CN117998712A - 台灯灯光的节能控制方法及系统 - Google Patents
台灯灯光的节能控制方法及系统 Download PDFInfo
- Publication number
- CN117998712A CN117998712A CN202311368213.5A CN202311368213A CN117998712A CN 117998712 A CN117998712 A CN 117998712A CN 202311368213 A CN202311368213 A CN 202311368213A CN 117998712 A CN117998712 A CN 117998712A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- brightness
- ambient brightness
- ambient
- feature
- 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 41
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 125
- 238000009826 distribution Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory 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
- 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
-
- 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
- H05B47/16—Controlling the light source by timing means
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
公开了一种台灯灯光的节能控制方法及系统。其首先通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值，接着，对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征，然后，基于所述环境亮度时序关联特征，确定是否调暗。这样，可以根据实际的环境光线和用户需求来智能调节台灯亮度，为用户带来更便捷、智能的台灯使用体验。
Description
技术领域
本申请涉及台灯领域，且更为具体地，涉及一种台灯灯光的节能控制方法及系统。
背景技术
台灯作为一种常见的照明设备，被广泛应用于居家、办公和学习等场所。节能减排是目前社会普遍关注的一个问题，而台灯作为日常生活中常用的照明设备之一，其节能控制也备受关注。台灯灯光的节能控制旨在通过智能化调节台灯亮度，以减少能源的消耗。
然而，传统的台灯节能控制通常是通过手动调节灯光的亮度或开关，并没有感知环境光线的能力。这就需要用户自主感知外界的亮度变化并进行灯光亮度的控制，以实现台灯灯光的亮度节能。但是，仅仅依赖用户的主观判断和手动控制的方式无法根据环境光线的变化自动调节，缺乏智能化和自动化的特点。这可能导致在光线充足的情况下仍然保持高亮度，造成能源的浪费。
因此，期望一种优化的台灯灯光的节能控制方案。
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台灯灯光的节能控制方法及系统。其可以根据实际的环境光线和用户需求来智能调节台灯亮度，为用户带来更便捷、智能的台灯使用体验。
根据本申请的一个方面，提供了一种台灯灯光的节能控制方法，其包括：
通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值；
对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征；以及
基于所述环境亮度时序关联特征，确定是否调暗。
根据本申请的另一个方面，提供了一种台灯灯光的节能控制系统，其包括：
亮度值采集模块，用于通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值；
时序特征分析模块，用于对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征；以及
亮度控制模块，用于基于所述环境亮度时序关联特征，确定是否调暗。
与现有技术相比，本申请提供的台灯灯光的节能控制方法及系统，其首先通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值，接着，对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征，然后，基于所述环境亮度时序关联特征，确定是否调暗。这样，可以根据实际的环境光线和用户需求来智能调节台灯亮度，为用户带来更便捷、智能的台灯使用体验。
