CN117615485A - 自动售卖机用智能led灯控制方法及系统 - Google Patents
自动售卖机用智能led灯控制方法及系统 Download PDFInfo
- Publication number
- CN117615485A CN117615485A CN202311706822.7A CN202311706822A CN117615485A CN 117615485 A CN117615485 A CN 117615485A CN 202311706822 A CN202311706822 A CN 202311706822A CN 117615485 A CN117615485 A CN 117615485A
- Authority
- CN
- China
- Prior art keywords
- led lamp
- vending machine
- model
- fuzzy
- lamp control
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000008713 feedback mechanism Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001953 sensory 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
- 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
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- H05B47/115—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings
Abstract
本发明属于智能控制技术领域,尤其涉及一种自动售卖机用智能LED灯控制方法,包括:通过安装于自动售卖机上的传感器实现周围环境亮度检测及靠近人员距离检测,且将检测结果传送至用于对自动售卖机进行控制的控制器;在控制器内构建人工智能模型,用于学习和预测不同检测结果下自动售卖机上LED灯的控制状态;收集数据以供人工智能模型的训练;在人工智能模型训练完成后,定义决策规则,实现根据人工智能模型的输出结果对LED灯进行控制。通过上述控制方法,自动售卖机的LED灯可以根据周围环境的变化和人流情况智能地调整,提高能效、降低能耗,并提供更好的用户体验。另外,本发明中还请求保护一种自动售卖机用智能LED灯控制系统,具有同样的技术效果。
Description
技术领域
本发明属于智能控制技术领域,尤其涉及一种自动售卖机用智能LED灯控制方法及系统。
背景技术
自动售卖机作为一种现代化的自助购物设备,拥有广泛的应用场景,从办公楼、学校到商场和车站等场所均已普及安装,其主要功能包括提供物品的便捷购物服务,为用户提供了随时随地满足小额购物需求的便利性,为了通过较佳的外观获得更好的用户感官体验,从而增加销售额,往往会在机身上安装LED灯以提高美观性。
然而,在当前的自动售卖机设计中,LED灯的控制方式存在一些明显的问题:对于环境亮度和人流情况的变化,传统的LED灯控制方式难以做到实时响应和智能调整,这可能导致在白天或光线充足的环境中LED灯过于亮眩,而在夜晚或光线较暗的情况下LED灯又显得过于昏暗,这种固定的控制方式无法根据具体情境提供个性化的照明服务,同时也可能浪费能源,降低能效。
发明内容
本发明中提供了一种自动售卖机用智能LED灯控制方法及系统,可有效解决上述问题。
为了达到上述目的,本发明所采用的技术方案是:
自动售卖机用智能LED灯控制方法,包括:
通过安装于自动售卖机上的传感器实现周围环境亮度检测及靠近人员距离检测,且将检测结果传送至用于对所述自动售卖机进行控制的控制器;
在所述控制器内构建人工智能模型,用于学习和预测不同检测结果下自动售卖机上LED灯的控制状态;
收集数据以供所述人工智能模型的训练;
在所述人工智能模型训练完成后,定义决策规则,实现根据所述人工智能模型的输出结果对所述LED灯进行控制。
进一步地,还包括:
定义若干性能指标,用于评估所述人工智能模型在运行中的表现;
实时监测所述LED灯的控制结果;
将所述人工智能模型的预测结果与所述LED灯的控制结果进行比较,获得比较结论,以及分析所述性能指标随时间的推移而发生的变化趋势,获得趋势分析结果;
确定所述比较结论和所述趋势分析结果的模糊集;
制定模糊规则,将所述比较结论和所述趋势分析结果的模糊集映射到反馈给LED灯控制系统的模糊集;
基于所述模糊规则,使用模糊推理引擎对反馈给LED灯控制系统的模糊集进行推理,产生模糊输出,对所述模糊输出去模糊化后反馈给所述人工智能模型的输入层,以供所述人工智能模型进行参数调整。
