CN117098270B - Led节能灯的智能控制方法、装置、设备及存储介质 - Google Patents
Led节能灯的智能控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117098270B CN117098270B CN202311338860.1A CN202311338860A CN117098270B CN 117098270 B CN117098270 B CN 117098270B CN 202311338860 A CN202311338860 A CN 202311338860A CN 117098270 B CN117098270 B CN 117098270B
- Authority
- CN
- China
- Prior art keywords
- data
- saving lamp
- led energy
- intelligent control
- strategy
- 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 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 230000000694 effects Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims description 49
- 238000011217 control strategy Methods 0.000 claims description 45
- 230000007613 environmental effect Effects 0.000 claims description 36
- 239000011324 bead Substances 0.000 claims description 29
- 238000013136 deep learning model Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 230000037081 physical activity Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- H05B45/12—Controlling the intensity of the light using optical feedback
-
- 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
-
- 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
-
- 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
- H05B45/22—Controlling the colour of the light using optical feedback
-
- 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
- H05B47/115—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings
- H05B47/13—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings by using passive infrared detectors
-
- 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
- H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
Landscapes
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明涉及数据处理的技术领域,公开了一种LED节能灯的智能控制方法、装置、设备及存储介质。所述LED节能灯的智能控制方法包括:通过预置的光感应器采集LED节能灯所处环境的光线数据;通过预置的红外传感器采集LED节能灯所处环境的人体活动数据;采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据。本发明不仅可以实现LED节能灯的智能化管理,提高节能效率,还能够提高用户的使用体验,实现对环境和用户行为的敏感反应。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种LED节能灯的智能控制方法、装置、设备及存储介质。
背景技术
随着照明技术的快速发展,LED节能灯已经广泛应用于家庭、商业和工业环境中。传统的LED节能灯主要依赖于手动或基础的自动化控制来调整亮度和色温,这往往不能满足用户对于照明环境多样性和个性化的需求。
在尝试解决这一问题的过程中,各种传感器和算法开始被集成到照明系统中。例如,光感应器用于检测环境光线以自动调整灯光亮度,而红外传感器用于检测人体活动以自动开关灯或调整亮度。然而,这些方法通常在数据处理和信息融合方面存在局限性,无法充分利用收集到的各种数据来实现更精细和智能的灯光控制。
因此,急需提供一种更加智能和高效的LED节能灯控制方法来解决如何实现更精细和智能的灯光控制的问题。
发明内容
本发明提供了一种LED节能灯的智能控制方法、装置、设备及存储介质,用于解决现有技术中在数据处理和信息融合方面存在的局限性,以及无法充分利用收集到的各种数据来实现更精细和智能的灯光控制的技术问题。
本发明第一方面提供了一种LED节能灯的智能控制方法,所述LED节能灯的智能控制方法包括:
通过预置的光感应器采集LED节能灯所处环境的光线数据;其中,所述光线数据用于调整LED节能灯的灯珠亮度和灯珠颜色;所述灯珠颜色至少包括冷白光、红光、暖白光;
通过预置的红外传感器采集LED 节能灯所处环境的人体活动数据;其中,所述人体活动数据用于调节LED节能灯的开关状态以及灯珠亮度;
采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;
基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;
对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;
基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;
将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;其中,所述深度学习模型经过提前训练得到;
基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED 节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED 节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。
