CN117545121A - Led灯的灯光亮度控制方法、装置、设备及存储介质 - Google Patents
Led灯的灯光亮度控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117545121A CN117545121A CN202311626569.4A CN202311626569A CN117545121A CN 117545121 A CN117545121 A CN 117545121A CN 202311626569 A CN202311626569 A CN 202311626569A CN 117545121 A CN117545121 A CN 117545121A
- Authority
- CN
- China
- Prior art keywords
- brightness
- led lamp
- strategy
- data
- light
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008859 change Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000005286 illumination Methods 0.000 claims description 32
- 238000011217 control strategy Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 10
- 239000011664 nicotinic acid Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- 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灯的灯光亮度控制方法、装置、设备及存储介质。所述LED灯的灯光亮度控制方法包括：获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；将LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；本发明可以实现LED灯光的智能化调节，根据用户偏好和环境光变化自动调整LED灯光的亮度和模式，提供舒适的照明环境，节约能源并延长LED灯使用寿命，从而提高照明系统的效率和节能效果。
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灯的灯光亮度控制方法、装置、设备及存储介质。
背景技术
在照明技术领域，LED灯具因其高效节能和长寿命的特点被广泛应用。随着智能照明技术的发展，对LED灯光亮度的自动调节成为了提高用户体验和进一步节能的关键。目前，LED灯光亮度控制通常依赖于简单的手动调节或基于环境光线强度的自动调节。这些方法在一定程度上满足了基本的照明需求，但仍存在不足。
现有技术通常仅考虑环境光线强度或用户的简单输入来调节LED灯光的亮度。这种方法虽然在某些情况下有效，但它忽略了用户的实际使用习惯和历史亮度使用数据。因此，现有的亮度控制方法在个性化和节能效果方面并不理想。此外，这些方法也无法预测或自动适应不同时间段用户的照明需求，导致在某些情况下亮度过高或过低，既浪费能源也影响用户体验。
现有的LED灯光亮度控制方法缺乏对用户使用习惯的深入理解和预测能力。这导致了亮度调节的不够智能化和个性化，以及能源利用效率的不高。因此，开发一种能够根据用户历史使用数据智能调节亮度的方法，对于提高LED灯的使用效率和用户体验具有重要意义。
发明内容
本发明提供了一种LED灯的灯光亮度控制方法、装置、设备及存储介质，用于解决如何提高LED灯的使用效率的技术问题。
本发明第一方面提供了一种LED灯的灯光亮度控制方法，所述LED灯的灯光亮度控制方法包括：
获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对所述灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；
将所述LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；
获取LED灯的历史功耗数据，并基于预设的统计分析算法，对LED灯的历史功耗数据进行分析，得到各个时间段的功耗变化趋势，将所述各个时间段的功耗变化趋势转换为对应的功耗曲线；
分别对所述亮度调节曲线和所述功耗曲线进行特征提取，得到一组亮度调节特征与功耗特征，并将一组亮度调节特征与功耗特征进行配对，得到一组融合的时间段特征数据集合；
基于预设的转换算法，对所述时间段特征数据集合进行数据向量化处理，得到特定格式的特征向量集合；
将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略；其中，所述亮度调节策略生成模型经过提前训练得到。
可选的，在本发明第一方面的第一种实现方式中，所述将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略，包括：
基于训练后的亮度调节策略生成模型对所述特定格式的特征向量集合进行数据分析；其中，所述训练后的亮度调节策略生成模型包括第一层亮度模式分析网络和第二层策略优化网络；
