内亮度值时序特征向量,且/>的每个位置的值表示所述室内亮度值时序特征向量中相应两个位置的特征值之间的方差;以及,第二下采样单元144,用于对所述第二高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室内亮度值时序特征矩阵。
更具体地,在本申请实施例中,所述转移关联模块150,用于计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵。以此来表示所述室外亮度值的时序多尺度动态变化特征和所述室内亮度值的时序多尺度动态变化特征之间的关联特征分布信息,即所述室外亮度值和所述室内亮度值之间在时间维度上的差异性变化特征信息。
相应地,在一个具体示例中,如图4所示,所述转移关联模块150,包括:优化因数计算单元151,用于分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;加权优化单元152,用于以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵进行加权优化以得到优化后室外亮度值时序特征矩阵和优化后室内亮度值时序特征矩阵;以及,优化特征关联单元153,用于计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵。
特别地,在本申请的技术方案中,这里,在使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化得到所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵,考虑到在高斯离散化过程中引入的随机特性,所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵都会存在特征分布的高斯不确定性,因此在计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵时,所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯不确定性会引起在其各自的高斯概率密度表达内的高斯回归不确定性,从而作为特征域转移表达的所述解码特征矩阵内引入解码回归误差,这会影响所述解码特征矩阵通过解码器得到的解码值的准确性。基于此,在本申请的技术方案中,分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数。
相应地,在一个具体示例中,所述优化因数计算单元151,用于:以如下优化公式分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述优化公式为:,其中,/> 是所述室外亮度值时序特征矩阵中各个位置的特征值,/> 是所述室内亮度值时序特征矩阵中各个位置的特征值,/>是特征矩阵的尺度,/>和/>分别是所述室外亮度值时序特征矩阵中各个位置特征值集合的均值和方差,且/>和/>分别是所述室内亮度值时序特征矩阵中各个位置特征值集合的均值和方差,/> 为以2为底的对数函数,/>和/>分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
这里,针对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵各自的集成特征集合由于其分布不确定性信息可能导致的所述解码特征矩阵的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的特征表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵加权后再计算其转移矩阵,就可以实现所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵在域转移过程中基于自校准的不确定性修正,从而修正所述解码特征矩阵内存在的解码回归误差,提升所述解码特征矩阵通过解码器得到的解码值的准确性。这样,能够实时准确地基于实际环境光亮度变化情况来对于照明功率值进行自适应控制,以在提供充足光线的同时,避免不必要的能耗损失。
相应地,在一个具体示例中,所述优化特征关联单元153,用于:以如下转移矩阵计算公式计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵;其中,所述转移矩阵计算公式为:,其中,/>表示所述优化后室外亮度值时序特征矩阵,/>表示所述优化后室内亮度值时序特征矩阵,/>表示所述解码特征矩阵,/> 表示矩阵相乘。
更具体地,在本申请实施例中,所述照明功率控制模块160,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。也就是说,以所述室外亮度值和所述室内亮度值之间的时序差异关联变化特征来进行解码,以此来对于环境光亮度的时序变化情况进行准确分析,从而得到照明功率的推荐值,以在提供充足光线的同时,避免不必要的能耗损失。
相应地,在一个具体示例中,所述照明功率控制模块160,用于:使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述解码值,其中,所述解码回归公式为: ,其中,/>是所述解码特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵乘。
综上,基于本申请实施例的智能照明开关控制系统100被阐明,其首先将多个预定时间点的室外亮度值和室内亮度值分别排列为室外亮度值时序输入向量和室内亮度值时序输入向量后通过亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量,接着,对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵,然后,计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵,最后,将所述解码特征矩阵通过解码器进行解码回归以得到用于表示当前时间点的推荐的照明功率值的解码值。这样,可以避免不必要的能耗损失。