可选的,在本发明第一方面的第一种实现方式中,所述将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告,包括:
通过混合型训练模型对从多个数据源获得的所述目标特征数据进行特征优化,得到一个融合预测向量;其中,所述训练后的深度学习模型至少包括所述混合型训练模型;
在经过逐层优化的语义空间中,构建与所述目标特征数据和融合预测向量相应的三维策略坐标系;其中,所述目标特征数据沿Z轴定位,并在X轴和Y轴方向生成多维响应矩阵;所述融合预测向量沿Y轴定位,并在X轴和Z轴方向形成多维决策矩阵;
在三维策略坐标系中,构建一个由机器学习模型组成的稳定状态超平面;其中,所述稳定状态超平面由经训练确定的参数集定义;
量化所述融合预测向量在三维策略坐标系中与所述稳定状态超平面的距离,作为风险评估指标,将所述风险评估指标与预设的风险阈值进行比较;得到融合预测向量的各个偏差值;并将所述偏差值标注在融合预测向量的相应节点上;
基于融合预测向量的每个带有偏差值的节点,从预设的控制策略库中动态选择或生成相应的控制策略方案,修正所述风险评估指标,得到修正信息,并将修正信息整合进控制策略方案,得到智能控制策略报告。
可选的,在本发明第一方面的第二种实现方式中,所述将所述管理策略发送至LED节能灯的控制管理终端之前,包括:
在数据库中搜索预定义的策略编码集;其中,所述策略编码集包含多个指令单元集,每个指令单元集内含有不同的控制指令;
基于预设的随机算法从策略编码集中选择一个指令单元集,并查验所述指令单元集的访问记录,以判断所述指令单元集是否被选用;
如果所述指令单元集之前未被选用,将所述指令单元集标记为目标指令单元集,并更新所述指令单元集的访问记录为已选用;
获取当前的环境数据,基于所述环境数据在数据库中匹配相应的指令选择逻辑;
根据匹配出的指令选择逻辑,从目标指令单元集中筛选出一组控制指令,并对筛选出的一组控制指令进行权重分配,生成加权目标指令组合;
基于量子加密的编码规则,对所述加权目标指令组合进行高级加密,生成唯一的控制令牌;
通过预设的安全通道将所述控制令牌实时发送至LED节能灯的控制管理终端;其中,所述控制令牌用于对LED节能灯的管理策略进行加密。
可选的,在本发明第一方面的第三种实现方式中,所述获取当前的环境数据,基于所述环境数据在数据库中匹配相应的指令选择逻辑的步骤,包括;
获取当前的环境数据,通过预设的拆分规则对所述环境数据进行拆分处理,得到第一环境数据和第二环境数据;其中,所述第一环境数据由多个数字字符组成;所述第二环境数据由一串不同种类的字符组成;
基于预设的目标字符组合规则分别从所述第一环境数据和所述第二环境数据中获取多个字符进行组合,得到目标字符组合;
基于所述目标字符组合,对标准的编码表进行重新编排,得到第一编码表;
基于所述第一编码表对所述第一环境数据进行解码,得到第一解码数据;
根据所述第一解码数据,在数据库中匹配对应的第一字符分割规则;其中,数据库中存储有第一解码数据与第一字符分割规则的映射关系;
基于匹配出的所述第一字符分割规则对所述第一环境数据进行分割,得到多个第一标识字符组合;
从各个第一标识字符组合中识别出指定位置上包含第一字符的第一标识字符组合,作为目标标识字符组合;
基于所述目标标识字符组合在数据库中匹配相应的指令选择逻辑。
可选的,在本发明第一方面的第四种实现方式中,所述在数据库中搜索预定义的策略编码集的步骤,包括;
获取当前的时间戳信息中的年份以及月份,基于所述年份以及月份,得到对应的第二编码表;其中,所述第二编码表由标准编码表基于所述年份以及月份重新编排所得;
基于所述第二编码表对所述控制指令进行解码,得到第二解码数据;其中,所述控制指令由一串不同种类的字符组成;
根据所述第二解码数据,在数据库中匹配对应的第二字符分割规则;其中,数据库中存储有第二解码数据与第二字符分割规则的映射关系;
基于匹配出的所述第二字符分割规则对所述控制指令进行分割,得到多个第二标识字符组合;
从各个第二标识字符组合中识别出指定位置上包含第二字符的第二标识字符组合,作为策略编码集标识码;
基于所述策略编码集标识码在数据库中搜索预定义的策略编码集。
本发明第二方面提供了一种LED节能灯的智能控制装置,所述LED节能灯的智能控制装置包括:
第一采集模块,用于通过预置的光感应器采集LED节能灯所处环境的光线数据;其中,所述光线数据用于调整LED节能灯的灯珠亮度和灯珠颜色;所述灯珠颜色至少包括冷白光、红光、暖白光;
第二采集模块,用于通过预置的红外传感器采集LED 节能灯所处环境的人体活动数据;其中,所述人体活动数据用于调节LED节能灯的开关状态以及灯珠亮度;
第一处理模块,用于采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;
第二处理模块,用于基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;
提取模块,用于对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;
融合模块,用于基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;
预测模块,用于将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;其中,所述深度学习模型经过提前训练得到;
发送模块,用于基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED 节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED 节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。
本发明第三方面提供了一种LED节能灯的智能控制设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述LED节能灯的智能控制设备执行上述的LED节能灯的智能控制方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的LED节能灯的智能控制方法。
本发明提供的技术方案中,有益效果:本发明提供一种LED节能灯的智能控制方法、装置、设备及存储介质,通过预置的光感应器采集LED节能灯所处环境的光线数据;通过预置的红外传感器采集LED 节能灯所处环境的人体活动数据;采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED 节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED 节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。本发明通过光感应器采集的光线数据,能够使LED节能灯自动调整亮度和颜色,使灯光更加和谐地适应环境,增强用户体验。红外传感器的人体活动数据采集,能够检测房间内是否有人活动,从而智能调节灯的开关和亮度,达到节能效果并避免打扰用户。预设的融合算法结合了环境光线和人体活动的信息,提供了更全面的场景识别,增强了预测准确性。并且经过训练的深度学习模型能够基于融合的特征数据进行准确预测,生成详尽的智能控制策略报告。最后根据预测得到的LED节能灯的运作状态数据,可以为用户或管理终端提供实时反馈,并形成适当的管理策略,使灯具的运作更加智能化、节能和高效。