进一步地,对所述模糊输出去模糊化后反馈给所述人工智能模型的输入层,以供所述人工智能模型进行参数调整,包括迭代执行的以下过程:
从模糊输出中得到清晰的LED灯控制反馈,作为新的训练集;
将训练完成的所述人工智能模型的LED灯控制预测结果与实际LED灯的控制结果进行比较,并使用损失函数计算二者之间的误差;
使用反向传播算法计算损失函数对于所述人工智能模型参数的梯度;
利用优化器根据所述梯度更新所述人工智能模型的参数,以减小误差。
进一步地,利用的所述优化器为梯度下降法,根据所述梯度更新所述人工智能模型的权重w和偏置b。
进一步地,所述权重w和偏置b的更新规则为:
wnew=wold−α*gradientw
bnew=bold−α*gradientb
其中,
α为学习率,用于控制着每次参数更新的幅度;
gradientw为计算获得的权重的梯度;
gradientb为计算获得的偏置的梯度。
进一步地,所述学习率根据梯度进行动态调整,包括:
选择初始学习率,基于所述初始学习率每隔设定步骤进行衰减,在每次衰减时,将当前学习率乘以一个衰减因子,获得衰减后的学习率。
进一步地,所述人工智能模型为神经网络模型,包括隐藏层,所述衰减因子通过以下公式计算:
N=a*β2+b*ln(β+c)
N为所述隐藏层的神经元数量;
β为衰减因子;
a为第一影响因子,b为第二影响因子,分别用于调整平方项β2和对数项ln(β+c)的相对重要性,c为第三影响因子,调整对数项的基线水平,a、b和c均通过实验和调整确定。
进一步地,定义决策规则包括:对于所述人工智能模型的输出结果进行解释,通过模型输出的解释,基于周围环境检测参数的阈值和人员距离检测参数的阈值共同定义所述决策规则。
自动售卖机用智能LED灯控制系统,包括:
环境感知模块,通过安装于自动售卖机上的传感器实现周围环境亮度检测及靠近人员距离检测,且将检测结果传送至用于对所述自动售卖机进行控制的控制器;
人工智能模型构建模块,在所述控制器内构建人工智能模型,用于学习和预测不同检测结果下自动售卖机上LED灯的控制状态;
数据收集模块,收集数据以供所述人工智能模型的训练;
决策规则定义模块,在所述人工智能模型训练完成后,定义决策规则,实现根据所述人工智能模型的输出结果对所述LED灯进行控制。
进一步地,还包括:
性能评估模块,定义若干性能指标,用于评估所述人工智能模型在运行中的表现;
LED控制监测模块,实时监测所述LED灯的控制结果;
比较与趋势分析模块,将所述人工智能模型的预测结果与所述LED灯的控制结果进行比较,获得比较结论,以及分析所述性能指标随时间的推移而发生的变化趋势,获得趋势分析结果;
模糊集确定模块,确定所述比较结论和所述趋势分析结果的模糊集;
模糊规则制定模块,制定模糊规则,将所述比较结论和所述趋势分析结果的模糊集映射到反馈给LED灯控制系统的模糊集;
使用模糊推理引擎对反馈给LED灯控制系统的模糊集进行推理,产生模糊输出,对所述模糊输出去模糊化后反馈给所述人工智能模型的输入层,以供所述人工智能模型进行参数调整。
通过本发明的技术方案,可实现以下技术效果:
通过本发明,自动售卖机的LED灯可以根据周围环境的变化和人流情况智能地调整,提高能效、降低能耗,并提供更好的用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付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。
图1为自动售卖机用智能LED灯控制方法的流程图;
图2为反馈机制的流程图;
图3为对模糊输出去模糊化后反馈给人工智能模型的输入层,以供人工智能模型进行参数调整的流程图;
图4为自动售卖机用智能LED灯控制系统的框架图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
自动售卖机用智能LED灯控制方法,如图1所示,包括:
S1:通过安装于自动售卖机上的传感器实现周围环境亮度检测及靠近人员距离检测,且将检测结果传送至用于对自动售卖机进行控制的控制器;
为实现本步骤,首先需在自动售卖机上安装光线传感器和距离传感器等,这些传感器用于感知周围环境的亮度和检测是否有人靠近,需选择合适的传感器类型,例如光敏电阻和红外传感器等,以确保对环境亮度和人员接近的有效检测;将传感器布置在自动售卖机上,确保能够全面覆盖并捕捉到所需的信息;
在实施过程中,还需设置传感器与控制器之间的通信协议,确保传感器的实时数据可以被传送到控制器进行后续处理;
S2:在控制器内构建人工智能模型,用于学习和预测不同检测结果下自动售卖机上LED灯的控制状态;
具体实施时,需要选择合适的人工智能模型,如深度学习中的神经网络,以处理复杂的非线性关系;还需定义模型的架构,如包括输入层、隐藏层和输出层等,以确保能够处理传感器数据并输出LED灯的控制状态;