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台灯灯光的节能控制方法的流程图。
图2为根据本申请实施例的台灯灯光的节能控制方法的架构示意图。
图3为根据本申请实施例的台灯灯光的节能控制方法的子步骤S120的流程图。
图4为根据本申请实施例的台灯灯光的节能控制方法的子步骤S122的流程图。
图5为根据本申请实施例的台灯灯光的节能控制方法的子步骤S130的流程图。
图6为根据本申请实施例的台灯灯光的节能控制方法的子步骤S132的流程图。
图7为根据本申请实施例的台灯灯光的节能控制系统的框图。
图8为根据本申请实施例的台灯灯光的节能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通过光传感器采集环境光线的亮度值，并在后端引入数据处理和分析算法来进行环境光线亮度值的时序分析，以根据环境光线的亮度变化自动调节台灯的亮度。例如，当周围光线足够亮时，台灯会自动调暗或关闭，以节省能源。这样，能够根据实际的环境光线和用户需求来智能调节台灯亮度，为用户带来更便捷、智能的台灯使用体验。
图1为根据本申请实施例的台灯灯光的节能控制方法的流程图。图2为根据本申请实施例的台灯灯光的节能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台灯灯光的节能控制方法，包括步骤：S110，通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值；S120，对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征；以及，S130，基于所述环境亮度时序关联特征，确定是否调暗。
具体地，在本申请的技术方案中，首先，获取由光传感器采集的环境光线在预定时间段内多个预定时间点的亮度值。接着，考虑到由于所述环境光线亮度值在时间维度上是不断变化的，也就是说，所述各个预定时间点的亮度值之间具有着时序的关联关系。因此，在本申请的技术方案中，将所述多个预定时间点的亮度值按照时间维度排列为环境亮度时序输入向量，以此来整合所述环境光线亮度值在时序上的分布信息。
继而，在对于所述环境光线亮度值进行时序变化特征提取时，为了能够更好地捕捉到所述环境光线亮度值在时间维度上的时序变化信息，进一步对所述环境亮度时序输入向量进行向量切分以得到多个环境亮度局部时序输入向量，以便于后续提取不同时间段内的有关于环境光线亮度的局部时序细节变化特征信息。
然后，为了能够进一步提高对环境光线亮度在预定时间段内的时序细微变化特征的捕捉能力，在本申请的技术方案中，进一步分别对所述各个环境亮度局部时序输入向量进行基于线性差值的上采样以得到多个上采样环境亮度局部时序输入向量，以增加数据的密度和平滑度，从而便于后续更好地表示环境光线亮度的时序特征。应可以理解，通过线性插值的上采样，可以将原始的所述各个环境亮度局部时序输入向量中的数据点进行插值，生成更多的数据点。这样，有助于增加时间维度上的分辨率，使得环境光线亮度的时序变化更加细致可见。同时，线性插值可以在采样点之间进行平滑插值，减少噪声和突变的影响，提高数据的连续性和稳定性。也就是说，上采样后的所述多个上采样环境亮度局部时序输入向量可以提供更详细和准确的环境光线亮度时序变化信息，为后续的特征提取和台灯亮度自适应控制提供更丰富的数据。
进一步地，将所述多个上采样环境亮度局部时序输入向量通过基于一维卷积层的时序特征提取器中进行特征挖掘，以提取出所述环境光线亮度值在时间维度上的各个局部时间段内的局部时序变化特征信息，从而得到多个上采样环境亮度局部时序特征向量。
接着，考虑由于所述环境光线亮度值在预定时间段内整体上具有着时序的动态变化特性，也就是说，所述环境光线亮度值在各个时间段内的局部时序变化特征之间具有着基于时序整体的关联关系。因此，在本申请的技术方案中，进一步将所述多个上采样环境亮度局部时序特征向量通过Bi-LSTM模型的上下文编码器中进行编码，以提取出所述光线亮度值在各个时间段内的局部时序变化特征基于时序全局的上下文关联特征信息，从而得到上下文环境亮度语义关联特征向量。
相应地，如图3所示，对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征，包括：S121，将所述多个预定时间点的亮度值按照时间维度排列为环境亮度时序输入向量；S122，对所述环境亮度时序输入向量进行局部时序特征提取以得到多个环境亮度局部时序特征；以及，S123，对所述多个环境亮度局部时序特征进行关联编码以得到所述环境亮度时序关联特征。应可以理解，在步骤S121中，将多个预定时间点的亮度值按照时间维度排列为环境亮度时序输入向量，这个步骤的目的是将时间序列数据进行整理和排序，以便后续的分析和处理。在步骤S122中，对环境亮度时序输入向量进行局部时序特征提取以得到多个环境亮度局部时序特征，这个步骤的目的是从时序数据中提取出局部的特征信息，例如平均值、最大值、最小值、方差等，以捕捉数据的局部变化模式和趋势。在步骤S123中，对多个环境亮度局部时序特征进行关联编码以得到环境亮度时序关联特征，这个步骤的目的是将局部时序特征进行编码，以捕捉不同特征之间的关联和相互作用。综合起来，这些步骤的作用是将原始的亮度时间序列数据进行整理、提取重要的局部特征，并编码这些特征以得到更高级别的时序关联特征，这些特征可以用于后续的数据分析、模式识别、预测等任务，以揭示亮度数据的模式、趋势和关联性。