附图说明
图1为本发明实施例中LED节能灯的智能控制方法的一个实施例示意图;
图2为本发明实施例中LED节能灯的智能控制装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种LED节能灯的智能控制方法、装置、设备及存储介质,用于实现LED节能灯的智能化管理,提高节能效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中LED节能灯的智能控制方法的一个实施例包括:
步骤101、通过预置的光感应器采集LED节能灯所处环境的光线数据;其中,所述光线数据用于调整LED节能灯的灯珠亮度和灯珠颜色;所述灯珠颜色至少包括冷白光、红光、暖白光;
可以理解的是,本发明的执行主体可以为LED节能灯的智能控制装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,本发明实施例按照以下步骤进行实现:
安装光感应器:将光感应器预置在LED节能灯的位置上,以便能够准确地采集环境中的光线数据。光感应器可以是一种光敏传感器,例如光敏电阻、光电二极管(PD)或光敏三角形(LDR)。确保光感应器的位置能够充分接收环境光线。
连接光感应器和LED节能灯:将光感应器与LED节能灯连接起来,以将采集到的光线数据传递到灯控制系统。
采集光线数据:通过光感应器定期采集环境中的光线数据。可以使用微控制器或其他适当的电子设备来读取光感应器的输出。采集的光线数据可以是光强度、光照度或其他适用的光度量单位。
分析光线数据:对采集到的光线数据进行分析和处理。根据数据的变化和范围,确定适当的亮度和颜色调整范围。例如,如果环境中的光线强度较弱,则可以根据光线数据调整灯珠的亮度增加。
调整灯珠亮度和颜色:根据分析的数据和调整范围,控制LED节能灯的亮度和颜色。使用PWM(脉宽调制)技术来调整灯珠的亮度,通过改变PWM的占空比来实现。对于颜色调整,使用多色LED来控制不同颜色的灯珠。根据光线数据,选择合适的冷白光、红光或暖白光来改变灯珠的颜色。
步骤102、通过预置的红外传感器采集LED 节能灯所处环境的人体活动数据;其中,所述人体活动数据用于调节LED节能灯的开关状态以及灯珠亮度;
具体的,本发明实施例按照以下步骤进行实现:
安装红外传感器:将红外传感器预置在LED节能灯的位置上,以便能够准确地检测环境中的人体活动。红外传感器可以是一种基于红外线感应的传感器,能够探测到人体的热量或运动。
连接红外传感器和LED节能灯:将红外传感器与LED节能灯连接起来,以将采集到的人体活动数据传输到灯控制系统。
采集人体活动数据:通过红外传感器定期采集环境中的人体活动数据。当有人经过或活动时,红外传感器将能够检测到人体的热量或运动信号。使用微控制器或其他适当的电子设备来读取红外传感器的输出。
分析人体活动数据:对采集到的人体活动数据进行分析和处理。通过对数据的变化和范围进行分析,确定适当的开关状态和灯珠亮度调整范围。例如,当探测到人体活动时,将LED节能灯开启,并根据人体活动的强度调整灯珠的亮度。
调整开关状态和灯珠亮度:根据分析的数据和调整范围,控制LED节能灯的开关状态和灯珠亮度。当探测到人体活动时,将LED节能灯打开。根据人体活动的强度,选择合适的灯珠亮度来提供适宜的照明效果。
步骤103、采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;
具体的,本发明实施例按照以下步骤进行实现:
收集训练数据:收集具有已知光线数据和对应标签的训练样本。标签可以是光线是否异常或需要降噪处理的指示。确保训练样本具有多样性和代表性,涵盖光线数据的各种情况和可能的异常情况。
特征提取:从采集到的光线数据中提取有用的特征,这些特征可以使用统计学方法或信号处理技术进行提取。例如,你可以计算光线数据的均值、方差、频谱特征等。
构建机器学习模型:选择机器学习算法来构建一个模型,用于异常检测和降噪处理。机器学习算法包括支持向量机、随机森林、神经网络等。
数据预处理和模型训练:对训练数据进行预处理,例如归一化、平滑处理等。将预处理后的数据分割为训练集和验证集,在训练集上训练机器学习模型,并进行参数调优。使用验证集评估模型的性能和准确度,以便进行进一步的改进。
异常检测和降噪处理:使用训练好的机器学习模型来对实际的光线数据进行异常检测和降噪处理。将光线数据输入模型,并根据模型的输出结果判断数据是否为异常或需要降噪。根据模型的阈值或概率来进行判断。
数据处理和反馈:根据异常检测和降噪处理的结果,对光线数据进行相应的处理或反馈。例如,对异常数据进行修正、报警或剔除;对降噪后的数据进行使用或存储。
步骤104、基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;
具体的,本发明实施例按照以下步骤进行实现:
确定自适应算法:选择自适应算法来处理人体活动数据。自适应算法是一种能够根据数据的特征和变化,自动调整参数或模型的方法。所述自适应算法至少包括自适应滤波算法、自适应阈值算法。
数据预处理:对人体活动数据进行预处理,例如去除噪声、平滑处理等。通过使用滑动窗口平均、中值滤波等技术来消除人体活动数据中的噪声。
自适应算法应用:将预处理后的人体活动数据输入自适应算法中。根据算法的特性,自动调整参数或模型,以适应人体活动数据的变化和特征。自适应算法根据当前的人体活动情况和历史的变化趋势,进行实时的调整和优化。
得到第二数据:根据自适应算法的输出结果,得到第二数据。第二数据是根据人体活动的强度和频率调整LED节能灯的开关状态、灯珠亮度等。例如,在人体活动较为剧烈时,自适应算法可以自动增加LED节能灯的亮度。
步骤105、对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;
具体的,本发明实施例按照以下步骤进行实现:
第一数据特征提取包括:
统计特征:如平均值、标准差、最大值、最小值等,用于描述第一数据的整体分布和变化情况。
频域特征:如频谱分析、功率谱密度等,用于描述第一数据在不同频率范围内的能量分布。
时域特征:如自相关、互相关等,用于描述第一数据在时间领域内的相关性和重复性。
第二数据特征提取包括:
人体活动强度:如活动频率、活动幅度等,用于描述第二数据中人体活动的强度和变化情况。
人体活动类型:如静止、行走、跑步等,用于描述第二数据中人体活动的分类。
时域特征:如平均值、最大值、最小值等,用于描述第二数据在时间领域内的变化情况。