S3:收集数据以供人工智能模型的训练;
上述训练需要收集大量的数据,这些数据将用于训练人工智能模型,使其能够适应不同的环境条件和人流情况,为实现上述目的,需制定有效的数据采集方法,以确保收集到的数据能够充分涵盖各种情况,包括不同时间、天气和人流密集度;为实现训练效果,还需对采集到的数据进行标注,明确每个数据点对应的LED灯控制状态,以便模型学习正确的关联;
S4:在人工智能模型训练完成后,定义决策规则,实现根据人工智能模型的输出结果对LED灯进行控制。
上述决策规则将根据人工智能模型的输出结果来控制LED灯的亮度,以适应不同环境和使用条件;在实施过程中需进行模型输出解释,具体解释人工智能模型输出的含义,确保了解模型对不同输入情况下的预测;还需对决策规则定义,具体基于模型输出结果,定义一组决策规则,确定LED灯在不同情况下应该采取的控制动作;将定义好的决策规则实施到自动售卖机的LED灯控制系统中,确保LED灯能够根据实际情况进行实时调整。
通过本发明,自动售卖机的LED灯可以根据周围环境的变化和人流情况智能地调整,提高能效、降低能耗,并提供更好的用户体验。
作为上述实施例的优选,自动售卖机用智能LED灯控制方法,如图2所示,还包括反馈机制:
A1:定义若干性能指标,用于评估人工智能模型在运行中的表现;在实施过程中可能包括LED灯亮度误差、能效、用户满意度等;
A2:实时监测LED灯的控制结果;可包括亮度、能效和其他相关指标等;
A3:将人工智能模型的预测结果与LED灯的控制结果进行比较,获得比较结论,以及分析性能指标随时间的推移而发生的变化趋势,获得趋势分析结果;
A4:确定比较结论和趋势分析结果的模糊集;模糊集是对实际观测值进行模糊描述的数学概念,例如,“亮度高”、“亮度中等”、“亮度低”等,对于比较结论和趋势分析结果,可以定义多个模糊集来描述它们的状态;
A5:制定模糊规则,将比较结论和趋势分析结果的模糊集映射到反馈给LED灯控制系统的模糊集;这些规则通常采用“如果...那么...”的形式,例如,“如果亮度误差大,且趋势下降,那么增加亮度”;
A6:基于模糊规则,使用模糊推理引擎对反馈给LED灯控制系统的模糊集进行推理,产生模糊输出,对模糊输出去模糊化后反馈给人工智能模型的输入层,以供人工智能模型进行参数调整。
通过上述优选方案,使用模糊推理引擎基于预先定义的模糊规则对反馈给LED灯控制系统的模糊集进行推理,并生成一个模糊输出,该输出反映了系统应该采取的措施或状态;模糊输出是通过对不确定性信息的模糊处理而获得的,它描述了系统在当前情境下可能的多种状态或行为,包含了一系列可能的控制策略,例如“增加亮度”、“保持亮度”、“减少亮度”等;为了将模糊输出映射到具体的、清晰的控制策略,需要进行去模糊化操作,去模糊化的目标是从模糊的输出中提取出一个明确的值或集合,以作为反馈给人工智能模型的输入,人工智能模型可以考虑这些具体的、清晰的反馈信息,进行调整和学习。
上述过程建立了反馈机制,通过这个反馈机制系统能够更灵活地适应不同的情况,并根据实时数据和趋势进行智能调整,以提高LED灯控制系统的性能和用户体验。
以下为具体举例:
假设有两个输入:比较结论C和趋势分析结果T,以及一个输出:系统反馈F;使用三个模糊集描述输入和一个模糊集描述输出。
定义模糊集:
C的模糊集:Low,Medium,High;
T的模糊集:Decreasing,Stable,Increasing;
F的模糊集:Decrease,Maintain,Increase;
设定模糊规则:如果C是High且T是Increasing,那么F是Decrease;如果C是Low且T是Stable,那么F是Increase;
模糊推理:如果C是High且T是Increasing,则F的成员资格度较高,意味着系统认为在这种情况下,LED灯的控制应该是减弱亮度,成员资格度较高表示系统对这个控制决策的信心较强;
去模糊化:选择F模糊集的中心点,作为系统的反馈。
其中,对模糊输出去模糊化后反馈给人工智能模型的输入层,以供人工智能模型进行参数调整,包括迭代执行的以下过程,如图3所示:
A61:从模糊输出中得到清晰的LED灯控制反馈,作为新的训练集;通过去模糊化过程,从模糊的LED灯控制输出中得到清晰、具体的LED灯控制反馈,这可以是一个明确的亮度调整值或类似的清晰结果;
A62:将训练完成的人工智能模型的LED灯控制预测结果与实际LED灯的控制结果进行比较,并使用损失函数计算二者之间的误差;获取相应时间段内LED灯的实际控制结果,可能通过传感器或实际观测获得;将模型的LED灯控制预测结果与实际LED灯的控制结果进行比较,计算它们之间的误差,这可以使用常见的损失函数,如均方误差;
A63:使用反向传播算法计算损失函数对于人工智能模型参数的梯度;从而了解误差如何影响模型的每个参数;误差反向传播算法用于将误差从输出层传播回神经网络的各层,它通过链式法则计算每个参数对于总误差的贡献;对于每个参数,计算它们对于误差的梯度,这表示了改变该参数值时误差的变化率。
