CN117295198A - 智能台灯的控制方法及系统 - Google Patents
智能台灯的控制方法及系统 Download PDFInfo
- Publication number
- CN117295198A CN117295198A CN202311242356.1A CN202311242356A CN117295198A CN 117295198 A CN117295198 A CN 117295198A CN 202311242356 A CN202311242356 A CN 202311242356A CN 117295198 A CN117295198 A CN 117295198A
- Authority
- CN
- China
- Prior art keywords
- distance
- desk lamp
- feature vector
- light intensity
- time sequence
- 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 45
- 239000013598 vector Substances 0.000 claims abstract description 153
- 238000005286 illumination Methods 0.000 claims abstract description 83
- 230000004927 fusion Effects 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 239000011324 bead Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 82
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 abstract description 7
- 230000002035 prolonged effect Effects 0.000 abstract description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004313 glare Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
-
- 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
Abstract
公开了一种智能台灯的控制方法及系统。其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环境光照强度值,接着,获取所述多个预定时间点的用户距离智能台灯的距离值,然后,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强‑距离融合特征向量,接着,基于所述环境光强‑距离融合特征向量,生成台灯照明控制指令,最后,以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。这样,可以根据环境光照和用户的视觉需求,智能地调节台灯的亮度和色温,提高用户的舒适度和工作效率,节约能源,延长台灯的使用寿命。
Description
技术领域
本申请涉及智能台灯领域,且更为具体地,涉及一种智能台灯的控制方法及系统。
背景技术
台灯是一种常见的照明设备,通常用于阅读、写作、学习等场合。台灯的亮度和色温对用户的视觉舒适度和工作效率有重要的影响。传统的台灯通常只能通过开关或旋钮来控制亮度和色温,不能根据环境光照和用户的视觉需求进行智能调节,容易造成眼睛疲劳、视力下降、能源浪费等问题。
因此,期待一种优化的台灯的控制方案。
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台灯的控制方法及系统。其可以根据环境光照和用户的视觉需求,智能地调节台灯的亮度和色温,提高用户的舒适度和工作效率,节约能源,延长台灯的使用寿命。
根据本申请的一个方面,提供了一种智能台灯的控制方法,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环境光照强度值;
获取所述多个预定时间点的用户距离智能台灯的距离值;
对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量;
基于所述环境光强-距离融合特征向量,生成台灯照明控制指令;以及
以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
根据本申请的另一个方面,提供了一种智能台灯的控制系统,其包括:
环境光强采集模块,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环境光照强度值;
距离值采集模块,用于获取所述多个预定时间点的用户距离智能台灯的距离值;
联合分析模块,用于对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量;
控制指令生成模块,用于基于所述环境光强-距离融合特征向量,生成台灯照明控制指令;以及
电流调节模块,用于以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