更具体地，在步骤S122中，如图4所示，对所述环境亮度时序输入向量进行局部时序特征提取以得到多个环境亮度局部时序特征，包括：S1221，对所述环境亮度时序输入向量进行向量切分以得到多个环境亮度局部时序输入向量；S1222，分别对所述各个环境亮度局部时序输入向量进行基于线性差值的上采样以得到多个上采样环境亮度局部时序输入向量；以及，S1223，通过基于深度神经网络模型的时序特征提取器分别对所述多个上采样环境亮度局部时序输入向量进行时序特征提取以得到多个上采样环境亮度局部时序特征向量作为所述多个环境亮度局部时序特征。应可以理解，在步骤S1221中，对环境亮度时序输入向量进行向量切分以得到多个环境亮度局部时序输入向量，这个步骤的目的是将整个时序输入向量切分成多个较小的局部时序输入向量，以便更好地捕捉数据的局部特征和变化。在步骤S1222中，分别对各个环境亮度局部时序输入向量进行基于线性差值的上采样以得到多个上采样环境亮度局部时序输入向量，这个步骤的目的是通过线性差值的方法将局部时序输入向量进行上采样，使得数据在时间维度上更加细致和平滑，上采样可以增加数据的时间分辨率，提供更多的细节信息。在步骤S1223中，通过基于深度神经网络模型的时序特征提取器分别对多个上采样环境亮度局部时序输入向量进行时序特征提取以得到多个上采样环境亮度局部时序特征向量作为多个环境亮度局部时序特征，这个步骤的目的是使用深度神经网络模型作为时序特征提取器，从上采样的局部时序输入向量中提取高级别的时序特征，这些特征向量可以包含更丰富的信息，用于揭示数据的更复杂的模式和关联性。综合起来，这些步骤的作用是将环境亮度时序输入向量切分为局部时序输入向量，然后通过上采样和深度神经网络模型提取局部时序特征，以得到更丰富和高级别的环境亮度局部时序特征。这些特征可以更好地描述数据的局部变化和趋势，并为后续的分析和建模提供更有价值的信息。
更具体地，在步骤S1223中，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。值得一提的是，一维卷积层是深度神经网络中的一种常用层，用于处理具有时间序列结构的数据，它在时序数据的一个维度上进行滑动窗口的卷积操作，从而提取出时序数据中的局部特征。一维卷积层通过滑动窗口的卷积操作，能够捕捉到时序数据中的局部模式和趋势，通过设置合适的卷积核大小和步幅，可以提取不同尺度的特征，从而获得更全面和丰富的时序特征。一维卷积层可以通过设置合适的卷积核数量和池化操作，将输入的时序数据在特征维度上进行降维，这有助于减少模型的参数量和计算复杂度，同时保留重要的时序特征。一维卷积层能够通过滑动窗口的卷积操作，对时序数据的局部关联性进行建模，这样可以捕捉到时序数据中局部区域的依赖关系和相互作用，从而更好地理解和分析时序数据的结构。一维卷积层在卷积操作中共享权重，使得模型具有平移不变性的特性，这意味着无论时序数据中的特征出现在哪个位置，一维卷积层都能够识别和提取出相应的特征，从而增强了模型对时序数据的泛化能力。换言之，一维卷积层在时序数据处理中具有特征提取、维度降低、局部关联性建模和平移不变性等重要作用，它是构建基于深度神经网络模型的时序特征提取器的关键组成部分。
更具体地，在步骤S123中，对所述多个环境亮度局部时序特征进行关联编码以得到所述环境亮度时序关联特征，包括：将所述多个上采样环境亮度局部时序特征向量通过Bi-LSTM模型的上下文编码器以得到上下文环境亮度语义关联特征向量作为所述环境亮度时序关联特征。值得一提的是，Bi-LSTM(双向长短期记忆网络)是一种循环神经网络(RNN)的变体，用于处理具有时序结构的数据，它在时序数据的两个方向(正向和逆向)上分别构建了一个LSTM层，以捕捉时序数据中的前后关联信息。Bi-LSTM模型在时序数据处理中有以下几个重要作用：1.上下文建模：Bi-LSTM模型通过正向和逆向两个LSTM层，分别对时序数据进行前向和后向的上下文建模，这样可以在每个时间步骤上同时考虑过去和未来的信息，从而更好地理解时序数据的上下文关系。2.长期依赖建模：由于LSTM具有门控机制，可以有效地捕捉时序数据中的长期依赖关系，这对于处理长时间跨度的时序数据非常重要，例如预测未来的趋势或行为。3.特征提取：Bi-LSTM模型可以从时序数据中提取丰富的语义特征。它通过将每个时间步骤的隐藏状态进行拼接或合并，得到具有更高级别表示能力的特征向量，这些特征向量可以用于后续的任务，如分类、回归或生成。Bi-LSTM模型用作上下文编码器，将多个上采样环境亮度局部时序特征向量作为输入，通过正向和逆向的LSTM层进行上下文建模，从而得到上下文环境亮度语义关联特征向量。这些关联特征向量捕捉了时序数据中的上下文信息和语义关联，为后续的分析和建模提供更全面和准确的时序关联特征。