A64:利用优化器根据梯度更新人工智能模型的参数,以减小误差。
在上述优化方案中,通过不断地使用新的训练数据,模型逐渐提高性能,使LED灯控制系统更加智能和适应不同的环境和用户需求。
作为上述实施例的优选,利用的优化器为梯度下降法,根据梯度更新人工智能模型的权重w和偏置b。
其中,权重w和偏置b的更新规则为:
wnew=wold−α*gradientw;
bnew=bold−α*gradientb;
其中,
α为学习率,用于控制着每次参数更新的幅度;
gradientw为计算获得的权重的梯度;表示损失函数对于权重w的变化率,在梯度下降中,如果沿着梯度的反方向更新权重,能够使损失函数减小;
gradientb为计算获得的偏置的梯度。表示损失函数对于偏置b的变化率,类似地,其指导如何调整偏置才能使损失函数减小;
在训练过程中,通过计算损失函数关于权重w和偏置b的梯度,可以了解到当前参数值的变化方向,然后利用梯度下降法更新参数,逐步朝着损失函数的最小值移动;其中,学习率α控制了每次参数更新的步幅,过大的学习率可能导致震荡或发散,而过小的学习率可能导致训练缓慢。
作为上述实施例的优选,学习率根据梯度进行动态调整,包括:
选择初始学习率,基于初始学习率每隔设定步骤进行衰减,在每次衰减时,将当前学习率乘以一个衰减因子,获得衰减后的学习率。
在实施过程中,通过逐渐减小学习率,模型更有可能在训练过程中收敛到较好的局部最小值,较小的学习率可以使得模型在参数空间中的更小范围内搜索,有助于找到更稳定的解,从而降低过拟合的风险,使得模型更好地泛化到未见过的数据。
在训练初期使用较大的学习率,有助于快速探索参数空间;随着训练的进行,逐渐减小学习率,使得模型更加精细地调整参数,提高训练效率;在训练过程中,数据分布、特征重要性等因素可能发生变化,动态调整学习率的策略有助于适应这些动态性,提高模型的鲁棒性。
在实施过程中,需要注意的是,衰减因子的选择是影响性能的关键因素,过大的衰减因子可能导致学习率过早下降,影响模型的收敛速度;而过小的衰减因子可能导致训练速度过慢,为了获得较为恰当的衰减因子,作为上述实施例的优选,人工智能模型为神经网络模型,包括隐藏层,衰减因子通过以下公式计算:
N=a*β2+b*ln(β+c)
N为隐藏层的神经元数量,表明衰减因子的计算考虑了网络的规模;
β为衰减因子;
a为第一影响因子,b为第二影响因子,分别用于调整平方项β2和对数项ln(β+c)的相对重要性,有助于根据具体情况灵活地调整衰减因子的计算方式,c为第三影响因子,调整对数项的基线水平,影响对数项的曲线形状,从而允许在对数项中引入一些偏移,以更好地适应不同场景下的衰减因子需求,a、b和c均通过实验和调整确定,这个公式可以根据具体任务和数据集的特性进行定制,使其更符合实际情况。
在上述优选方案中,神经元数量与神经网络的规模直接相关,而通过将衰减因子与神经元数量关联,可以使衰减因子的调整更加适应不同规模的神经网络,这样的关联性可以在网络扩大或缩小时自动调整衰减因子,提高了模型在不同规模下的性能。衰减因子的选择与神经元数量的关联有助于在调整模型复杂度时更为灵活,随着任务需求或数据集的变化,可以通过调整神经元数量来改变模型的复杂度,并自动调整衰减因子以适应新的网络结构;同时,可以减少模型训练过程中的超参数调整工作,这种关联性可以在一定程度上自动化调整衰减因子,减轻了人工干预的负担,提高了训练的效率。
作为上述实施例的优选,定义决策规则包括:对于人工智能模型的输出结果进行解释,通过模型输出的解释,基于周围环境检测参数的阈值和人员距离检测参数的阈值共同定义决策规则。
作为上述优化方案的具体实施方式,在定义决策规则之前需要评估模型输出、周围环境检测参数和人员距离检测参数对LED灯控制的相对重要性,这需要在实际场景中进行一些实验或调查,以确定在不同条件下用户更关心哪个因素;基于权衡的结果,设置适当的周围环境检测参数的阈值和人员距离检测参数的阈值,这些阈值将用于判断是否应该调整LED灯的控制状态,例如,如果模型输出建议增加亮度,但是环境亮度已经高于某个阈值,则可能不需要进一步增加亮度;将上述权衡和阈值设定转化为具体的决策规则,涉及到一系列的条件语句,例如:“如果模型输出建议增加亮度且环境亮度低于阈值X,同时人员距离检测结果表明有人靠近至阈值范围内,则LED灯增加亮度”。在实际应用中,监测实时数据,根据当前情况动态调整决策规则,可通过定期更新阈值、优化决策规则或者应用反馈机制来实现。
实施例二
自动售卖机用智能LED灯控制系统,如图4所示,包括:
环境感知模块,通过安装于自动售卖机上的传感器实现周围环境亮度检测及靠近人员距离检测,且将检测结果传送至用于对自动售卖机进行控制的控制器;