与现有技术相比,本申请提供的智能台灯的控制方法及系统,其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环境光照强度值,接着,获取所述多个预定时间点的用户距离智能台灯的距离值,然后,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量,接着,基于所述环境光强-距离融合特征向量,生成台灯照明控制指令,最后,以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。这样,可以根据环境光照和用户的视觉需求,智能地调节台灯的亮度和色温,提高用户的舒适度和工作效率,节约能源,延长台灯的使用寿命。
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,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台灯的控制方法的流程图。
图2为根据本申请实施例的智能台灯的控制方法的架构示意图。
图3为根据本申请实施例的智能台灯的控制方法的子步骤S130的流程图。
图4为根据本申请实施例的智能台灯的控制方法的子步骤S131的流程图。
图5为根据本申请实施例的智能台灯的控制方法的子步骤S140的流程图。
图6为根据本申请实施例的智能台灯的控制系统的框图。
图7为根据本申请实施例的智能台灯的控制方法的应用场景图。
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。
针对上述技术问题,本申请的技术构思为根据环境光照和用户的视觉需求,智能地调节台灯的亮度和色温,提高用户的舒适度和工作效率,节约能源,延长台灯的使用寿命。
基于此,图1为根据本申请实施例的智能台灯的控制方法的流程图。图2为根据本申请实施例的智能台灯的控制方法的架构示意图。如图1和图2所示,根据本申请实施例的智能台灯的控制方法,包括步骤: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环境光照强度值;S120,获取所述多个预定时间点的用户距离智能台灯的距离值;S130,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量;S140,基于所述环境光强-距离融合特征向量,生成台灯照明控制指令;以及,S150,以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
相应地,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环境光照强度值,并获取所述多个预定时间点的用户距离智能台灯的距离值。应可以理解,用户距离台灯的距离与其对台灯照明亮度和色温的感知有关。当用户离台灯较近时,台灯的光线会更直接地照射到用户的眼睛,这可能导致较强的眩光感,需要适当降低亮度或调整色温来减少眩光的影响。相反,当用户离台灯较远时,光线经过较长的传播距离后会变得较弱,可能需要增加亮度或调整色温来提供足够的照明效果。
接着,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量。也就是,综合利用环境光照强度数据与距离数据来进行分析与判断,以准确识别用户的光照需求。
在本申请的一个具体示例中,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量的编码过程,包括:先将所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值分别按照时间维度排列为环境光照强度时序输入向量和距离时序输入向量;随后,将所述环境光照强度时序输入向量和所述距离时序输入向量通过基于一维卷积层的时序特征提取器以得到环境光照强度时序特征向量和距离时序特征向量;再使用特征间注意力层来融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到基于注意力交互的环境光强-距离融合特征向量。也就是,分别对多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行特征提取;再通过所述特征间注意力层将两者进行特征融合与交互。
值得一提的是,传统的注意力机制的目标在于学习一个注意力权重矩阵,应用于当前层的各个神经节点,对于那些重要的节点,赋予它们较大的权重,对于那些次要的节点,赋予它们较小的权重。由于每个神经节点都包含着某种特征信息,经过上述操作,神经网络就能从众多特征信息中选择出对当前任务目标更关键的信息。而所述特征间注意力层则不同,其更多地关注到了各个特征信息间的依赖关系。
相应地,如图3所示,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量,包括:S131,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行数据结构化与特征提取以得到环境光照强度时序特征向量和距离时序特征向量;以及,S132,融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到所述环境光强-距离融合特征向量。应可以理解,步骤S131的作用是对多个预定时间点的环境光照强度值和用户距离智能台灯的距离值进行数据结构化和特征提取,以得到环境光照强度的时序特征向量和距离的时序特征向量,在这一步骤中,首先对环境光照强度值和用户距离进行数据结构化,可能涉及将原始数据整理成适合分析的形式,例如将数据按时间点排序或分段,然后,从结构化数据中提取特征,这些特征可以是统计量、频域特征、时域特征等,用于描述环境光照强度和用户距离的变化规律。步骤S132的作用是将环境光照强度的时序特征向量和距离的时序特征向量进行融合,以得到环境光强-距离融合特征向量,在这一步骤中,可以使用不同的融合方法将两个时序特征向量进行组合,例如,可以简单地将两个特征向量连接起来形成一个更长的特征向量,或者使用加权平均、线性组合等方法将两个特征向量进行加权融合,融合后的特征向量将综合考虑环境光照强度和用户距离的信息,提供更全面的特征表示,可用于后续的分析和应用。