在第一层亮度模式分析网络中，运用双向长短时记忆网络、全连接层结构，结合集中式学习机制对特定格式的特征向量集合进行深度学习，抽取特定格式的特征向量集合的关键时序特征，并基于所述关键时序特征生成注意力加权特征向量；
基于预设的逆向映射技术处理所述注意力加权特征向量，分别输出对应的调光参量集合；
结合第二层策略优化网络，采用仿生进化计算算法对所述调光参量集合进行迭代优化，形成多个初始灯光亮度控制策略种群，并计算每个初始灯光亮度控制策略种群的适应度，得到对应的适应度评分；
基于所述适应度评分，通过生物遗传运算模拟生成候选灯光亮度控制策略，重复执行直到达到预设的收敛条件；
从候选灯光亮度控制策略中选择最优策略作为LED灯的灯光亮度控制策略；其中，所述LED灯的灯光亮度控制策略用于自适应环境光线变化和个性化用户需求的智能亮度调节。
可选的，在本发明第一方面的第二种实现方式中，还包括：
采集指定时间段内的LED灯光使用数据及相应环境亮度信息；其中，所述LED灯光使用数据及相应环境亮度信息至少包括用户对LED灯光强度的调节行为数据和环境光变化记录；
基于预设的数据转换算法，将所述时间段特征数据集合转化为一组结构化的特征标签集合；其中，所述特征标签集合反映LED照明系统在不同时间和环境条件下的LED灯光使用模式和用户偏好；
从云端数据库中获取照明场景参数集合，将所述特征标签集合与所述照明场景参数集合进行匹配，得到第一照明场景参数集合；其中，所述照明场景参数集合基于历史数据和用户反馈优化生成，每个照明场景参数集合对应特定的照明环境和使用场景；
定义一组哈希函数，并遍历特征标签集合中的每个特征标签，基于定义的哈希函数对每个特征标签进行哈希映射，生成一个哈希值，将每个特征标签和对应的哈希值存储到特征哈希表中；
基于第一照明场景参数集合，利用同样的哈希函数对所述第一照明场景参数集合进行哈希映射，得到哈希值；
遍历特征哈希表，计算每个特征标签与第一照明场景参数集合哈希值的匹配度；
从各个匹配度中筛选与第一照明场景参数集合匹配度最高的特征标签集合，根据所述匹配度最高的特征标签集合从特征哈希表中获取对应的哈希值，并得到对应的照明场景参数集合，作为第二照明场景参数集合；
基于所述第二照明场景参数集合识别出相应的照明场景分类，并根据识别出的照明场景分类自动调整LED灯光的亮度和模式。
可选的，在本发明第一方面的第三种实现方式中，所述生成LED灯光亮度调节策略的步骤之后，包括：
制定一个策略索引档案；
将策略索引档案按照场景维度进行分层并区分，每一层对应一组照明特征，转换生成对应的策略细分模块；
采用数值签名逻辑，为每个策略细分模块生成加密标签，得到一串连续的策略指纹；
转换所得策略指纹为图像信息编码，并将所述图像信息编码存储于预置的策略存储单元内；
从数据库中检索用于加密的序列关键字，并基于策略复杂性等级分解确定一个对应的序列关键字分割策略；
按照所述序列关键字分割策略对所述序列关键字进行关键字解构，并从中抽取满足安全标准规范的序列片段集合；
提取并利用所述序列片段集合生成唯一的策略访问密钥，并基于所述唯一的策略访问密钥对预置的策略存储单元进行加密。
可选的，在本发明第一方面的第四种实现方式中，所述策略索引档案用于维护与每个LED灯光亮度调节策略相关的亮度配置参数和色温特征值。
本发明第二方面提供了一种LED灯的灯光亮度控制装置，所述LED灯的灯光亮度控制装置包括：
获取模块，用于获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对所述灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；
拟合模块，用于将所述LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；
分析模块，用于获取LED灯的历史功耗数据，并基于预设的统计分析算法，对LED灯的历史功耗数据进行分析，得到各个时间段的功耗变化趋势，并将所述各个时间段的功耗变化趋势转换为对应的功耗曲线；
配对模块，用于分别对所述亮度调节曲线和所述功耗曲线进行特征提取，得到一组亮度调节特征与功耗特征，并将一组亮度调节特征与功耗特征进行配对，得到一组融合的时间段特征数据集合；
向量化模块，用于基于预设的转换算法，对所述时间段特征数据集合进行数据向量化处理，得到特定格式的特征向量集合；
生成模块，用于将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略；其中，所述亮度调节策略生成模型经过提前训练得到的。
本发明第三方面提供了一种LED灯的灯光亮度控制设备，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灯的灯光亮度控制设备执行上述的LED灯的灯光亮度控制方法。
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灯的灯光亮度控制方法。