人工智能模型构建模块,在控制器内构建人工智能模型,用于学习和预测不同检测结果下自动售卖机上LED灯的控制状态;
数据收集模块,收集数据以供人工智能模型的训练;
决策规则定义模块,在人工智能模型训练完成后,定义决策规则,实现根据人工智能模型的输出结果对LED灯进行控制。
作为上述实施例的优选,自动售卖机用智能LED灯控制系统还包括:
性能评估模块,定义若干性能指标,用于评估人工智能模型在运行中的表现;
LED控制监测模块,实时监测LED灯的控制结果;
比较与趋势分析模块,将人工智能模型的预测结果与LED灯的控制结果进行比较,获得比较结论,以及分析性能指标随时间的推移而发生的变化趋势,获得趋势分析结果;
模糊集确定模块,确定比较结论和趋势分析结果的模糊集;
模糊规则制定模块,制定模糊规则,将比较结论和趋势分析结果的模糊集映射到反馈给LED灯控制系统的模糊集;
使用模糊推理引擎对反馈给LED灯控制系统的模糊集进行推理,产生模糊输出,对模糊输出去模糊化后反馈给人工智能模型的输入层,以供人工智能模型进行参数调整。
本实施例所实现的技术效果与实施例一相同,此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.自动售卖机用智能LED灯控制方法,其特征在于,包括:
通过安装于自动售卖机上的传感器实现周围环境亮度检测及靠近人员距离检测,且将检测结果传送至用于对所述自动售卖机进行控制的控制器;
在所述控制器内构建人工智能模型,用于学习和预测不同检测结果下自动售卖机上LED灯的控制状态;
收集数据以供所述人工智能模型的训练;
在所述人工智能模型训练完成后,定义决策规则,实现根据所述人工智能模型的输出结果对所述LED灯进行控制。
2.根据权利要求1所述的自动售卖机用智能LED灯控制方法,其特征在于,还包括:
定义若干性能指标,用于评估所述人工智能模型在运行中的表现;
实时监测所述LED灯的控制结果;
将所述人工智能模型的预测结果与所述LED灯的控制结果进行比较,获得比较结论,以及分析所述性能指标随时间的推移而发生的变化趋势,获得趋势分析结果;
确定所述比较结论和所述趋势分析结果的模糊集;
制定模糊规则,将所述比较结论和所述趋势分析结果的模糊集映射到反馈给LED灯控制系统的模糊集;
基于所述模糊规则,使用模糊推理引擎对反馈给LED灯控制系统的模糊集进行推理,产生模糊输出,对所述模糊输出去模糊化后反馈给所述人工智能模型的输入层,以供所述人工智能模型进行参数调整。
3.根据权利要求2所述的自动售卖机用智能LED灯控制方法,其特征在于,对所述模糊输出去模糊化后反馈给所述人工智能模型的输入层,以供所述人工智能模型进行参数调整,包括迭代执行的以下过程:
从模糊输出中得到清晰的LED灯控制反馈,作为新的训练集;
将训练完成的所述人工智能模型的LED灯控制预测结果与实际LED灯的控制结果进行比较,并使用损失函数计算二者之间的误差;
使用反向传播算法计算损失函数对于所述人工智能模型参数的梯度;
利用优化器根据所述梯度更新所述人工智能模型的参数,以减小误差。
4.根据权利要求3所述的自动售卖机用智能LED灯控制方法,其特征在于,利用的所述优化器为梯度下降法,根据所述梯度更新所述人工智能模型的权重w和偏置b。
5.根据权利要求4所述的自动售卖机用智能LED灯控制方法,其特征在于,所述权重w和偏置b的更新规则为:
wnew=wold−α*gradientw
bnew=bold−α*gradientb
其中,
α为学习率,用于控制着每次参数更新的幅度;
gradientw为计算获得的权重的梯度;
gradientb为计算获得的偏置的梯度。
6.根据权利要求5所述的自动售卖机用智能LED灯控制方法,其特征在于,所述学习率根据梯度进行动态调整,包括:
选择初始学习率,基于所述初始学习率每隔设定步骤进行衰减,在每次衰减时,将当前学习率乘以一个衰减因子,获得衰减后的学习率。
7.根据权利要求6所述的自动售卖机用智能LED灯控制方法,其特征在于,所述人工智能模型为神经网络模型,包括隐藏层,所述衰减因子通过以下公式计算:
N=a*β2+b*ln(β+c)
N为所述隐藏层的神经元数量;
β为衰减因子;
a为第一影响因子,b为第二影响因子,分别用于调整平方项β2和对数项ln(β+c)的相对重要性,c为第三影响因子,调整对数项的基线水平,a、b和c均通过实验和调整确定。
8.根据权利要求1所述的自动售卖机用智能LED灯控制方法,其特征在于,定义决策规则包括:对于所述人工智能模型的输出结果进行解释,通过模型输出的解释,基于周围环境检测参数的阈值和人员距离检测参数的阈值共同定义所述决策规则。
9.自动售卖机用智能LED灯控制系统,其特征在于,包括:
环境感知模块,通过安装于自动售卖机上的传感器实现周围环境亮度检测及靠近人员距离检测,且将检测结果传送至用于对所述自动售卖机进行控制的控制器;