更具体地,在步骤S131中,如图4所示,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行数据结构化与特征提取以得到环境光照强度时序特征向量和距离时序特征向量,包括:S1311,将所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值分别按照时间维度排列为环境光照强度时序输入向量和距离时序输入向量;以及,S1312,将所述环境光照强度时序输入向量和所述距离时序输入向量通过基于一维卷积层的时序特征提取器以得到所述环境光照强度时序特征向量和所述距离时序特征向量。值得一提的是,一维卷积层是卷积神经网络(CNN)中的一种常用层,用于处理具有时间序列结构的数据,它在时序数据的特征提取和模式识别中具有重要作用。一维卷积层的输入和输出都是一维的数据,例如时间序列数据。它通过滑动一个卷积核(一组可学习的权重)在输入数据上进行卷积操作,从而提取局部特征,卷积核的大小决定了提取的特征的范围,可以捕捉到不同尺度的模式。通过卷积操作,一维卷积层可以提取时序数据中的局部特征,卷积核的权重在训练过程中学习,可以自动捕捉数据中的重要模式和特征。一维卷积层可以通过调整卷积核的步幅(stride)和池化操作来减小特征的维度,从而实现降维和压缩数据的效果,这有助于减少模型的复杂度和计算量。一维卷积层可以捕捉时序数据中的局部依赖关系,用于序列建模任务,如时间序列预测、语音识别和自然语言处理等。在S1312步骤中,一维卷积层被用作时序特征提取器,用于从环境光照强度时序输入向量和距离时序输入向量中提取相关的特征。通过卷积操作,一维卷积层可以捕捉输入数据中的时序模式和变化,提取有用的特征表示,为后续的分析和应用提供更丰富的信息。
更具体地,在步骤S132中,融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到所述环境光强-距离融合特征向量,包括:使用特征间注意力层来融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到基于注意力交互的所述环境光强-距离融合特征向量。值得一提的是,特征间注意力层是一种用于学习特征之间关系的机制,可以在特征融合过程中引入注意力机制,从而更加准确地捕捉不同特征之间的重要性和相关性。特征间注意力层的作用是根据输入的特征向量,计算出每个特征在融合过程中的权重或注意力分数,这些权重可以根据特征的重要性来调整特征的贡献度,使得模型能够更加关注重要的特征并抑制不重要的特征,从而提高模型的表现和泛化能力。在融合环境光照强度时序特征向量和距离时序特征向量的过程中,使用特征间注意力层可以实现基于注意力交互的环境光强-距离融合特征向量。通过计算环境光照强度特征向量和距离特征向量之间的注意力权重,可以根据它们的重要性来调整它们的融合程度。这样,模型可以更加灵活地根据输入数据的特点,自适应地决定哪些特征对于最终的融合特征更具有重要性。特征间注意力层的引入有助于提高特征融合的效果,使得模型能够更好地利用输入数据的信息,提供更准确和有针对性的特征表示,从而提升后续任务的性能。
然后,基于所述环境光强-距离融合特征向量,生成台灯照明控制指令;进而,以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
相应地,如图5所示,基于所述环境光强-距离融合特征向量,生成台灯照明控制指令,包括:S141,将所述环境光强-距离融合特征向量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推荐的台灯亮度值和台灯色温值;以及,S142,基于所述解码值,生成台灯照明控制指令。值得一提的是,解码器是神经网络模型中的一部分,用于将学习到的特征表示转换为有意义的输出或预测结果,在生成台灯照明控制指令的过程中,解码器起到将环境光强-距离融合特征向量解码为台灯亮度值和台灯色温值的作用。解码器通常由一系列的神经网络层组成,用于从抽象的特征表示中恢复出原始的目标值,在解码过程中,解码器可以通过学习从特征到目标值的映射关系来生成预测结果。在S141步骤中,环境光强-距离融合特征向量经过解码器进行解码回归,得到解码值。解码值可以是一个或多个连续的数值,用于表示推荐的台灯亮度值和台灯色温值。解码器通过学习输入特征与目标值之间的关系,将抽象的特征表示转换为实际可用的控制指令。在S142步骤中,基于解码值,生成台灯照明控制指令。这可以包括将解码值映射到合适的亮度和色温范围内,生成相应的控制指令,以调整台灯的照明参数,使其适应当前环境的光照强度和用户的距离。解码器的作用是将学习到的特征表示转换为实际可用的输出或预测结果,从而实现对台灯照明参数的控制。它在智能台灯系统中起到关键的作用,通过将抽象的特征转化为实际的控制指令,实现智能照明的自动调节和优化。