本发明提供的技术方案中，有益效果：本发明获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对所述灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；将所述LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；获取LED灯的历史功耗数据，并基于预设的统计分析算法，对LED灯的历史功耗数据进行分析，得到各个时间段的功耗变化趋势，将所述各个时间段的功耗变化趋势转换为对应的功耗曲线；分别对所述亮度调节曲线和所述功耗曲线进行特征提取，得到一组亮度调节特征与功耗特征，并将一组亮度调节特征与功耗特征进行配对，得到一组融合的时间段特征数据集合；基于预设的转换算法，对所述时间段特征数据集合进行数据向量化处理，得到特定格式的特征向量集合；将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略；本发明通过分析和利用LED灯的历史亮度使用数据和功耗数据，能够更精准地满足用户的照明需求，同时提高能源效率。通过时间序列分析和多段式曲线拟合，该方法能够准确地识别并预测不同时间段的照明需求，从而实现亮度的智能调节。这种基于历史数据的方法，相比于传统的基于环境光线或简单用户输入的亮度调节，更能体现用户的使用习惯和偏好。结合亮度和功耗的特征提取及数据融合，可以进一步优化能源使用效率。这种方法不仅能够提供适宜的亮度水平，还能在保证满足用户需求的同时，减少不必要的能源消耗。例如，在用户不常使用的时间段自动降低亮度，或者在能源需求高峰期适度调整亮度以减轻电网负担。通过将特征向量集合输入至经过训练的亮度调节策略生成模型，该方法能够生成更加精准和个性化的亮度调节策略。这不仅提高了用户的照明体验，还进一步提升了LED灯具的节能性能和使用寿命。
附图说明
图1为本发明实施例中LED灯的灯光亮度控制方法的一个实施例示意图；
图2为本发明实施例中LED灯的灯光亮度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灯的灯光亮度控制方法、装置、设备及存储介质。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灯的灯光亮度控制方法的一个实施例包括：
步骤101、获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对所述灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；
可以理解的是，本发明的执行主体可以为LED灯的灯光亮度控制装置，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，实现步骤101的具体实现步骤如下：
获取灯光亮度使用数据历史记录：通过传感器或者数据记录设备，收集LED灯自启用之日起的灯光亮度使用数据历史记录。这涉及到光感应器、物联网设备或其他传感器，用于实时监测和记录光照强度数据。
进行数据分析和处理：对收集得到的历史亮度使用数据进行处理和分析，包括数据清洗、时序分析、统计分析、以及其他数据挖掘技术。这利用数据处理工具如Python中的pandas、numpy等库进行处理。
得到LED灯的历史亮度利用模式数据：通过数据分析，得到LED灯的历史亮度利用模式数据，包括每日/每周/每月的亮度变化趋势、高峰时段、低峰时段、节能模式等信息。所述LED灯的历史亮度利用模式数据可以帮助优化照明系统的使用，提高能源利用效率，延长LED灯的使用寿命。
步骤102、将所述LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；
具体的，实现步骤102的具体实现步骤如下：
时间序列分析：对LED灯的历史亮度利用模式数据进行时间序列分析，可以利用时间序列分析方法如自回归移动平均模型（ARMA）、指数平滑法、分解法等。用于揭示数据中的周期性和趋势性变化，理解不同时间段的亮度变化规律。
提取灯光亮度变化趋势：基于时间序列分析的结果，提取出各个时间段的灯光亮度变化趋势，包括日间、夜间、节假日等不同时间段的不同亮度变化规律。
多段式曲线拟合：针对各个时间段的灯光亮度变化趋势，采用多段式曲线拟合方法，如分段线性拟合、分段多项式拟合或者分段样条插值拟合，得到对应的亮度调节曲线。所述亮度调节曲线可以描述LED灯在不同时间段的亮度调节规律，为智能照明系统的控制和优化提供依据。
步骤103、获取LED灯的历史功耗数据，并基于预设的统计分析算法，对LED灯的历史功耗数据进行分析，得到各个时间段的功耗变化趋势，将所述各个时间段的功耗变化趋势转换为对应的功耗曲线；
具体的，实现步骤103的具体实现步骤如下：
获取历史功耗数据：通过电能检测设备或电能监控系统获取LED灯的历史功耗数据，包括每日/每周/每月的功耗记录。通过智能电表、电能监测装置或其他相关设备实现，用于实时记录LED灯的功耗信息。
统计分析算法：基于预设的统计分析算法，如均值、方差、回归分析等，对LED灯的历史功耗数据进行分析。可以使用专业的统计分析软件如R、SPSS等进行数据处理和分析，以揭示功耗数据中的趋势和规律。
功耗变化趋势分析：通过统计分析，得到各个时间段的功耗变化趋势，包括日间、夜间、高峰时段、低峰时段等不同时间段的功耗规律。用于解析LED灯在不同时间段的能耗特征，并为节能优化提供依据。
转换为功耗曲线：将各个时间段的功耗变化趋势转换为对应的功耗曲线，可以采用曲线拟合、插值等数学方法，生成LED灯的功耗曲线。功耗曲线可以描述LED灯在不同时间段的功耗变化规律，为能源管理和节能调控提供数据支持。
步骤104、分别对所述亮度调节曲线和所述功耗曲线进行特征提取，得到一组亮度调节特征与功耗特征，并将一组亮度调节特征与功耗特征进行配对，得到一组融合的时间段特征数据集合；
具体的，实现步骤104的具体实现步骤如下：
特征提取：对亮度调节曲线和功耗曲线进行特征提取。针对亮度调节曲线，可以提取平均亮度、峰谷亮度差、亮度变化频率等特征；对功耗曲线，可以提取平均功耗、峰谷功耗波动、功效因数等特征。上述特征可以通过数学方法如统计分析、频谱分析等得到。