如上所述,根据本申请实施例的基于本申请实施例的智能照明开关控制系统100可以实现在各种终端设备中,例如具有基于本申请实施例的智能照明开关控制算法的服务器等。在一个示例中,基于本申请实施例的智能照明开关控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的智能照明开关控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的智能照明开关控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的智能照明开关控制系统100与该终端设备也可以是分立的设备,并且该智能照明开关控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的智能照明开关控制方法的流程图。如图5所示,根据本申请实施例的智能照明开关控制方法,其包括:S110,获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值;S120,将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量;S130,将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量;S140,使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵;S150,计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵;以及,S160,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。
图6为根据本申请实施例的智能照明开关控制方法的系统架构的示意图。如图6所示,在所述智能照明开关控制方法的系统架构中,首先,获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值;接着,将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量;然后,将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量;接着,使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵;然后,计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵;最后,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。
在一个具体示例中,在上述智能照明开关控制方法中,将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量,包括:使用所述亮度时序特征提取器的第一卷积层以具有第一长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第一尺度室外亮度值特征向量以及第一尺度室内亮度值特征向量;使用所述亮度时序特征提取器的第二卷积层以具有第二长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第二尺度室外亮度值特征向量以及第二尺度室内亮度值特征向量,所述第二长度不同于所述第一长度;以及,将所述第一尺度室外亮度值特征向量和所述第二尺度室外亮度值特征向量进行级联以得到所述室外亮度值时序特征向量,以及,将所述第一尺度室内亮度值特征向量和所述第二尺度室内亮度值特征向量进行级联以得到所述室内亮度值时序特征向量。
在一个具体示例中,在上述智能照明开关控制方法中,使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵,包括:以如下第一高斯密度图构造公式构造所述室外亮度值时序特征向量的第一高斯密度图;其中,所述第一高斯密度图构造公式为:,其中,/>表示所述室外亮度值时序特征向量,且 />的每个位置的值表示所述室外亮度值时序特征向量中相应两个位置的特征值之间的方差;对所述第一高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室外亮度值时序特征矩阵;以如下第二高斯密度图构造公式构造所述室内亮度值时序特征向量的第二高斯密度图;其中,所述第二高斯密度图构造公式为:/>,其中,/>表示所述室内亮度值时序特征向量,且的每个位置的值表示所述室内亮度值时序特征向量中相应两个位置的特征值之间的方差;以及,对所述第二高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室内亮度值时序特征矩阵。
在一个具体示例中,在上述智能照明开关控制方法中,计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵,包括:分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵进行加权优化以得到优化后室外亮度值时序特征矩阵和优化后室内亮度值时序特征矩阵;以及,计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵。
在一个具体示例中,在上述智能照明开关控制方法中,分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数,包括:以如下优化公式分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述优化公式为:,其中,/> 是所述室外亮度值时序特征矩阵中各个位置的特征值,/> 是所述室内亮度值时序特征矩阵中各个位置的特征值,/>是特征矩阵的尺度,/>和/>分别是所述室外亮度值时序特征矩阵中各个位置特征值集合的均值和方差,且/>和/>分别是所述室内亮度值时序特征矩阵中各个位置特征值集合的均值和方差,/> 为以2为底的对数函数,/>和/>分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
在一个具体示例中,在上述智能照明开关控制方法中,计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵,包括:以如下转移矩阵计算公式计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵;其中,所述转移矩阵计算公式为:,其中,/>表示所述优化后室外亮度值时序特征矩阵,表示所述优化后室内亮度值时序特征矩阵,/>表示所述解码特征矩阵,/> 表示矩阵相乘。
在一个具体示例中,在上述智能照明开关控制方法中,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值,包括:使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述解码值,其中,所述解码回归公式为: ,其中,/>是所述解码特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵乘。
这里,本领域技术人员可以理解,上述智能照明开关控制方法中的各个步骤的具体操作已经在上面参考图1到图4的智能照明开关控制系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
在一个其他示例中,在预定时间段内,亮度采集模块每隔十分钟采集一次室内和室外的光强数据,采集的室内光强数据为154,179,201,241。采集的室外光强数据为940,990,1260,1310。