特征数据提取:从每个原始数据源中提取的特征形成第一特征数据和第二特征数据。
步骤106、基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;
具体的,本发明实施例按照以下步骤进行实现:
确定融合算法:选择融合算法来将第一特征数据和第二特征数据进行合并或整合。融合算法包括加权平均、逻辑运算,或者更复杂的模型集成方法,如决策树集成、神经网络集成等。
特征数据预处理:对第一特征数据和第二特征数据进行预处理,确保数据的一致性和准确性。预处理包括进行数据归一化、标准化、缺失值填充等预处理步骤,以便更好地进行融合处理。
特征数据融合:将预处理后的第一特征数据和第二特征数据输入融合算法中。根据融合算法的规则和机制,将两个特征数据源进行融合,得到目标特征数据。融合包括是简单的特征合并,也包括是更复杂的特征变换或模型集成。
得到目标特征数据:根据融合算法的输出结果,得到目标特征数据。目标特征数据是对第一特征数据和第二特征数据进行融合后的结果,具有更丰富的特征信息和更好的表达能力。
步骤107、将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;其中,所述深度学习模型经过提前训练得到;
具体的,本发明实施例按照以下步骤进行实现:
准备深度学习模型:深度学习模型可以是卷积神经网络 (CNN)、循环神经网络(RNN)、Transformer。
目标特征数据预处理:对目标特征数据进行预处理,以适应深度学习模型的输入要求。预处理步骤包括数据归一化、标准化、填充或裁剪等。确保目标特征数据与之前用于训练深度学习模型的数据具有相同的数据范围和格式。
深度学习模型预测:将经过预处理的目标特征数据输入到深度学习模型中进行预测。通过模型的前向传播过程,模型将根据输入数据生成相应的输出。输出可以是智能控制策略的预测结果、类别概率、回归结果等,
智能控制策略报告生成:根据深度学习模型的预测输出,生成智能控制策略报告。智能控制策略报告是关于光线调节、照明控制、能效优化等方面的指导意见、建议或详细说明。
步骤108、基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED 节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。
具体的,本发明实施例按照以下步骤进行实现:
智能控制策略报告分析:分析智能控制策略报告中包含的指导意见、建议或详细说明。理解报告中提到的关于光线调节、照明控制、能效优化等方面的信息,并对LED节能灯的运作状态作出相应的预测和分析。
运作状态预测分析:根据智能控制策略报告中的信息,基于历史数据、实时数据和其他可用数据,对LED节能灯的运作状态进行预测分析。利用机器学习或统计方法来建模和预测LED节能灯的运作状态,例如使用时间序列分析、回归模型等。
运作状态预测数据生成:根据运作状态预测分析的结果,生成LED节能灯的运作状态预测数据。运作状态预测数据可以包括预测的亮度、颜色、开关状态、功率等。
管理策略生成:根据运作状态预测数据,生成相应的管理策略。管理策略可以包括灯光亮度调整、时间调度、能耗优化等方面的指令或规则。确保管理策略明确、可行,并能满足LED节能灯的运作需求和用户的要求。
发送管理策略:将生成的管理策略发送至LED节能灯的控制管理终端。通过控制管理终端,LED节能灯可以接收并执行相应的管理策略,实现智能控制和运作优化。确保发送的管理策略与控制管理终端的通信协议和接口兼容,并能实现可靠的控制和管理功能。
本发明实施例中LED节能灯的智能控制方法的另一个实施例包括:
所述将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告,包括:
通过混合型训练模型对从多个数据源获得的所述目标特征数据进行特征优化,得到一个融合预测向量;其中,所述训练后的深度学习模型至少包括所述混合型训练模型;
在经过逐层优化的语义空间中,构建与所述目标特征数据和融合预测向量相应的三维策略坐标系;其中,所述目标特征数据沿Z轴定位,并在X轴和Y轴方向生成多维响应矩阵;所述融合预测向量沿Y轴定位,并在X轴和Z轴方向形成多维决策矩阵;
在三维策略坐标系中,构建一个由机器学习模型组成的稳定状态超平面;其中,所述稳定状态超平面由经训练确定的参数集定义;
量化所述融合预测向量在三维策略坐标系中与所述稳定状态超平面的距离,作为风险评估指标,将所述风险评估指标与预设的风险阈值进行比较;得到融合预测向量的各个偏差值;并将所述偏差值标注在融合预测向量的相应节点上;
基于融合预测向量的每个带有偏差值的节点,从预设的控制策略库中动态选择或生成相应的控制策略方案,修正所述风险评估指标,得到修正信息,并将修正信息整合进控制策略方案,得到智能控制策略报告。
具体的,本发明实施例按照以下步骤进行实现:
特征优化:利用混合型训练模型对目标特征数据进行处理,结合多个数据源的信息,得到一个统一的融合预测向量。
例:如果目标特征数据包括了光照度和人体活动频率,混合型训练模型可以将这两者整合,优化其权重,得到一个融合预测向量。
三维策略坐标系构建:在语义空间内创建一个三维坐标系。目标特征数据沿Z轴定位,而X轴和Y轴方向生成多维响应矩阵。融合预测向量则沿Y轴定位,并在X轴和Z轴形成多维决策矩阵。
例:在此坐标系中,Z轴可以代表光照度,Y轴代表人体活动频率,X轴代表时间段,从而形成一个完整的策略分析平台。
超平面构建:在此三维策略坐标系中,建立一个由机器学习模型确定的稳定状态超平面。这个超平面反映了理想或稳定的控制状态。
例:超平面可能代表一个在特定光照和人体活动下的理想LED灯亮度。
风险评估:计算融合预测向量与稳定状态超平面的距离,并将此距离作为风险评估指标。与预设的风险阈值对比,得到融合预测向量的各个偏差值,并标注。
例:如果距离超平面很远,可能意味着需要较大的调整来达到理想状态,这时的风险评估指标将会较高。
策略生成:根据带有偏差值的节点,在预设的控制策略库中选择或生成对应的控制策略。利用这些策略修正风险评估指标,并将修正信息整合,最终形成智能控制策略报告。
例:如果某节点的偏差值显示在晚上人体活动频繁但光线不足,控制策略库可能建议增加LED灯的亮度。这些建议将整合在智能控制策略报告中。
本发明实施例中LED节能灯的智能控制方法的另一个实施例包括:
所述将所述管理策略发送至LED 节能灯的控制管理终端之前,包括:
在数据库中搜索预定义的策略编码集;其中,所述策略编码集包含多个指令单元集,每个指令单元集内含有不同的控制指令;
基于预设的随机算法从策略编码集中选择一个指令单元集,并查验所述指令单元集的访问记录,以判断所述指令单元集是否被选用;
如果所述指令单元集之前未被选用,将所述指令单元集标记为目标指令单元集,并更新所述指令单元集的访问记录为已选用;
获取当前的环境数据,基于所述环境数据在数据库中匹配相应的指令选择逻辑;
根据匹配出的指令选择逻辑,从目标指令单元集中筛选出一组控制指令,并对筛选出的一组控制指令进行权重分配,生成加权目标指令组合;