特征配对：将所得到的亮度调节特征与功耗特征进行配对。可以利用机器学习方法如支持向量机（SVM）、k-近邻算法（KNN）等，通过算法将亮度调节特征与功耗特征进行配对，找到二者之间的关联性和规律。
融合的时间段特征数据集合：将配对后的亮度调节特征与功耗特征融合成一组数据集合。这组数据集合可以描述LED灯在不同时间段的亮度调节特征和功耗特征的关系，为LED 灯的节能控制和优化提供基础。
步骤105、基于预设的转换算法，对所述时间段特征数据集合进行数据向量化处理，得到特定格式的特征向量集合；
具体的，实现步骤105的具体实现步骤如下：
特定格式的特征向量定义：根据所需的数据格式和特征要求，定义记录各个时间段特征数据的特定格式的特征向量。例如，可以要求特征向量包含亮度调节特征和功耗特征两部分，每部分对应一个子向量，子向量中包含各项特征值。
转换算法设计：设计转换算法，将时间段特征数据集合转换为特定格式的特征向量集合。这可以采用数学变换、数据规范化、特征抽取等方法，确保得到的特征向量符合设定的格式和要求。
数据向量化处理：利用预设的转换算法，对时间段特征数据集合进行数据向量化处理，将每个时间段的特征数据转换为特定格式的特征向量。这个过程涉及到将特征数据映射到特征空间，并进行适当的缩放、规范化等处理。
步骤106、将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略；其中，所述亮度调节策略生成模型经过提前训练得到。
具体的，实现步骤106的具体实现步骤如下：
训练后的亮度调节策略生成模型：首先，利用特定格式的特征向量集合对一个亮度调节策略生成模型进行提前训练。这个模型可以是基于机器学习方法如神经网络（NN）、深度学习模型（DNN）等进行训练，经过大量的数据集训练后得到能够准确预测LED灯光亮度调节策略的模型。
输入特征向量集合进行预测：在得到经过训练的亮度调节策略生成模型之后，将特定格式的特征向量集合作为输入，通过该模型进行预测。预测过程会输出预测的LED灯光亮度调节策略，所述LED灯光亮度调节策略将根据特征向量集合中的功耗特征和亮度调节特征，对LED灯的光亮度进行调节，以实现节能和优化控制。
本发明实施例中LED灯的灯光亮度控制方法的另一个实施例包括：
所述将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略，包括：
基于训练后的亮度调节策略生成模型对所述特定格式的特征向量集合进行数据分析；其中，所述训练后的亮度调节策略生成模型包括第一层亮度模式分析网络和第二层策略优化网络；
在第一层亮度模式分析网络中，运用双向长短时记忆网络、全连接层结构，结合集中式学习机制对特定格式的特征向量集合进行深度学习，抽取特定格式的特征向量集合的关键时序特征，并基于所述关键时序特征生成注意力加权特征向量；
基于预设的逆向映射技术处理所述注意力加权特征向量，分别输出对应的调光参量集合；
结合第二层策略优化网络，采用仿生进化计算算法对所述调光参量集合进行迭代优化，形成多个初始灯光亮度控制策略种群，并计算每个初始灯光亮度控制策略种群的适应度，得到对应的适应度评分；
基于所述适应度评分，通过生物遗传运算模拟生成候选灯光亮度控制策略，重复执行直到达到预设的收敛条件；
从候选灯光亮度控制策略中选择最优策略作为LED灯的灯光亮度控制策略；其中，所述LED灯的灯光亮度控制策略用于自适应环境光线变化和个性化用户需求的智能亮度调节。
具体的，重要术语解释：
亮度调节策略生成模型：用于生成LED灯光亮度调节策略的模型，包括第一层亮度模式分析网络和第二层策略优化网络。
特征向量集合：包含多个特征向量的数据集合，用于描述LED灯光亮度控制的输入数据。
双向长短时记忆网络：一种神经网络结构，用于学习和抽取时间序列数据中的长期依赖关系。
逆向映射技术：一种处理技术，用于将注意力加权特征向量映射为对应的调光参量集合。
仿生进化计算算法：一种仿生智能算法，模拟生物进化过程进行多个个体的迭代优化和选择，用于生成LED灯光亮度控制策略种群。
应用场景：该技术方案适用于智能照明系统领域，例如智能家居、商业照明等场景中，能够通过对环境光线变化和用户需求的智能感知，自适应生成LED灯光亮度控制策略。
具体实施例：在LED灯光亮度调节策略生成中，具体实施步骤包括：
输入特定格式的特征向量集合至训练后的亮度调节策略生成模型中进行预测。
在第一层亮度模式分析网络中，利用双向长短时记忆网络和全连接层结构进行深度学习，提取关键时序特征，生成注意力加权特征向量。
通过预设的逆向映射技术处理注意力加权特征向量，得到调光参量集合。
应用第二层策略优化网络，采用仿生进化计算算法对调光参量集合进行迭代优化，形成多个初始灯光亮度控制策略种群，计算适应度评分。
通过生物遗传运算模拟生成候选灯光亮度控制策略，重复执行直到达到预设的收敛条件。
从候选灯光亮度控制策略中选择最优策略作为LED灯的灯光亮度控制策略。
本发明实施例中，有益效果：通过该技术方案，可以实现LED灯的自适应灯光亮度调节，能够智能感知环境光线变化和个性化用户需求，为智能照明系统提供更加智能化、舒适的光照环境，提高能效、降低能耗。
本发明实施例中LED灯的灯光亮度控制方法的另一个实施例包括：还包括：
采集指定时间段内的LED灯光使用数据及相应环境亮度信息；其中，所述LED灯光使用数据及相应环境亮度信息至少包括用户对LED灯光强度的调节行为数据和环境光变化记录；