然后,亮度时序排列模块将这些数据按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量/>。接着,亮度时序变化特征提取模块所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量/> 。接着,特征表达强化模块使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵/>和室内亮度值时序特征矩阵/>。接着转移关联模块计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵。最后,照明功率控制模块160,用于将所述解码特征矩阵通过解码器进行解码回归以得到用于表示当前时间点的推荐的照明功率值的解码值40。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种智能照明开关控制系统,其特征在于,包括:亮度采集模块,用于获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值;亮度时序排列模块,用于将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量;亮度时序变化特征提取模块,用于将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量;特征表达强化模块,用于使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵;转移关联模块,用于计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵;以及照明功率控制模块,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。
2.根据权利要求1所述的智能照明开关控制系统,其特征在于,所述亮度时序变化特征提取模块,用于:使用所述亮度时序特征提取器的第一卷积层以具有第一长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第一尺度室外亮度值特征向量以及第一尺度室内亮度值特征向量;使用所述亮度时序特征提取器的第二卷积层以具有第二长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第二尺度室外亮度值特征向量以及第二尺度室内亮度值特征向量,所述第二长度不同于所述第一长度;以及将所述第一尺度室外亮度值特征向量和所述第二尺度室外亮度值特征向量进行级联以得到所述室外亮度值时序特征向量,以及,将所述第一尺度室内亮度值特征向量和所述第二尺度室内亮度值特征向量进行级联以得到所述室内亮度值时序特征向量。
3.根据权利要求2所述的智能照明开关控制系统,其特征在于,所述特征表达强化模块,包括:第一高斯密度图构造单元,用于以如下第一高斯密度图构造公式构造所述室外亮度值时序特征向量的第一高斯密度图;其中,所述第一高斯密度图构造公式为:,其中,/>表示所述室外亮度值时序特征向量,且 />的每个位置的值表示所述室外亮度值时序特征向量中相应两个位置的特征值之间的方差;第一下采样单元,用于对所述第一高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室外亮度值时序特征矩阵;第二高斯密度图构造单元,用于以如下第二高斯密度图构造公式构造所述室内亮度值时序特征向量的第二高斯密度图;其中,所述第二高斯密度图构造公式为:,其中,/>表示所述室内亮度值时序特征向量,且 />的每个位置的值表示所述室内亮度值时序特征向量中相应两个位置的特征值之间的方差;以及第二下采样单元,用于对所述第二高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室内亮度值时序特征矩阵。
4.根据权利要求3所述的智能照明开关控制系统,其特征在于,所述转移关联模块,包括:优化因数计算单元,用于分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;加权优化单元,用于以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为加权系数对所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵进行加权优化以得到优化后室外亮度值时序特征矩阵和优化后室内亮度值时序特征矩阵;以及优化特征关联单元,用于计算所述优化后室外亮度值时序特征矩阵相对于所述优化后室内亮度值时序特征矩阵的转移矩阵作为所述解码特征矩阵。
5.根据权利要求4所述的智能照明开关控制系统,其特征在于,所述优化因数计算单元,用于:以如下优化公式分别计算所述室外亮度值时序特征矩阵和所述室内亮度值时序特征矩阵的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述优化公式为:,其中,/> 是所述室外亮度值时序特征矩阵中各个位置的特征值,/> 是所述室内亮度值时序特征矩阵中各个位置的特征值,/>是特征矩阵的尺度,/>和/>分别是所述室外亮度值时序特征矩阵中各个位置特征值集合的均值和方差,且/>和/>分别是所述室内亮度值时序特征矩阵中各个位置特征值集合的均值和方差,/> 为以2为底的对数函数,/>和/>分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
8.一种智能照明开关控制方法,其特征在于,包括:获取由光强传感器采集的预定时间段内多个预定时间点的室外亮度值和室内亮度值;将所述多个预定时间点的室外亮度值和室内亮度值分别按照时间维度排列为室外亮度值时序输入向量和室内亮度值时序输入向量;将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量;使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵;计算所述室外亮度值时序特征矩阵相对于所述室内亮度值时序特征矩阵的转移矩阵作为解码特征矩阵;以及将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示当前时间点的推荐的照明功率值。
9.根据权利要求8所述的智能照明开关控制方法,其特征在于,将所述室外亮度值时序输入向量和所述室内亮度值时序输入向量分别通过包含第一卷积层和第二卷积层的亮度时序特征提取器以得到室外亮度值时序特征向量和室内亮度值时序特征向量,包括:使用所述亮度时序特征提取器的第一卷积层以具有第一长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第一尺度室外亮度值特征向量以及第一尺度室内亮度值特征向量;使用所述亮度时序特征提取器的第二卷积层以具有第二长度的一维卷积核对所述室外亮度值时序输入向量和所述室内亮度值时序输入向量进行一维卷积编码以得到第二尺度室外亮度值特征向量以及第二尺度室内亮度值特征向量,所述第二长度不同于所述第一长度;以及将所述第一尺度室外亮度值特征向量和所述第二尺度室外亮度值特征向量进行级联以得到所述室外亮度值时序特征向量,以及,将所述第一尺度室内亮度值特征向量和所述第二尺度室内亮度值特征向量进行级联以得到所述室内亮度值时序特征向量。