进而，再将所述上下文环境亮度语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否调暗。也就是说，利用所述环境光线亮度值的全局时序变化特征信息来进行分类处理，以此根据环境光线的亮度变化来自动调节台灯的亮度。例如，当周围光线足够亮时，台灯会自动调暗或关闭，以节省能源。这样，能够根据实际的环境光线和用户需求来智能调节台灯亮度，为用户带来更便捷、智能的台灯使用体验。
相应地，如图5所示，基于所述环境亮度时序关联特征，确定是否调暗，包括：S131，对所述上下文环境亮度语义关联特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后上下文环境亮度语义关联特征向量；以及，S132，将所述增益后上下文环境亮度语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否调暗。应可以理解，在步骤S131中，基于概率密度特征模仿范式的分布增益的目的是对上下文环境亮度语义关联特征向量进行增益操作，以进一步改善特征的表示和区分能力，具体来说，概率密度特征模仿范式是一种基于概率密度函数的特征增强方法，它通过对特征向量进行逐维的增益操作，使得特征在不同维度上的分布更加均匀和丰富。这种增益操作可以有助于提高特征的鉴别性能力，使得不同类别之间的特征分布更加明显和可分。通过增强上下文环境亮度语义关联特征向量的特征表示，可以更好地区分调暗和非调暗的情况，为后续的分类任务提供更具区分性的特征。在步骤S132中，将增益后的上下文环境亮度语义关联特征向量输入到分类器中，以得到分类结果。分类器是一个训练好的模型，用于将输入的特征向量映射到预定义的类别标签，即判断是否需要调暗，分类器可以是各种机器学习算法或深度神经网络模型，如支持向量机(SVM)、随机森林(Random Forest)、卷积神经网络(CNN)等。通过将增益后的特征向量输入分类器，可以利用分类器的学习能力和判别能力，对特征向量进行分类预测。分类结果表示是否需要调暗，即判断时序数据中的环境亮度是否达到了调暗的条件。这个分类结果可以用于指导后续的操作，如自动调节照明设备的亮度，以实现环境亮度的调暗。
特别地，在本申请的技术方案中，将所述多个上采样环境亮度局部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多个上采样环境亮度局部时序特征向量时，每个所述上采样环境亮度局部时序特征向量可以表达环境亮度在分段局部时域下的局部时序关联特征，这样，将所述多个上采样环境亮度局部时序特征向量通过Bi-LSTM模型的上下文编码器后，得到的所述上下文环境亮度语义关联特征向量可以进一步表达各个分段局部时域内的特征在全局时域下的基于分段的近程-远程双向上下文关联表示。这样，相对于局部时域的时序关联特征作为前景对象特征，在进行全局时域下的局部时域间上下文关联表示时，也会引入与各个局部时域内的时序关联特征分布干涉相关的背景分布噪声，并且，所述上下文环境亮度语义关联特征向量也具有局部时域和全局时域下的时域空间分级的时序关联特征表达，由此，期望基于所述上下文环境亮度语义关联特征向量的分布特性来增强其表达效果。因此，本申请的申请人对所述上下文环境亮度语义关联特征向量进行基于概率密度特征模仿范式的分布增益。
相应地，在一个具体示例中，对所述上下文环境亮度语义关联特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后上下文环境亮度语义关联特征向量，包括：以如下优化公式对所述上下文环境亮度语义关联特征向量进行基于概率密度特征模仿范式的分布增益以得到所述增益后上下文环境亮度语义关联特征向量；其中，所述优化公式为：
其中，V是所述上下文环境亮度语义关联特征向量，vi是所述上下文环境亮度语义关联特征向量的第i个位置的特征值，L是所述上下文环境亮度语义关联特征向量的长度，表示所述上下文环境亮度语义关联特征向量的二范数的平方，且α是加权超参数，exp(·)表示指数运算，v′i是所述增益后上下文环境亮度语义关联特征向量的第i个位置的特征值。
这里，基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式，所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码，在高维特征空间内区分前景对象特征和背景分布噪声，从而基于高维特征的空间分级语义来对高维空间进行特征空间映射的语义认知的分布软匹配，来获得高维特征分布的无约束的分布增益，提升所述上下文环境亮度语义关联特征向量基于特征分布特性的表达效果，也就提升了所述上下文环境亮度语义关联特征向量通过分类器得到的分类结果的准确性，从而提升了台灯亮度的调节效果。这样，能够根据环境光线的亮度变化自动调节台灯的亮度，从而在满足实际亮度需求的同时节省能源，为用户带来更便捷、智能的台灯使用体验。