基于预设的数据转换算法，将所述时间段特征数据集合转化为一组结构化的特征标签集合；其中，所述特征标签集合反映LED照明系统在不同时间和环境条件下的LED灯光使用模式和用户偏好；
从云端数据库中获取照明场景参数集合，将所述特征标签集合与所述照明场景参数集合进行匹配，得到第一照明场景参数集合；其中，所述照明场景参数集合基于历史数据和用户反馈优化生成，每个照明场景参数集合对应特定的照明环境和使用场景；
定义一组哈希函数，并遍历特征标签集合中的每个特征标签，基于定义的哈希函数对每个特征标签进行哈希映射，生成一个哈希值，将每个特征标签和对应的哈希值存储到特征哈希表中；
基于第一照明场景参数集合，利用同样的哈希函数对所述第一照明场景参数集合进行哈希映射，得到哈希值；
遍历特征哈希表，计算每个特征标签与第一照明场景参数集合哈希值的匹配度；
从各个匹配度中筛选与第一照明场景参数集合匹配度最高的特征标签集合，根据所述匹配度最高的特征标签集合从特征哈希表中获取对应的哈希值，并得到对应的照明场景参数集合，作为第二照明场景参数集合；
基于所述第二照明场景参数集合识别出相应的照明场景分类，并根据识别出的照明场景分类自动调整LED灯光的亮度和模式。
具体的，重要术语解释：
LED灯光使用数据：LED灯在特定时间段内的使用数据, 包括亮度调节行为数据和环境光变化记录。
数据转换算法：用于将采集到的时间段特征数据集合转化为一组结构化的特征标签集合的算法。
特征标签集合：反映LED照明系统在不同时间和环境条件下的LED灯光使用模式和用户偏好的集合。
云端数据库：存储在云端的数据库，包含照明场景参数集合等相关数据。
哈希函数：一种用于将输入数据映射为固定长度哈希值的函数。
哈希映射：利用哈希函数将输入数据映射为哈希值的过程。
特征哈希表：存储特征标签与对应哈希值的映射关系的数据结构。
照明场景参数集合：包含特定照明环境和使用场景参数的集合。
照明场景分类：根据第二照明场景参数集合识别出的LED灯光的照明场景分类。
自动调整：根据识别出的照明场景分类，自动对LED灯光的亮度和模式进行调整。
应用场景：该技术方案适用于需要根据用户需求和环境光变化调整LED灯光亮度和模式的场景，如智能家居、商业照明等领域，实现了照明系统的智能化和自适应性。
具体实施步骤包括：
采集指定时间段内的LED灯光使用数据及相应环境亮度信息，包括用户对LED灯光强度的调节行为数据和环境光变化记录。
基于预设的数据转换算法，将时间段特征数据集合转化为一组结构化的特征标签集合，反映LED灯光使用模式和用户偏好。
从云端数据库中获取照明场景参数集合，将特征标签集合与照明场景参数集合匹配，得到第一照明场景参数集合。
定义一组哈希函数，并对特征标签集合中的每个特征标签进行哈希映射，生成哈希值，将每个特征标签和哈希值存储到特征哈希表中。
基于第一照明场景参数集合，利用同样的哈希函数对照明场景参数集合进行哈希映射，得到哈希值。
计算特征标签与第一照明场景参数集合哈希值的匹配度，筛选匹配度最高的特征标签集合，得到对应的第二照明场景参数集合。
根据第二照明场景参数集合识别出相应的照明场景分类，自动调整LED灯光的亮度和模式。
本发明实施例中，有益效果：通过该技术方案，可以实现LED灯光的智能化调节，根据用户偏好和环境光变化自动调整LED灯光的亮度和模式，提供舒适的照明环境，节约能源并延长LED灯使用寿命，从而提高照明系统的效率和节能效果。
本发明实施例中LED灯的灯光亮度控制方法的另一个实施例包括：
所述生成LED灯光亮度调节策略的步骤之后，包括：
制定一个策略索引档案；
将策略索引档案按照场景维度进行分层并区分，每一层对应一组照明特征，转换生成对应的策略细分模块；
采用数值签名逻辑，为每个策略细分模块生成加密标签，得到一串连续的策略指纹；
转换所得策略指纹为图像信息编码，并将所述图像信息编码存储于预置的策略存储单元内；
从数据库中检索用于加密的序列关键字，并基于策略复杂性等级分解确定一个对应的序列关键字分割策略；
按照所述序列关键字分割策略对所述序列关键字进行关键字解构，并从中抽取满足安全标准规范的序列片段集合；
提取并利用所述序列片段集合生成唯一的策略访问密钥，并基于所述唯一的策略访问密钥对预置的策略存储单元进行加密。
具体的，重要术语解释：
策略索引档案：记录LED灯光亮度调节策略的档案，包括策略名称、描述、调节方案等信息。
策略细分模块：根据场景维度分层并区分，每一层对应一组照明特征的LED灯光亮度调节策略细分模块。
数值签名逻辑：一种用于生成策略细分模块加密标签的逻辑方法，通常包括数学运算或密码学算法。
策略指纹：采用数值签名逻辑生成的一串连续的加密标签，用于唯一识别和验证LED灯光亮度调节策略。
图像信息编码：将策略指纹转换为图像信息进行编码，并将其存储于预置的策略存储单元内，以增强信息安全性。
序列关键字：用于加密的关键字序列，用于对策略存储单元进行加密保护的关键信息。
序列关键字分割策略：根据策略复杂性等级分解确定的序列关键字分割策略，用于对关键字进行分割和加密操作。
序列片段集合：从序列关键字中抽取并满足安全标准规范的序列片段组成的集合，用于生成唯一的策略访问密钥。
应用场景：该技术方案适用于需要对LED灯光亮度调节策略进行安全存储和访问控制的场景，如智能家居、商业照明等领域，实现LED灯光策略的安全管理和保护。
在生成LED灯光亮度调节策略的步骤之后，包括以下步骤：
制定策略索引档案，记录LED灯光亮度调节策略的名称、描述、调节方案等信息。
将策略索引档案按照场景维度进行分层并区分，生成对应的策略细分模块，每一层对应一组照明特征的LED灯光亮度调节策略细分模块。