10.根据权利要求9所述的智能照明开关控制方法,其特征在于,使用高斯密度图对所述室外亮度值时序特征向量和所述室内亮度值时序特征向量进行特征表达强化以得到室外亮度值时序特征矩阵和室内亮度值时序特征矩阵,包括:以如下第一高斯密度图构造公式构造所述室外亮度值时序特征向量的第一高斯密度图;其中,所述第一高斯密度图构造公式为:,其中,/>表示所述室外亮度值时序特征向量,且/>的每个位置的值表示所述室外亮度值时序特征向量中相应两个位置的特征值之间的方差;对所述第一高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室外亮度值时序特征矩阵;以如下第二高斯密度图构造公式构造所述室内亮度值时序特征向量的第二高斯密度图;其中,所述第二高斯密度图构造公式为:/>,其中,/>表示所述室内亮度值时序特征向量,且/>的每个位置的值表示所述室内亮度值时序特征向量中相应两个位置的特征值之间的方差;以及对所述第二高斯密度图中各个位置的高斯分布进行离散化处理以得到所述室内亮度值时序特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525197.XA CN116321620B (zh) | 2023-05-11 | 2023-05-11 | 智能照明开关控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525197.XA CN116321620B (zh) | 2023-05-11 | 2023-05-11 | 智能照明开关控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116321620A true CN116321620A (zh) | 2023-06-23 |
CN116321620B CN116321620B (zh) | 2023-08-11 |
Family
ID=86781801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310525197.XA Active CN116321620B (zh) | 2023-05-11 | 2023-05-11 | 智能照明开关控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116321620B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116963342A (zh) * | 2023-09-21 | 2023-10-27 | 永林电子股份有限公司 | 一种红外led光源及其自适应光调节方法 |
CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169158A1 (en) * | 2008-12-30 | 2010-07-01 | Yahoo! Inc. | Squashed matrix factorization for modeling incomplete dyadic data |
CN111860974A (zh) * | 2020-06-30 | 2020-10-30 | 中国地质大学(武汉) | 一种基于状态空间和联合分布的干旱多级预测方法 |
CN112923523A (zh) * | 2021-02-03 | 2021-06-08 | 深圳市美兆环境股份有限公司 | 一种基于物联网数据链的智能型新风系统调控方法 |
US20220026530A1 (en) * | 2015-07-17 | 2022-01-27 | Chenshu Wu | Method, apparatus, and system for human recognition based on gait features |
KR20220120127A (ko) * | 2021-02-23 | 2022-08-30 | 주식회사 리얼타임테크 | 재실자 위치기반 절전형 실내 조명 제어방법 |
CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
CN115171317A (zh) * | 2022-03-09 | 2022-10-11 | 深圳市经纬纵横科技有限公司 | 物联网智能家居方法、系统和电子设备 |
CN115356434A (zh) * | 2022-07-14 | 2022-11-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
CN115620808A (zh) * | 2022-12-19 | 2023-01-17 | 广东工业大学 | 基于改进Cox模型的癌症基因预后筛选方法及系统 |
CN115723287A (zh) * | 2022-12-16 | 2023-03-03 | 河北科技大学 | 基于温度控制聚氨酯发泡的生产设备 |
CN115775321A (zh) * | 2023-02-02 | 2023-03-10 | 宝邑(深圳)照明科技有限公司 | 一种照明灯具亮度调节方法、装置、电子设备及存储介质 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN115935276A (zh) * | 2022-11-07 | 2023-04-07 | 吉安创成环保科技有限责任公司 | 环境水质监测系统及其监测方法 |
CN115935261A (zh) * | 2022-12-30 | 2023-04-07 | 马鞍山思凯科技有限公司 | 基于工业互联网的群体设备非绝对正向反馈方法 |
CN115993268A (zh) * | 2023-03-22 | 2023-04-21 | 福建天甫电子材料有限公司 | 无水氟化氢的取样系统及其方法 |
CN116059681A (zh) * | 2023-03-07 | 2023-05-05 | 福建省龙德新能源有限公司 | 用于控制结晶成核的超声控制方法及其系统 |
-
2023
- 2023-05-11 CN CN202310525197.XA patent/CN116321620B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169158A1 (en) * | 2008-12-30 | 2010-07-01 | Yahoo! Inc. | Squashed matrix factorization for modeling incomplete dyadic data |
US20220026530A1 (en) * | 2015-07-17 | 2022-01-27 | Chenshu Wu | Method, apparatus, and system for human recognition based on gait features |