人工智能模型构建模块,在所述控制器内构建人工智能模型,用于学习和预测不同检测结果下自动售卖机上LED灯的控制状态;
数据收集模块,收集数据以供所述人工智能模型的训练;
决策规则定义模块,在所述人工智能模型训练完成后,定义决策规则,实现根据所述人工智能模型的输出结果对所述LED灯进行控制。
10.根据权利要求9所述的自动售卖机用智能LED灯控制系统,其特征在于,还包括:
性能评估模块,定义若干性能指标,用于评估所述人工智能模型在运行中的表现;
LED控制监测模块,实时监测所述LED灯的控制结果;
比较与趋势分析模块,将所述人工智能模型的预测结果与所述LED灯的控制结果进行比较,获得比较结论,以及分析所述性能指标随时间的推移而发生的变化趋势,获得趋势分析结果;
模糊集确定模块,确定所述比较结论和所述趋势分析结果的模糊集;
模糊规则制定模块,制定模糊规则,将所述比较结论和所述趋势分析结果的模糊集映射到反馈给LED灯控制系统的模糊集;
使用模糊推理引擎对反馈给LED灯控制系统的模糊集进行推理,产生模糊输出,对所述模糊输出去模糊化后反馈给所述人工智能模型的输入层,以供所述人工智能模型进行参数调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706822.7A CN117615485A (zh) | 2023-12-12 | 2023-12-12 | 自动售卖机用智能led灯控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706822.7A CN117615485A (zh) | 2023-12-12 | 2023-12-12 | 自动售卖机用智能led灯控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117615485A true CN117615485A (zh) | 2024-02-27 |
Family
ID=89949880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311706822.7A Pending CN117615485A (zh) | 2023-12-12 | 2023-12-12 | 自动售卖机用智能led灯控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117615485A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209912056U (zh) * | 2019-05-28 | 2020-01-07 | 广州宽客科技有限公司 | 一种自动检测环境亮度的车载售货机 |
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 |
WO2021072951A1 (zh) * | 2019-10-14 | 2021-04-22 | 苏州数言信息技术有限公司 | 基于物联网和机器学习的室内智慧节能系统 |
CN115394444A (zh) * | 2022-09-06 | 2022-11-25 | 广东技术师范大学 | 基于模糊理论的健康状况分层量化评估实现方法及系统 |
CN218547580U (zh) * | 2022-11-16 | 2023-02-28 | 广州宏途数字科技有限公司 | 多种控制方式的节能led灯的智慧校园自动售货机 |
WO2023101939A1 (en) * | 2021-12-02 | 2023-06-08 | Lumileds Llc | Led array optimization using artificial neural networks |
CN117156635A (zh) * | 2023-08-29 | 2023-12-01 | 中节能建设工程设计院有限公司 | 一种智能交互的节能灯控平台 |
-
2023
- 2023-12-12 CN CN202311706822.7A patent/CN117615485A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209912056U (zh) * | 2019-05-28 | 2020-01-07 | 广州宽客科技有限公司 | 一种自动检测环境亮度的车载售货机 |
WO2021072951A1 (zh) * | 2019-10-14 | 2021-04-22 | 苏州数言信息技术有限公司 | 基于物联网和机器学习的室内智慧节能系统 |
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 |