进一步地，在步骤S132中，如图6所示，将所述增益后上下文环境亮度语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否调暗，包括：S1321，使用所述分类器的全连接层对所述增益后上下文环境亮度语义关联特征向量进行全连接编码以得到编码分类特征向量；以及，S1322，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括调暗(第一标签)，以及，不调暗(第二标签)，其中，所述分类器通过软最大值函数来确定所述增益后上下文环境亮度语义关联特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否调暗”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否调暗的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否调暗”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，在步骤S1321中，使用分类器的全连接层对增益后的上下文环境亮度语义关联特征向量进行全连接编码，全连接编码是指将输入的特征向量与分类器的全连接层进行矩阵乘法和非线性激活函数处理，以得到编码分类特征向量。全连接层是深度神经网络中常见的一种层结构，它的每个神经元与上一层的所有神经元相连接。在全连接编码中，通过将特征向量与全连接层的权重矩阵相乘，并经过激活函数(如ReLU、Sigmoid等)的非线性变换，可以将输入特征向量映射到更高维度的编码特征空间。全连接编码的作用是对输入特征向量进行非线性变换和特征提取，以获得更具表达力和区分性的编码分类特征向量。全连接层具有较强的拟合能力，可以通过学习适合特定任务的特征表示，从而提高分类器的性能。在S1322步骤中，将编码分类特征向量输入分类器的Softmax分类函数，以得到最终的分类结果。Softmax分类函数将编码分类特征向量映射到一个概率分布上，表示每个类别的概率。该函数对编码分类特征向量进行归一化处理，使得每个类别的概率值都在0到1之间，并且所有类别的概率之和为1。通过Softmax分类函数，可以将编码分类特征向量转化为分类器对每个类别的置信度或概率。最终的分类结果可以根据最高概率值对应的类别来表示是否需要调暗。如果最高概率对应的类别为调暗，则表示需要进行调暗操作；否则，表示不需要调暗。因此，全连接编码在S1321步骤中用于提取更高级别的特征表示，而Softmax分类函数在S1322步骤中用于将编码特征向量映射为分类结果的概率分布。这些步骤共同构成了分类器对环境亮度是否需要调暗进行判断的过程。
综上，基于本申请实施例的台灯灯光的节能控制方法被阐明，其可以根据实际的环境光线和用户需求来智能调节台灯亮度，为用户带来更便捷、智能的台灯使用体验。
图7为根据本申请实施例的台灯灯光的节能控制系统100的框图。如图7所示，根据本申请实施例的台灯灯光的节能控制系统100，包括：亮度值采集模块110，用于通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值；时序特征分析模块120，用于对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征；以及，亮度控制模块130，用于基于所述环境亮度时序关联特征，确定是否调暗。
在一个示例中，在上述台灯灯光的节能控制系统100中，所述时序特征分析模块120，包括：输入向量排列单元，用于将所述多个预定时间点的亮度值按照时间维度排列为环境亮度时序输入向量；局部时序特征提取单元，用于对所述环境亮度时序输入向量进行局部时序特征提取以得到多个环境亮度局部时序特征；以及，关联编码单元，用于对所述多个环境亮度局部时序特征进行关联编码以得到所述环境亮度时序关联特征。
这里，本领域技术人员可以理解，上述台灯灯光的节能控制系统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6的台灯灯光的节能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台灯灯光的节能控制系统100可以实现在各种无线终端中，例如具有台灯灯光的节能控制算法的服务器等。在一个示例中，根据本申请实施例的台灯灯光的节能控制系统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，该台灯灯光的节能控制系统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，该台灯灯光的节能控制系统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，该台灯灯光的节能控制系统100与该无线终端也可以是分立的设备，并且该台灯灯光的节能控制系统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8为根据本申请实施例的台灯灯光的节能控制方法的应用场景图。如图8所示，在该应用场景中，首先，通过光传感器(例如，图8中所示意的C)采集环境光线在预定时间段内多个预定时间点的亮度值(例如，图8中所示意的D)，然后，将所述多个预定时间点的亮度值输入至部署有台灯灯光的节能控制算法的服务器中(例如，图8中所示意的S)，其中，所述服务器能够使用所述台灯灯光的节能控制算法对所述多个预定时间点的亮度值进行处理以得到用于表示是否调暗的分类结果。