进一步地,在本申请的技术方案中,所述的智能台灯的控制方法,其还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述特征间注意力层和所述解码器进行训练。应可以理解,训练步骤在智能台灯控制方法中起到至关重要的作用,通过训练步骤,模型可以学习如何从输入数据中提取有用的特征,以及如何将这些特征转化为实际的控制指令。训练步骤的主要作用包括:1.特征提取器训练:训练基于一维卷积层的时序特征提取器的目的是学习从环境光照强度和用户距离的时序数据中提取有用的特征表示,通过训练,特征提取器可以学习到对环境光照强度和距离变化敏感的特征,以及如何捕捉它们的时序关系。2.特征间注意力层训练:特征间注意力层的训练旨在学习如何计算特征之间的注意力权重,通过训练,模型可以自适应地学习到哪些特征对于融合过程更重要,以及如何根据特征的重要性来调整它们的融合程度,这样可以提高模型对不同特征之间关系的建模能力,进一步优化特征融合过程。3.解码器训练:解码器的训练目标是学习将特征表示转换为实际的台灯亮度值和色温值,通过训练,解码器可以学习到从特征到目标值的映射关系,使得模型能够根据输入的特征表示生成准确的控制指令,解码器的训练使得模型能够理解特征表示的含义,并将其转化为实际可用的输出结果。通过训练步骤,模型可以从大量的训练数据中学习到环境光照强度、用户距离和台灯照明参数之间的复杂关系。这样,模型可以在实际应用中根据环境和用户的变化,自动调节台灯的亮度和色温,提供更加智能和舒适的照明体验。训练步骤的目的是通过数据驱动的方式,提高智能台灯控制方法的性能和适应性。
其中,在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的训练距离值,以及,推荐的台灯亮度值和台灯色温值的真实值;将所述多个预定时间点的训练环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的训练距离值分别按照时间维度排列为训练环境光照强度时序输入向量和训练距离时序输入向量;将所述训练环境光照强度时序输入向量和所述训练距离时序输入向量通过所述基于一维卷积层的时序特征提取器以得到训练环境光照强度时序特征向量和训练距离时序特征向量;使用所述特征间注意力层来融合所述训练环境光照强度时序特征向量和所述训练距离时序特征向量以得到基于注意力交互的训练环境光强-距离融合特征向量;将所述训练环境光强-距离融合特征向量通过解码器进行解码回归以得到解码损失函数值;以及,以所述解码损失函数值来对所述基于一维卷积层的时序特征提取器、所述特征间注意力层和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述解码器的权重矩阵进行基于基准注释的外部边界约束迭代。
在本申请的技术方案中,使用特征间注意力层来融合所述训练环境光照强度时序特征向量和所述训练距离时序特征向量以得到基于注意力交互的所述训练环境光强-距离融合特征向量时,可以使得所述训练环境光强-距离融合特征向量表达训练环境光照强度值和训练距离值的局部时序关联特征之间的特征交互,但另一方面,这种交互特征的提取也会使得所述训练环境光强-距离融合特征向量的整体特征分布偏离所述训练环境光照强度值和训练距离值的关联特征时序分布,尤其是在解码场景下,在解码器的权重矩阵迭代过程中导致所述训练环境光强-距离融合特征向量的回归概率映射的时序偏移,以及进一步的权重矩阵基于所述训练环境光强-距离融合特征向量的拟合发散,从而影响模型的训练效果,以及训练好的模型得到的所述训练环境光强-距离融合特征向量的解码结果的准确性。
基于此,本申请的申请人在所述训练环境光强-距离融合特征向量通过解码器的训练过程中,进行权重矩阵的基于基准注释的外部边界约束。
相应地,在一个具体示例中,在所述训练的每一轮迭代中,对所述解码器的权重矩阵进行基于基准注释的外部边界约束迭代,包括:以如下迭代公式在所述训练的每一轮迭代中对所述解码器的权重矩阵进行基于基准注释的外部边界约束迭代;其中,所述迭代公式为:
,
其中,和/>分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置/>和/>,(例如,/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵),/>是所述环境光强-距离融合特征向量,且/>为列向量形式,/>表示转置操作,/>表示矩阵乘法,/>表示矩阵加法,/>是迭代后的所述解码器的权重矩阵。
这里,通过以所述训练环境光强-距离融合特征向量在权重空间内的迭代关联表示来作为权重矩阵迭代的外部关联边界约束,从而在将前次的权重矩阵作为本次迭代过程中的基准注释(benchmark annotation)的情况下,减小权重空间迭代过程当中以所述训练环境光强-距离融合特征向量的类概率映射作为锚点的定向不匹配(oriented mismatch),从而进行权重矩阵在迭代过程中相对于所述训练环境光强-距离融合特征向量的回归概率映射的时序偏移的补偿,并进一步增强权重矩阵基于所述训练环境光强-距离融合特征向量的拟合聚合,以提升模型的训练效果,以及训练好的模型得到的所述训练环境光强-距离融合特征向量的分类结果的准确性。
综上,基于本申请实施例的智能台灯的控制方法被阐明,其可以根据环境光照和用户的视觉需求,智能地调节台灯的亮度和色温,提高用户的舒适度和工作效率,节约能源,延长台灯的使用寿命。