基于量子加密的编码规则,对所述加权目标指令组合进行高级加密,生成唯一的控制令牌;
通过预设的安全通道将所述控制令牌实时发送至LED节能灯的控制管理终端;其中,所述控制令牌用于对LED节能灯的管理策略进行加密。
具体的,本发明实施例按照以下步骤进行实现:
搜索预定义的策略编码集:首先,在数据库中查找预先定义好的策略编码集,该编码集包括多个不同的指令单元集。
例:一个指令单元集可能包含“开灯、设定亮度为50%、设定颜色为暖白光”等不同的控制指令。
选择和标记指令单元集:运用预设的随机算法从编码集中选出一个指令单元集,并查验该集是否之前已被使用。若未使用,将其标记为目标指令单元集,并更新数据库的访问记录。
获取和匹配环境数据:获取当前环境的数据,如光照、人体活动等,并在数据库中找到与这些环境数据相对应的指令选择逻辑。
例:如果当前环境光线暗,指令选择逻辑可能倾向于“提高亮度”或“开启灯光”。
筛选和加权控制指令:根据匹配出的指令选择逻辑,从目标指令单元集中筛选出一组控制指令。这些筛选出的指令会根据其重要性或优先级进行权重分配,形成一个加权目标指令组合。
例:如果提高亮度是主要需求,它可能会被赋予更高的权重值。
量子加密与生成控制令牌:应用量子加密规则对这个加权目标指令组合进行高级加密,从而生成一个唯一的控制令牌。
通过安全通道发送控制令牌:最后,通过一个预设的安全通道,将这个控制令牌实时发送至LED节能灯的控制管理终端。该控制令牌将用于加密的管理策略执行。
本发明实施例中LED节能灯的智能控制方法的另一个实施例包括:
所述获取当前的环境数据,基于所述环境数据在数据库中匹配相应的指令选择逻辑的步骤,包括;
获取当前的环境数据,通过预设的拆分规则对所述环境数据进行拆分处理,得到第一环境数据和第二环境数据;其中,所述第一环境数据由多个数字字符组成;所述第二环境数据由一串不同种类的字符组成;
基于预设的目标字符组合规则分别从所述第一环境数据和所述第二环境数据中获取多个字符进行组合,得到目标字符组合;
基于所述目标字符组合,对标准的编码表进行重新编排,得到第一编码表;
基于所述第一编码表对所述第一环境数据进行解码,得到第一解码数据;
根据所述第一解码数据,在数据库中匹配对应的第一字符分割规则;其中,数据库中存储有第一解码数据与第一字符分割规则的映射关系;
基于匹配出的所述第一字符分割规则对所述第一环境数据进行分割,得到多个第一标识字符组合;
从各个第一标识字符组合中识别出指定位置上包含第一字符的第一标识字符组合,作为目标标识字符组合;
基于所述目标标识字符组合在数据库中匹配相应的指令选择逻辑。
具体的,本发明实施例按照以下步骤进行实现:
获取环境数据并拆分:开始时,获取当前的环境数据。这些数据可能包括光照、温度等信息。应用预设的拆分规则,将环境数据分成两部分:第一环境数据和第二环境数据。
例:如果环境数据是"75321AFC",按照规则拆分为第一环境数据"75321"和第二环境数据"AFC"。
目标字符组合生成:使用预设的目标字符组合规则,从第一环境数据和第二环境数据中选择多个字符进行组合,得到一个目标字符组合。
例:通过组合"753"和"AFC"得到目标字符组合"753AFC"。
编码表重新编排:基于目标字符组合,重新编排标准的编码表,得到一个新的第一编码表。
例:原编码表为A=1, B=2, ...,经过重新编排后,可能变为A=3, B=7, ...。
第一环境数据解码:使用新的第一编码表对第一环境数据进行解码,得到第一解码数据。
例:对于第一环境数据"75321",使用新编码表解码可能得到"37CBE"。
匹配第一字符分割规则:在数据库中存储有第一解码数据与第一字符分割规则的映射关系。根据第一解码数据,在数据库中匹配对应的第一字符分割规则。
例:如果"37CBE"对应于分割规则"ABCD", 则此匹配会返回规则"ABCD"。
第一环境数据分割:应用匹配到的第一字符分割规则对第一环境数据进行分割,得到多个第一标识字符组合。
例:根据规则"ABCD",将"75321"分割为"A=75, B=3, C=2, D=1"。
识别目标标识字符组合:从分割后的第一标识字符组合中,识别包含目标字符的标识字符组合。
例:在"A=75, B=3, C=2, D=1"中,识别包含"A"的组合,即"A=75"。
匹配指令选择逻辑:基于识别到的目标标识字符组合,在数据库中匹配相应的指令选择逻辑。
例:如果"A=75"对应于指令选择逻辑"增加亮度",则匹配会返回该逻辑。
本发明实施例中,有益效果:本发明实施例可以实现根据当前环境数据匹配相应的指令选择逻辑,从而确定LED节能灯的控制策略。这个流程保证了灵活性和精确性,使得LED灯的管理更加智能和个性化。
本发明实施例中LED节能灯的智能控制方法的另一个实施例包括:
所述在数据库中搜索预定义的策略编码集的步骤,包括;
获取当前的时间戳信息中的年份以及月份,基于所述年份以及月份,得到对应的第二编码表;其中,所述第二编码表由标准编码表基于所述年份以及月份重新编排所得;
基于所述第二编码表对所述控制指令进行解码,得到第二解码数据;其中,所述控制指令由一串不同种类的字符组成;
根据所述第二解码数据,在数据库中匹配对应的第二字符分割规则;其中,数据库中存储有第二解码数据与第二字符分割规则的映射关系;
基于匹配出的所述第二字符分割规则对所述控制指令进行分割,得到多个第二标识字符组合;
从各个第二标识字符组合中识别出指定位置上包含第二字符的第二标识字符组合,作为策略编码集标识码;
基于所述策略编码集标识码在数据库中搜索预定义的策略编码集。
具体的,本发明实施例按照以下步骤进行实现:
获取时间戳信息并生成第二编码表:首先,获取当前的时间戳信息中的年份和月份。基于这两个信息,重新编排标准的编码表来得到对应的第二编码表。
例:如果当前年份和月份是2023年8月,那么可能会有一个特定的编码表,例如"A=8, B=23, C=5,..."与此对应。
控制指令解码:使用第二编码表对控制指令进行解码,得到第二解码数据。需要注意的是,这里的控制指令由一系列不同种类的字符组成。
例:如果控制指令是"AFB",使用第二编码表可能会得到解码数据"825"。
匹配第二字符分割规则:在数据库中存在第二解码数据与第二字符分割规则的映射关系。根据解码后的第二解码数据,在数据库中查找对应的第二字符分割规则。
例:假设"825"对应于分割规则"XY", 则此匹配会返回规则"XY"。
分割控制指令:根据匹配出的第二字符分割规则,对控制指令进行分割,得到多个第二标识字符组合。
例:基于规则"XY",将"AFB"分割为"X=AF, Y=B"。
识别策略编码集标识码:从分割后的第二标识字符组合中,识别指定位置上包含第二字符的标识字符组合,这个组合将作为策略编码集的标识码。
例:如果目标是识别包含"Y"的字符组合,那么"Y=B"将被识别为策略编码集的标识码。
搜索预定义的策略编码集:根据得到的策略编码集标识码,直接在数据库中搜索与之对应的预定义策略编码集。
本发明实施例中,有益效果:本发明实施例可以实现基于当前时间的年份和月份,以及控制指令,搜索并获取数据库中与此相关的策略编码集,从而为后续的控制管理提供适当的策略指令。这样的设计确保了策略的动态性和时效性。