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)
1.一种台灯灯光的节能控制方法，其特征在于，包括：
通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值；
对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征；以及
基于所述环境亮度时序关联特征，确定是否调暗。
2.根据权利要求1所述的台灯灯光的节能控制方法，其特征在于，对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征，包括：
将所述多个预定时间点的亮度值按照时间维度排列为环境亮度时序输入向量；
对所述环境亮度时序输入向量进行局部时序特征提取以得到多个环境亮度局部时序特征；以及
对所述多个环境亮度局部时序特征进行关联编码以得到所述环境亮度时序关联特征。
3.根据权利要求2所述的台灯灯光的节能控制方法，其特征在于，对所述环境亮度时序输入向量进行局部时序特征提取以得到多个环境亮度局部时序特征，包括：
对所述环境亮度时序输入向量进行向量切分以得到多个环境亮度局部时序输入向量；
分别对所述各个环境亮度局部时序输入向量进行基于线性差值的上采样以得到多个上采样环境亮度局部时序输入向量；以及
通过基于深度神经网络模型的时序特征提取器分别对所述多个上采样环境亮度局部时序输入向量进行时序特征提取以得到多个上采样环境亮度局部时序特征向量作为所述多个环境亮度局部时序特征。
4.根据权利要求3所述的台灯灯光的节能控制方法，其特征在于，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
5.根据权利要求4所述的台灯灯光的节能控制方法，其特征在于，对所述多个环境亮度局部时序特征进行关联编码以得到所述环境亮度时序关联特征，包括：
将所述多个上采样环境亮度局部时序特征向量通过Bi-LSTM模型的上下文编码器以得到上下文环境亮度语义关联特征向量作为所述环境亮度时序关联特征。
6.根据权利要求5所述的台灯灯光的节能控制方法，其特征在于，基于所述环境亮度时序关联特征，确定是否调暗，包括：
对所述上下文环境亮度语义关联特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后上下文环境亮度语义关联特征向量；以及
将所述增益后上下文环境亮度语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否调暗。
7.根据权利要求6所述的台灯灯光的节能控制方法，其特征在于，对所述上下文环境亮度语义关联特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后上下文环境亮度语义关联特征向量，包括：
以如下优化公式对所述上下文环境亮度语义关联特征向量进行基于概率密度特征模仿范式的分布增益以得到所述增益后上下文环境亮度语义关联特征向量；
其中，所述优化公式为：
其中，V是所述上下文环境亮度语义关联特征向量，vi是所述上下文环境亮度语义关联特征向量的第i个位置的特征值，L是所述上下文环境亮度语义关联特征向量的长度，表示所述上下文环境亮度语义关联特征向量的二范数的平方，且α是加权超参数，exp(·)表示指数运算，vi′是所述增益后上下文环境亮度语义关联特征向量的第i个位置的特征值。
8.根据权利要求7所述的台灯灯光的节能控制方法，其特征在于，将所述增益后上下文环境亮度语义关联特征向量通过分类器以得到分类结果，所述分类结果用于表示是否调暗，包括：
使用所述分类器的全连接层对所述增益后上下文环境亮度语义关联特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种台灯灯光的节能控制系统，其特征在于，包括：
亮度值采集模块，用于通过光传感器采集环境光线在预定时间段内多个预定时间点的亮度值；
时序特征分析模块，用于对所述多个预定时间点的亮度值进行时序特征分析以得到环境亮度时序关联特征；以及
亮度控制模块，用于基于所述环境亮度时序关联特征，确定是否调暗。
10.根据权利要求9所述的台灯灯光的节能控制系统，其特征在于，所述时序特征分析模块，包括：
输入向量排列单元，用于将所述多个预定时间点的亮度值按照时间维度排列为环境亮度时序输入向量；
局部时序特征提取单元，用于对所述环境亮度时序输入向量进行局部时序特征提取以得到多个环境亮度局部时序特征；以及
关联编码单元，用于对所述多个环境亮度局部时序特征进行关联编码以得到所述环境亮度时序关联特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368213.5A CN117998712B (zh) | 2023-10-20 | 2023-10-20 | 台灯灯光的节能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368213.5A CN117998712B (zh) | 2023-10-20 | 2023-10-20 | 台灯灯光的节能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117998712A true CN117998712A (zh) | 2024-05-07 |