CN111860974A (zh) * | 2020-06-30 | 2020-10-30 | 中国地质大学(武汉) | 一种基于状态空间和联合分布的干旱多级预测方法 |
CN112923523A (zh) * | 2021-02-03 | 2021-06-08 | 深圳市美兆环境股份有限公司 | 一种基于物联网数据链的智能型新风系统调控方法 |
KR20220120127A (ko) * | 2021-02-23 | 2022-08-30 | 주식회사 리얼타임테크 | 재실자 위치기반 절전형 실내 조명 제어방법 |
CN115171317A (zh) * | 2022-03-09 | 2022-10-11 | 深圳市经纬纵横科技有限公司 | 物联网智能家居方法、系统和电子设备 |
CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
CN115356434A (zh) * | 2022-07-14 | 2022-11-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
CN115935276A (zh) * | 2022-11-07 | 2023-04-07 | 吉安创成环保科技有限责任公司 | 环境水质监测系统及其监测方法 |
CN115723287A (zh) * | 2022-12-16 | 2023-03-03 | 河北科技大学 | 基于温度控制聚氨酯发泡的生产设备 |
CN115620808A (zh) * | 2022-12-19 | 2023-01-17 | 广东工业大学 | 基于改进Cox模型的癌症基因预后筛选方法及系统 |
CN115935261A (zh) * | 2022-12-30 | 2023-04-07 | 马鞍山思凯科技有限公司 | 基于工业互联网的群体设备非绝对正向反馈方法 |
CN115775321A (zh) * | 2023-02-02 | 2023-03-10 | 宝邑(深圳)照明科技有限公司 | 一种照明灯具亮度调节方法、装置、电子设备及存储介质 |
CN116059681A (zh) * | 2023-03-07 | 2023-05-05 | 福建省龙德新能源有限公司 | 用于控制结晶成核的超声控制方法及其系统 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN115993268A (zh) * | 2023-03-22 | 2023-04-21 | 福建天甫电子材料有限公司 | 无水氟化氢的取样系统及其方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及系统 |
CN117202430B (zh) * | 2023-09-20 | 2024-03-19 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及系统 |
CN116963342A (zh) * | 2023-09-21 | 2023-10-27 | 永林电子股份有限公司 | 一种红外led光源及其自适应光调节方法 |
CN116963342B (zh) * | 2023-09-21 | 2023-12-01 | 永林电子股份有限公司 | 一种红外led光源及其自适应光调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116321620B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116321620B (zh) | 智能照明开关控制系统及其方法 | |
Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
EP3637328A1 (en) | Refrigerant leak detection method and device for air conditioner | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
Zhou et al. | A novel model based on multi-grained cascade forests with wavelet denoising for indoor occupancy estimation | |
CN112532746B (zh) | 一种云边协同感知的方法及系统 | |
CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
CN115116559B (zh) | 氨基酸中原子坐标的确定及训练方法、装置、设备和介质 | |
CN109886337B (zh) | 基于自适应采样的深度度量学习方法及系统 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN113590971B (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
Proietti et al. | Edge Intelligence with Deep Learning in Greenhouse Management. | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN112949433A (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN116468894A (zh) | 面向锂电池极片可监督学习的距离自适应掩码生成方法 | |
CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
CN115331081A (zh) | 图像目标检测方法与装置 | |
CN116976472A (zh) | 一种预测住宅电能消耗的方法、系统、设备及存储介质 | |
CN111601418A (zh) | 色温调节方法、装置、存储介质和处理器 | |
Roh et al. | TFE-NET: Time and Feature focus Embedding Network for Multivariate-to-Multivariate Time Series Forecasting | |
Zamora-Martinez et al. | Some empirical evaluations of a temperature forecasting module based on artificial neural networks for a domotic home environment | |
CN117334162B (zh) | Led背光源控制系统及其方法 |
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 |