WO2023101939A1 (en) * | 2021-12-02 | 2023-06-08 | Lumileds Llc | Led array optimization using artificial neural networks |
CN115394444A (zh) * | 2022-09-06 | 2022-11-25 | 广东技术师范大学 | 基于模糊理论的健康状况分层量化评估实现方法及系统 |
CN218547580U (zh) * | 2022-11-16 | 2023-02-28 | 广州宏途数字科技有限公司 | 多种控制方式的节能led灯的智慧校园自动售货机 |
CN117156635A (zh) * | 2023-08-29 | 2023-12-01 | 中节能建设工程设计院有限公司 | 一种智能交互的节能灯控平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108419339B (zh) | 基于LoRa技术的多功能LED智能路灯系统 | |
Seyedolhosseini et al. | Daylight adaptive smart indoor lighting control method using artificial neural networks | |
WO2021107054A1 (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
CN111426344B (zh) | 一种建筑物能耗智能检测系统 | |
CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
CN104504440A (zh) | 一种基于解释结构模型知识求精的弹药消耗预测系统及其方法 | |
CN117156635A (zh) | 一种智能交互的节能灯控平台 | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN116914751B (zh) | 一种智能配电控制系统 | |
Paulauskaite-Taraseviciene et al. | The usage of artificial neural networks for intelligent lighting control based on resident’s behavioural pattern | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN114355848A (zh) | 张力检测与智能控制系统 | |
CN117615485A (zh) | 自动售卖机用智能led灯控制方法及系统 | |
KR102175280B1 (ko) | 제어 파라미터 학습 기반 제어 시스템 및 방법 | |
Bakker et al. | Reinforcement learning in partially observable mobile robot domains using unsupervised event extraction | |
Zhang et al. | A deep reinforcement learning based human behavior prediction approach in smart home environments | |
CN114970745A (zh) | 物联网智能安防与环境大数据系统 | |
CN115031847A (zh) | 建筑内目标状态判断方法、系统、电子设备、存储介质 | |
Gharajeh | Implementation of an autonomous intelligent mobile robot for climate purposes | |
CN114386672A (zh) | 环境大数据物联网智能检测系统 | |
CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
Er et al. | A novel framework for automatic generation of fuzzy neural networks | |
CN114358244A (zh) | 基于物联网的压力大数据智能检测系统 | |
CN115016275B (zh) | 智能化饲喂与畜禽舍大数据物联网系统 | |
Huang et al. | Neural network prediction modeling for a continuous, snack food frying process |
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 |