采用数值签名逻辑，为每个策略细分模块生成加密标签，得到一串连续的策略指纹。
转换所得策略指纹为图像信息编码，并将其存储于预置的策略存储单元内，以增强信息安全性。
从数据库中检索用于加密的序列关键字，并基于策略复杂性等级分解确定一个对应的序列关键字分割策略。
按照所述序列关键字分割策略对所述序列关键字进行关键字解构，并从中抽取满足安全标准规范的序列片段集合。
提取并利用所述序列片段集合生成唯一的策略访问密钥，并基于所述唯一的策略访问密钥对预置的策略存储单元进行加密。
本发明实施例中，有益效果：通过该技术方案，实现LED灯光亮度调节策略的安全存储和访问控制，有效保护LED灯光策略的机密性和完整性，提高LED灯光系统的安全性和稳定性。同时，对LED灯光的策略进行细分和管理，有利于对不同场景的需求进行灵活调节，提高LED照明系统的适应性和用户体验。
本发明实施例中LED灯的灯光亮度控制方法的另一个实施例包括：所述策略索引档案用于维护与每个LED灯光亮度调节策略相关的亮度配置参数和色温特征值。
上面对本发明实施例中LED灯的灯光亮度控制方法进行了描述，下面对本发明实施例中LED灯的灯光亮度控制装置进行描述，请参阅图2，本发明实施例中LED灯的灯光亮度控制装置一个实施例包括：
获取模块，用于获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对所述灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；
拟合模块，用于将所述LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；
分析模块，用于获取LED灯的历史功耗数据，并基于预设的统计分析算法，对LED灯的历史功耗数据进行分析，得到各个时间段的功耗变化趋势，并将所述各个时间段的功耗变化趋势转换为对应的功耗曲线；
配对模块，用于分别对所述亮度调节曲线和所述功耗曲线进行特征提取，得到一组亮度调节特征与功耗特征，并将一组亮度调节特征与功耗特征进行配对，得到一组融合的时间段特征数据集合；
向量化模块，用于基于预设的转换算法，对所述时间段特征数据集合进行数据向量化处理，得到特定格式的特征向量集合；
生成模块，用于将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略；其中，所述亮度调节策略生成模型经过提前训练得到的。
本发明还提供一种LED灯的灯光亮度控制设备，所述LED灯的灯光亮度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灯的灯光亮度控制方法的步骤。
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灯的灯光亮度控制方法的步骤。
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灯的灯光亮度控制方法，其特征在于，包括以下步骤：
获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对所述灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；
将所述LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；
获取LED灯的历史功耗数据，并基于预设的统计分析算法，对LED灯的历史功耗数据进行分析，得到各个时间段的功耗变化趋势，将所述各个时间段的功耗变化趋势转换为对应的功耗曲线；
分别对所述亮度调节曲线和所述功耗曲线进行特征提取，得到一组亮度调节特征与功耗特征，并将一组亮度调节特征与功耗特征进行配对，得到一组融合的时间段特征数据集合；
基于预设的转换算法，对所述时间段特征数据集合进行数据向量化处理，得到特定格式的特征向量集合；
将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略；其中，所述亮度调节策略生成模型经过提前训练得到。
2.根据权利要求1所述的LED灯的灯光亮度控制方法，其特征在于，所述将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略，包括：
基于训练后的亮度调节策略生成模型对所述特定格式的特征向量集合进行数据分析；其中，所述训练后的亮度调节策略生成模型包括第一层亮度模式分析网络和第二层策略优化网络；
在第一层亮度模式分析网络中，运用双向长短时记忆网络、全连接层结构，结合集中式学习机制对特定格式的特征向量集合进行深度学习，抽取特定格式的特征向量集合的关键时序特征，并基于所述关键时序特征生成注意力加权特征向量；
基于预设的逆向映射技术处理所述注意力加权特征向量，分别输出对应的调光参量集合；
结合第二层策略优化网络，采用仿生进化计算算法对所述调光参量集合进行迭代优化，形成多个初始灯光亮度控制策略种群，并计算每个初始灯光亮度控制策略种群的适应度，得到对应的适应度评分；
基于所述适应度评分，通过生物遗传运算模拟生成候选灯光亮度控制策略，重复执行直到达到预设的收敛条件；
从候选灯光亮度控制策略中选择最优策略作为LED灯的灯光亮度控制策略；其中，所述LED灯的灯光亮度控制策略用于自适应环境光线变化和个性化用户需求的智能亮度调节。
3.根据权利要求1所述的LED灯的灯光亮度控制方法，其特征在于，还包括：