图6为根据本申请实施例的智能台灯的控制系统100的框图。如图6所示,根据本申请实施例的智能台灯的控制系统100,包括:环境光强采集模块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环境光照强度值;距离值采集模块120,用于获取所述多个预定时间点的用户距离智能台灯的距离值;联合分析模块130,用于对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量;控制指令生成模块140,用于基于所述环境光强-距离融合特征向量,生成台灯照明控制指令;以及,电流调节模块150,用于以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
在一个示例中,在上述智能台灯的控制系统100中,所述联合分析模块130,包括:数据结构化与特征提取单元,用于对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行数据结构化与特征提取以得到环境光照强度时序特征向量和距离时序特征向量;以及,融合单元,用于融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到所述环境光强-距离融合特征向量。
在一个示例中,在上述智能台灯的控制系统100中,所述数据结构化与特征提取单元,包括:输入向量排列子单元,用于将所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值分别按照时间维度排列为环境光照强度时序输入向量和距离时序输入向量;以及,时序特征提取子单元,用于将所述环境光照强度时序输入向量和所述距离时序输入向量通过基于一维卷积层的时序特征提取器以得到所述环境光照强度时序特征向量和所述距离时序特征向量。
这里,本领域技术人员可以理解,上述智能台灯的控制系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的智能台灯的控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的智能台灯的控制系统100可以实现在各种无线终端中,例如具有智能台灯的控制算法的服务器等。在一个示例中,根据本申请实施例的智能台灯的控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该智能台灯的控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该智能台灯的控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该智能台灯的控制系统100与该无线终端也可以是分立的设备,并且该智能台灯的控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的智能台灯的控制方法的应用场景图。如图7所示,在该应用场景中,首先,获取由光强传感器(例如,图7中所示意的C)采集的预定时间段内多个预定时间点的环境光照强度值(例如,图7中所示意的D1),以及,所述多个预定时间点的用户距离智能台灯(例如,图7中所示意的N)的距离值(例如,图7中所示意的D2),然后,将所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值输入至部署有智能台灯的控制算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述智能台灯的控制算法对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行处理以得到台灯照明控制指令,然后,以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
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)
1.一种智能台灯的控制方法,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环境光照强度值;
获取所述多个预定时间点的用户距离智能台灯的距离值;
对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量;
基于所述环境光强-距离融合特征向量,生成台灯照明控制指令;以及
以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
2.根据权利要求1所述的智能台灯的控制方法,其特征在于,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量,包括:
对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行数据结构化与特征提取以得到环境光照强度时序特征向量和距离时序特征向量;以及
融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到所述环境光强-距离融合特征向量。
3.根据权利要求2所述的智能台灯的控制方法,其特征在于,对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行数据结构化与特征提取以得到环境光照强度时序特征向量和距离时序特征向量,包括:
将所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值分别按照时间维度排列为环境光照强度时序输入向量和距离时序输入向量;以及