上面对本发明实施例中LED节能灯的智能控制方法进行了描述,下面对本发明实施例中LED节能灯的智能控制装置进行描述,请参阅图2,本发明实施例中LED节能灯的智能控制装置一个实施例包括:
所述LED节能灯的智能控制装置包括:
第一采集模块,用于通过预置的光感应器采集LED节能灯所处环境的光线数据;其中,所述光线数据用于调整LED节能灯的灯珠亮度和灯珠颜色;所述灯珠颜色至少包括冷白光、红光、暖白光;
第二采集模块,用于通过预置的红外传感器采集LED 节能灯所处环境的人体活动数据;其中,所述人体活动数据用于调节LED节能灯的开关状态以及灯珠亮度;
第一处理模块,用于采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;
第二处理模块,用于基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;
提取模块,用于对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;
融合模块,用于基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;
预测模块,用于将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;其中,所述深度学习模型经过提前训练得到;
发送模块,用于基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED 节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED 节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。
在本实施例中,上述LED节能灯的智能控制装置实施例中的各个模块的具体实现,请参照上述LED节能灯的智能控制方法实施例中所述,在此不再进行赘述。
本发明还提供一种LED节能灯的智能控制设备,所述LED节能灯的智能控制设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述LED节能灯的智能控制方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述LED节能灯的智能控制方法的步骤。
有益效果:本发明提供一种LED节能灯的智能控制方法、装置、设备及存储介质,通过预置的光感应器采集LED节能灯所处环境的光线数据;通过预置的红外传感器采集LED节能灯所处环境的人体活动数据;采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED 节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED 节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。本发明通过光感应器采集的光线数据,能够使LED节能灯自动调整亮度和颜色,使灯光更加和谐地适应环境,增强用户体验。红外传感器的人体活动数据采集,能够检测房间内是否有人活动,从而智能调节灯的开关和亮度,达到节能效果并避免打扰用户。预设的融合算法结合了环境光线和人体活动的信息,提供了更全面的场景识别,增强了预测准确性。并且经过训练的深度学习模型能够基于融合的特征数据进行准确预测,生成详尽的智能控制策略报告。最后根据预测得到的LED节能灯的运作状态数据,可以为用户或管理终端提供实时反馈,并形成适当的管理策略,使灯具的运作更加智能化、节能和高效。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种LED节能灯的智能控制方法,其特征在于,包括:
通过预置的光感应器采集LED节能灯所处环境的光线数据;其中,所述光线数据用于调整LED节能灯的灯珠亮度和灯珠颜色;所述灯珠颜色至少包括冷白光、红光、暖白光;
通过预置的红外传感器采集LED 节能灯所处环境的人体活动数据;其中,所述人体活动数据用于调节LED节能灯的开关状态以及灯珠亮度;
采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;
基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;
对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;
基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;
将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;其中,所述深度学习模型经过提前训练得到;
基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED 节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。
2.根据权利要求1所述的智能控制方法,其特征在于,所述将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告,包括:
通过混合型训练模型对从多个数据源获得的所述目标特征数据进行特征优化,得到一个融合预测向量;其中,所述训练后的深度学习模型至少包括所述混合型训练模型;
在经过逐层优化的语义空间中,构建与所述目标特征数据和融合预测向量相应的三维策略坐标系;其中,所述目标特征数据沿Z轴定位,并在X轴和Y轴方向生成多维响应矩阵;所述融合预测向量沿Y轴定位,并在X轴和Z轴方向形成多维决策矩阵;
在三维策略坐标系中,构建一个由机器学习模型组成的稳定状态超平面;其中,所述稳定状态超平面由经训练确定的参数集定义;
量化所述融合预测向量在三维策略坐标系中与所述稳定状态超平面的距离,作为风险评估指标,将所述风险评估指标与预设的风险阈值进行比较;得到融合预测向量的各个偏差值;并将所述偏差值标注在融合预测向量的相应节点上;
基于融合预测向量的每个带有偏差值的节点,从预设的控制策略库中动态选择或生成相应的控制策略方案,修正所述风险评估指标,得到修正信息,并将修正信息整合进控制策略方案,得到智能控制策略报告。
3.根据权利要求1所述的智能控制方法,其特征在于,所述将所述管理策略发送至LED节能灯的控制管理终端之前,包括:
在数据库中搜索预定义的策略编码集;其中,所述策略编码集包含多个指令单元集,每个指令单元集内含有不同的控制指令;
基于预设的随机算法从策略编码集中选择一个指令单元集,并查验所述指令单元集的访问记录,以判断所述指令单元集是否被选用;
如果所述指令单元集之前未被选用,将所述指令单元集标记为目标指令单元集,并更新所述指令单元集的访问记录为已选用;
获取当前的环境数据,基于所述环境数据在数据库中匹配相应的指令选择逻辑;
根据匹配出的指令选择逻辑,从目标指令单元集中筛选出一组控制指令,并对筛选出的一组控制指令进行权重分配,生成加权目标指令组合;