采集指定时间段内的LED灯光使用数据及相应环境亮度信息；其中，所述LED灯光使用数据及相应环境亮度信息至少包括用户对LED灯光强度的调节行为数据和环境光变化记录；
基于预设的数据转换算法，将所述时间段特征数据集合转化为一组结构化的特征标签集合；其中，所述特征标签集合反映LED照明系统在不同时间和环境条件下的LED灯光使用模式和用户偏好；
从云端数据库中获取照明场景参数集合，将所述特征标签集合与所述照明场景参数集合进行匹配，得到第一照明场景参数集合；其中，所述照明场景参数集合基于历史数据和用户反馈优化生成，每个照明场景参数集合对应特定的照明环境和使用场景；
定义一组哈希函数，并遍历特征标签集合中的每个特征标签，基于定义的哈希函数对每个特征标签进行哈希映射，生成一个哈希值，将每个特征标签和对应的哈希值存储到特征哈希表中；
基于第一照明场景参数集合，利用同样的哈希函数对所述第一照明场景参数集合进行哈希映射，得到哈希值；
遍历特征哈希表，计算每个特征标签与第一照明场景参数集合哈希值的匹配度；
从各个匹配度中筛选与第一照明场景参数集合匹配度最高的特征标签集合，根据所述匹配度最高的特征标签集合从特征哈希表中获取对应的哈希值，并得到对应的照明场景参数集合，作为第二照明场景参数集合；
基于所述第二照明场景参数集合识别出相应的照明场景分类，并根据识别出的照明场景分类自动调整LED灯光的亮度和模式。
4.根据权利要求1所述的LED灯的灯光亮度控制方法，其特征在于，所述生成LED灯光亮度调节策略的步骤之后，包括：
制定一个策略索引档案；
将策略索引档案按照场景维度进行分层并区分，每一层对应一组照明特征，转换生成对应的策略细分模块；
采用数值签名逻辑，为每个策略细分模块生成加密标签，得到一串连续的策略指纹；
转换所得策略指纹为图像信息编码，并将所述图像信息编码存储于预置的策略存储单元内；
从数据库中检索用于加密的序列关键字，并基于策略复杂性等级分解确定一个对应的序列关键字分割策略；
按照所述序列关键字分割策略对所述序列关键字进行关键字解构，并从中抽取满足安全标准规范的序列片段集合；
提取并利用所述序列片段集合生成唯一的策略访问密钥，并基于所述唯一的策略访问密钥对预置的策略存储单元进行加密。
5.根据权利要求4所述的LED灯的灯光亮度控制方法，其特征在于，所述策略索引档案用于维护与每个LED灯光亮度调节策略相关的亮度配置参数和色温特征值。
6.一种LED灯的灯光亮度控制装置，其特征在于，所述LED灯的灯光亮度控制装置包括：
获取模块，用于获取LED灯自启用之日起的灯光亮度使用数据历史记录，并对所述灯光亮度使用数据历史记录进行分析处理，得到LED灯的历史亮度利用模式数据；
拟合模块，用于将所述LED灯的历史亮度利用模式数据进行时间序列分析，提取出各个时间段的灯光亮度变化趋势，并根据各个时间段的灯光亮度变化趋势进行多段式曲线拟合，生成对应的亮度调节曲线；
分析模块，用于获取LED灯的历史功耗数据，并基于预设的统计分析算法，对LED灯的历史功耗数据进行分析，得到各个时间段的功耗变化趋势，并将所述各个时间段的功耗变化趋势转换为对应的功耗曲线；
配对模块，用于分别对所述亮度调节曲线和所述功耗曲线进行特征提取，得到一组亮度调节特征与功耗特征，并将一组亮度调节特征与功耗特征进行配对，得到一组融合的时间段特征数据集合；
向量化模块，用于基于预设的转换算法，对所述时间段特征数据集合进行数据向量化处理，得到特定格式的特征向量集合；
生成模块，用于将所述特定格式的特征向量集合输入至训练后的亮度调节策略生成模型中进行预测，生成LED灯光亮度调节策略；其中，所述亮度调节策略生成模型经过提前训练得到的。
7.一种LED灯的灯光亮度控制设备，其特征在于，所述LED灯的灯光亮度控制设备包括：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灯的灯光亮度控制设备执行如权利要求1-5中任一项所述的LED灯的灯光亮度控制方法。
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灯的灯光亮度控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311626569.4A CN117545121A (zh) | 2023-11-30 | 2023-11-30 | Led灯的灯光亮度控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311626569.4A CN117545121A (zh) | 2023-11-30 | 2023-11-30 | Led灯的灯光亮度控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117545121A true CN117545121A (zh) | 2024-02-09 |
Family
ID=89782107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311626569.4A Withdrawn CN117545121A (zh) | 2023-11-30 | 2023-11-30 | Led灯的灯光亮度控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117545121A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117915517A (zh) * | 2024-03-20 | 2024-04-19 | 广东省旭晟半导体股份有限公司 | 一种用于同轴双光源led灯的智能调光系统及方法 |