将所述环境光照强度时序输入向量和所述距离时序输入向量通过基于一维卷积层的时序特征提取器以得到所述环境光照强度时序特征向量和所述距离时序特征向量。
4.根据权利要求3所述的智能台灯的控制方法,其特征在于,融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到所述环境光强-距离融合特征向量,包括:
使用特征间注意力层来融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到基于注意力交互的所述环境光强-距离融合特征向量。
5.根据权利要求4所述的智能台灯的控制方法,其特征在于,基于所述环境光强-距离融合特征向量,生成台灯照明控制指令,包括:
将所述环境光强-距离融合特征向量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推荐的台灯亮度值和台灯色温值;以及
基于所述解码值,生成台灯照明控制指令。
6.根据权利要求5所述的智能台灯的控制方法,其特征在于,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述特征间注意力层和所述解码器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的训练距离值,以及,推荐的台灯亮度值和台灯色温值的真实值;
将所述多个预定时间点的训练环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的训练距离值分别按照时间维度排列为训练环境光照强度时序输入向量和训练距离时序输入向量;
将所述训练环境光照强度时序输入向量和所述训练距离时序输入向量通过所述基于一维卷积层的时序特征提取器以得到训练环境光照强度时序特征向量和训练距离时序特征向量;
使用所述特征间注意力层来融合所述训练环境光照强度时序特征向量和所述训练距离时序特征向量以得到基于注意力交互的训练环境光强-距离融合特征向量;
将所述训练环境光强-距离融合特征向量通过解码器进行解码回归以得到解码损失函数值;以及
以所述解码损失函数值来对所述基于一维卷积层的时序特征提取器、所述特征间注意力层和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述解码器的权重矩阵进行基于基准注释的外部边界约束迭代。
7.根据权利要求6所述的智能台灯的控制方法,其特征在于,在所述训练的每一轮迭代中,对所述解码器的权重矩阵进行基于基准注释的外部边界约束迭代,包括:
以如下迭代公式在所述训练的每一轮迭代中对所述解码器的权重矩阵进行基于基准注释的外部边界约束迭代;
其中,所述迭代公式为:
,
其中,和/>分别是上次和本次迭代的权重矩阵,/>是所述环境光强-距离融合特征向量,且/>为列向量形式,/>表示转置操作,/>表示矩阵乘法,/>表示矩阵加法,/>是迭代后的所述解码器的权重矩阵。
8.一种智能台灯的控制系统,其特征在于,包括:
环境光强采集模块,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环境光照强度值;
距离值采集模块,用于获取所述多个预定时间点的用户距离智能台灯的距离值;
联合分析模块,用于对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行联合分析以得到环境光强-距离融合特征向量;
控制指令生成模块,用于基于所述环境光强-距离融合特征向量,生成台灯照明控制指令;以及
电流调节模块,用于以所述台灯照明控制指令来调节所述智能台灯的LED灯珠的电流。
9.根据权利要求8所述的智能台灯的控制系统,其特征在于,所述联合分析模块,包括:
数据结构化与特征提取单元,用于对所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值进行数据结构化与特征提取以得到环境光照强度时序特征向量和距离时序特征向量;以及
融合单元,用于融合所述环境光照强度时序特征向量和所述距离时序特征向量以得到所述环境光强-距离融合特征向量。
10.根据权利要求9所述的智能台灯的控制系统,其特征在于,所述数据结构化与特征提取单元,包括:
输入向量排列子单元,用于将所述多个预定时间点的环境光照强度值以及所述多个预定时间点的用户距离所述智能台灯的距离值分别按照时间维度排列为环境光照强度时序输入向量和距离时序输入向量;以及
时序特征提取子单元,用于将所述环境光照强度时序输入向量和所述距离时序输入向量通过基于一维卷积层的时序特征提取器以得到所述环境光照强度时序特征向量和所述距离时序特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242356.1A CN117295198B (zh) | 2023-09-25 | 2023-09-25 | 智能台灯的控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311242356.1A CN117295198B (zh) | 2023-09-25 | 2023-09-25 | 智能台灯的控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117295198A true CN117295198A (zh) | 2023-12-26 |
CN117295198B CN117295198B (zh) | 2024-03-12 |
Family