基于量子加密的编码规则,对所述加权目标指令组合进行高级加密,生成唯一的控制令牌;
通过预设的安全通道将所述控制令牌实时发送至LED节能灯的控制管理终端;其中,所述控制令牌用于对LED节能灯的管理策略进行加密。
4.根据权利要求3所述的智能控制方法,其特征在于,所述获取当前的环境数据,基于所述环境数据在数据库中匹配相应的指令选择逻辑的步骤,包括;
获取当前的环境数据,通过预设的拆分规则对所述环境数据进行拆分处理,得到第一环境数据和第二环境数据;其中,所述第一环境数据由多个数字字符组成;所述第二环境数据由一串不同种类的字符组成;
基于预设的目标字符组合规则分别从所述第一环境数据和所述第二环境数据中获取多个字符进行组合,得到目标字符组合;
基于所述目标字符组合,对标准的编码表进行重新编排,得到第一编码表;
基于所述第一编码表对所述第一环境数据进行解码,得到第一解码数据;
根据所述第一解码数据,在数据库中匹配对应的第一字符分割规则;其中,数据库中存储有第一解码数据与第一字符分割规则的映射关系;
基于匹配出的所述第一字符分割规则对所述第一环境数据进行分割,得到多个第一标识字符组合;
从各个第一标识字符组合中识别出指定位置上包含第一字符的第一标识字符组合,作为目标标识字符组合;
基于所述目标标识字符组合在数据库中匹配相应的指令选择逻辑。
5.根据权利要求3所述的智能控制方法,其特征在于,所述在数据库中搜索预定义的策略编码集的步骤,包括;
获取当前的时间戳信息中的年份以及月份,基于所述年份以及月份,得到对应的第二编码表;其中,所述第二编码表由标准编码表基于所述年份以及月份重新编排所得;
基于所述第二编码表对所述控制指令进行解码,得到第二解码数据;其中,所述控制指令由一串不同种类的字符组成;
根据所述第二解码数据,在数据库中匹配对应的第二字符分割规则;其中,数据库中存储有第二解码数据与第二字符分割规则的映射关系;
基于匹配出的所述第二字符分割规则对所述控制指令进行分割,得到多个第二标识字符组合;
从各个第二标识字符组合中识别出指定位置上包含第二字符的第二标识字符组合,作为策略编码集标识码;
基于所述策略编码集标识码在数据库中搜索预定义的策略编码集。
6.一种LED节能灯的智能控制装置,其特征在于,所述LED节能灯的智能控制装置包括:
第一采集模块,用于通过预置的光感应器采集LED节能灯所处环境的光线数据;其中,所述光线数据用于调整LED节能灯的灯珠亮度和灯珠颜色;所述灯珠颜色至少包括冷白光、红光、暖白光;
第二采集模块,用于通过预置的红外传感器采集LED 节能灯所处环境的人体活动数据;其中,所述人体活动数据用于调节LED节能灯的开关状态以及灯珠亮度;
第一处理模块,用于采用机器学习算法对所述光线数据进行异常去除和降噪处理,得到第一数据;
第二处理模块,用于基于预设的自适应算法对所述人体活动数据进行处理,得到第二数据;
提取模块,用于对所述第一数据进行特征提取,得到第一特征数据,对所述第二数据进行特征提取,得到第二特征数据;
融合模块,用于基于预设的融合算法对所述第一特征数据和所述第二特征数据进行融合处理,得到目标特征数据;
预测模块,用于将所述目标特征数据输入至训练后的深度学习模型中进行预测,得到智能控制策略报告;其中,所述深度学习模型经过提前训练得到;
发送模块,用于基于所述智能控制策略报告对所述LED节能灯进行运作状态的预测分析,得到所述LED 节能灯的运作状态预测数据,根据所述运作状态预测数据生成所述LED节能灯的管理策略,并将所述管理策略发送至LED 节能灯的控制管理终端。
7.一种LED节能灯的智能控制设备,其特征在于,所述LED节能灯的智能控制设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述LED节能灯的智能控制设备执行如权利要求1-5中任一项所述的LED节能灯的智能控制方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的LED节能灯的智能控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338860.1A CN117098270B (zh) | 2023-10-17 | 2023-10-17 | Led节能灯的智能控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338860.1A CN117098270B (zh) | 2023-10-17 | 2023-10-17 | Led节能灯的智能控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117098270A CN117098270A (zh) | 2023-11-21 |
CN117098270B true CN117098270B (zh) | 2023-12-19 |
Family
ID=88771843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311338860.1A Active CN117098270B (zh) | 2023-10-17 | 2023-10-17 | Led节能灯的智能控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117098270B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117354986B (zh) * | 2023-12-04 | 2024-03-22 | 深圳市胜天光电技术有限公司 | 一种多功能led灯珠的智能控制方法及系统 |
CN117545122A (zh) * | 2023-12-07 | 2024-02-09 | 广东省科技基础条件平台中心 | 一种led灯阵控制方法、装置、存储介质及设备 |
CN117711309B (zh) * | 2024-02-06 | 2024-05-07 | 深圳市东陆科技有限公司 | 基于mcu控制器的led显示控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105517276A (zh) * | 2016-03-15 | 2016-04-20 | 横店集团得邦照明股份有限公司 | 一种基于多传感器数据融合的室内led智能照明系统 |
CN108337791A (zh) * | 2018-03-25 | 2018-07-27 | 安徽科技学院 | 一种教室照明节能控制器 |
CN110531681A (zh) * | 2019-09-17 | 2019-12-03 | 山东建筑大学 | 基于深度强化学习的室内照明数据采集控制系统及方法 |
CN111246638A (zh) * | 2020-01-23 | 2020-06-05 | 深圳市大拿科技有限公司 | 智能灯具控制方法及相关装置 |