-
2023
- 2023-11-30 CN CN202311626569.4A patent/CN117545121A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117915517A (zh) * | 2024-03-20 | 2024-04-19 | 广东省旭晟半导体股份有限公司 | 一种用于同轴双光源led灯的智能调光系统及方法 |
| CN117915517B (zh) * | 2024-03-20 | 2024-05-14 | 广东省旭晟半导体股份有限公司 | 一种用于同轴双光源led灯的智能调光系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117545121A (zh) | Led灯的灯光亮度控制方法、装置、设备及存储介质 | |
| Botta et al. | Context adaptation of fuzzy systems through a multi-objective evolutionary approach based on a novel interpretability index | |
| CN117098270B (zh) | Led节能灯的智能控制方法、装置、设备及存储介质 | |
| CN116523277B (zh) | 一种基于需求响应的智慧能源管理方法及系统 | |
| Ren et al. | AI-based fashion sales forecasting methods in big data era | |
| Ramanan | Dual coordinate solvers for large-scale structural svms | |
| CN117687891B (zh) | 一种基于ai的指标计算优化系统 | |
| CN116916504B (zh) | 调光面板的智能控制方法、装置、设备及存储介质 | |
| Chen et al. | Learning from multiple time series: A deep disentangled approach to diversified time series forecasting | |
| CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
| Alqahtani | Leveraging sparse auto-encoding and dynamic learning rate for efficient cloud workloads prediction | |
| KR20140146437A (ko) | 특허정보를 이용한 기업성과 예측 장치 및 방법 | |
| CN116257696A (zh) | 一种基于跨模态知识图谱对比学习的服务推荐方法及系统 | |
| Duch et al. | Symbolic features in neural networks | |
| Zarindast et al. | A data-driven personalized smart lighting recommender system | |
| Mishra et al. | Data-Driven Metadata Tagging for Building Automation Systems: A Unified Architecture | |
| Singla et al. | Word embeddings for loT based on device activity footprints | |
| CN114358485A (zh) | 一种源荷匹配性评估方法、系统、介质及电子设备 | |
| Govindarajan et al. | Latent Dirichlet Allocation modeling for CPS patent topic discovery | |
| Batista et al. | Adaptive image retrieval through the use of a genetic algorithm | |
| CN112633334A (zh) | 一种基于卫星测运控资源规划调度的建模方法 | |
| CN118042684A (zh) | 基于人工智能的灯光控制方法及系统 | |
| CN117850261A (zh) | 智能开关传感器数据分析方法及系统 | |
| Zhao | Big Data Financial Algorithm Technology Based on Machine Learning Technology | |
| Liu et al. | Automatic joint optimization of algorithm-level compression and compiler-based acceleration with reinforcement learning for dnn in edge devices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240209 |