ID=89247484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311242356.1A Active CN117295198B (zh) | 2023-09-25 | 2023-09-25 | 智能台灯的控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117295198B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140375222A1 (en) * | 2012-08-24 | 2014-12-25 | Abl Ip Holding Llc | Learning capable control of chaotic lighting |
CN104482449A (zh) * | 2014-12-04 | 2015-04-01 | 京东方科技集团股份有限公司 | 护眼灯及其光强调节方法 |
CN113923839A (zh) * | 2021-10-19 | 2022-01-11 | 苏州爱果乐科技有限公司 | 一种灯光调节方法及系统 |
CN116704410A (zh) * | 2023-06-03 | 2023-09-05 | 浙江树人学院 | 用于老年人的智能家居照明系统及其方法 |
-
2023
- 2023-09-25 CN CN202311242356.1A patent/CN117295198B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140375222A1 (en) * | 2012-08-24 | 2014-12-25 | Abl Ip Holding Llc | Learning capable control of chaotic lighting |
CN104482449A (zh) * | 2014-12-04 | 2015-04-01 | 京东方科技集团股份有限公司 | 护眼灯及其光强调节方法 |
CN113923839A (zh) * | 2021-10-19 | 2022-01-11 | 苏州爱果乐科技有限公司 | 一种灯光调节方法及系统 |
CN116704410A (zh) * | 2023-06-03 | 2023-09-05 | 浙江树人学院 | 用于老年人的智能家居照明系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117295198B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956018B (zh) | 文本处理模型的训练方法、文本处理方法、装置及存储介质 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
CN116744511B (zh) | 智能调光调色照明系统及其方法 | |
CN113221687A (zh) | 一种压板状态识别模型的训练方法及压板状态识别方法 | |
US20230162477A1 (en) | Method for training model based on knowledge distillation, and electronic device | |
CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
CN115588237A (zh) | 一种基于单目rgb图像的三维手部姿态估计方法 | |
CN117295198B (zh) | 智能台灯的控制方法及系统 | |
CN110796240A (zh) | 一种训练方法、特征提取方法、装置及电子设备 | |
CN116362503B (zh) | 基于人工智能的电力调节方法及系统 | |
CN117034123A (zh) | 健身器材的故障监控系统及其方法 | |
CN117202430B (zh) | 用于智慧灯杆的节能控制方法及系统 | |
CN117521606B (zh) | 用于财务数据的智能报表生成系统及方法 | |
CN116681428B (zh) | 电子设备的智能回收管理系统及方法 | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN117241443A (zh) | 基于物联网的智能照明灯具及其智能控制方法 | |
KR20210089043A (ko) | 사용자 단말로부터 수신한 이미지에 대해 물체 인식을 수행할 물체 인식 모델을 선택하는 방법 및 상기 방법을 수행하는 물체 인식 서버 | |
CN113688989B (zh) | 深度学习网络加速方法、装置、设备及存储介质 | |
CN115240106B (zh) | 任务自适应的小样本行为识别方法及系统 | |
CN117032363A (zh) | 节能型建筑物能效跟踪控制管理系统及方法 | |
CN117295201A (zh) | 智能led恒流调光驱动电源及其方法 | |
CN117029191A (zh) | 一种基于中央空调的智能节能控制系统及方法 | |
CN116911929B (zh) | 基于大数据的广告服务终端及方法 | |
CN117372785B (zh) | 一种基于特征簇中心压缩的图像分类方法 | |
CN117334162A (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 |