CN111556630A (zh) * | 2020-06-29 | 2020-08-18 | 东北大学 | 基于贝叶斯网络的智能灯自适应场景识别系统及方法 |
CN116634638A (zh) * | 2023-05-16 | 2023-08-22 | 珠海光通智装科技有限公司 | 灯光控制策略的生成方法、灯光控制方法以及相关装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11425803B2 (en) * | 2018-10-05 | 2022-08-23 | Ledvance Llc | Predictive smart light control |
-
2023
- 2023-10-17 CN CN202311338860.1A patent/CN117098270B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105517276A (zh) * | 2016-03-15 | 2016-04-20 | 横店集团得邦照明股份有限公司 | 一种基于多传感器数据融合的室内led智能照明系统 |
CN108337791A (zh) * | 2018-03-25 | 2018-07-27 | 安徽科技学院 | 一种教室照明节能控制器 |
CN110531681A (zh) * | 2019-09-17 | 2019-12-03 | 山东建筑大学 | 基于深度强化学习的室内照明数据采集控制系统及方法 |
CN111246638A (zh) * | 2020-01-23 | 2020-06-05 | 深圳市大拿科技有限公司 | 智能灯具控制方法及相关装置 |
CN111556630A (zh) * | 2020-06-29 | 2020-08-18 | 东北大学 | 基于贝叶斯网络的智能灯自适应场景识别系统及方法 |
CN116634638A (zh) * | 2023-05-16 | 2023-08-22 | 珠海光通智装科技有限公司 | 灯光控制策略的生成方法、灯光控制方法以及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117098270A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117098270B (zh) | Led节能灯的智能控制方法、装置、设备及存储介质 | |
JP2012529736A (ja) | 複数の制御可能な照明ネットワークに適用できる個人の好みを自動的に取り出して修正するためのシステム及び装置 | |
CN117354986B (zh) | 一种多功能led灯珠的智能控制方法及系统 | |
CN110704846A (zh) | 一种人在回路的智能化安全漏洞发现方法 | |
CN117545121A (zh) | Led灯的灯光亮度控制方法、装置、设备及存储介质 | |
CN117711309B (zh) | 基于mcu控制器的led显示控制方法及系统 | |
CN117500127B (zh) | 基于无线通信的灯光控制方法及系统 | |
CN116916504B (zh) | 调光面板的智能控制方法、装置、设备及存储介质 | |
US11737193B2 (en) | System and method for adaptive fusion of data from multiple sensors using context-switching algorithm | |
CN115982646A (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
Zarindast et al. | A data-driven personalized smart lighting recommender system | |
CN115391151A (zh) | 一种基于对象关系进行智能发现告警标签的方法 | |
Singla et al. | Word embeddings for loT based on device activity footprints | |
CN117850261B (zh) | 智能开关传感器数据分析方法及系统 | |
KR102026776B1 (ko) | 교차 의사결정 기반 스마트홈 서비스 방법 및 시스템 | |
Georgievski et al. | Activity learning for intelligent buildings | |
CN117528886B (zh) | 一种基于物联网的led灯珠智能调控方法及系统 | |
CN117850261A (zh) | 智能开关传感器数据分析方法及系统 | |
CN117528886A (zh) | 一种基于物联网的led灯珠智能调控方法及系统 | |
CN117460128B (zh) | 基于多维数据分析的光罩调光控制方法及系统 | |
Leotta et al. | Unsupervised Segmentation of Smart Home Position Logs for Human Activity Analysis | |
CN117241443B (zh) | 基于物联网的智能照明灯具及其智能控制方法 | |
KR102662648B1 (ko) | Led 조명 제어 시스템 및 방법 | |
CN117708680B (zh) | 一种用于提升分类模型准确度的方法及装置、存储介质、电子装置 | |
Öztürk | A predictive control system for indoor lighting |
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 | ||
CP03 | Change of name, title or address |
Address after: 518000, 1st floor, Building 4, No. 263 Changfeng Road, Fenghuang Community, Fenghuang Street, Guangming District, Shenzhen, Guangdong Province Patentee after: Tiancheng High tech (Shenzhen) Co.,Ltd. Country or region after: China Address before: 518000, 1st floor, Building 4, No. 263 Changfeng Road, Fenghuang Community, Fenghuang Street, Guangming District, Shenzhen, Guangdong Province Patentee before: SHENZHEN TIANCHENG LIGHTING Co.,Ltd. Country or region before: China |