| CN117998712B CN117998712B (zh) | 2024-07-19 |
Family
ID=90890156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368213.5A Active CN117998712B (zh) | 2023-10-20 | 2023-10-20 | 台灯灯光的节能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117998712B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118574258A (zh) * | 2024-07-03 | 2024-08-30 | 杭州量大航林科技有限公司 | Led补光灯的亮度调节方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150305118A1 (en) * | 2012-11-08 | 2015-10-22 | Beghelli S.P.A. | Lighting apparatus with brightness self-adjustment and self-adjusting method thereof |
| CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
| CN116321620A (zh) * | 2023-05-11 | 2023-06-23 | 杭州行至云起科技有限公司 | 智能照明开关控制系统及其方法 |
| CN116744511A (zh) * | 2023-05-22 | 2023-09-12 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
| CN116963342A (zh) * | 2023-09-21 | 2023-10-27 | 永林电子股份有限公司 | 一种红外led光源及其自适应光调节方法 |
| CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及系统 |
| CN117222069A (zh) * | 2023-10-12 | 2023-12-12 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
-
2023
- 2023-10-20 CN CN202311368213.5A patent/CN117998712B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150305118A1 (en) * | 2012-11-08 | 2015-10-22 | Beghelli S.P.A. | Lighting apparatus with brightness self-adjustment and self-adjusting method thereof |
| CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
| CN116321620A (zh) * | 2023-05-11 | 2023-06-23 | 杭州行至云起科技有限公司 | 智能照明开关控制系统及其方法 |
| CN116744511A (zh) * | 2023-05-22 | 2023-09-12 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
| CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及系统 |
| CN116963342A (zh) * | 2023-09-21 | 2023-10-27 | 永林电子股份有限公司 | 一种红外led光源及其自适应光调节方法 |
| CN117222069A (zh) * | 2023-10-12 | 2023-12-12 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118574258A (zh) * | 2024-07-03 | 2024-08-30 | 杭州量大航林科技有限公司 | Led补光灯的亮度调节方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117998712B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117998712B (zh) | 台灯灯光的节能控制方法及系统 | |
| CN111914612B (zh) | 一种基于改进的卷积神经网络的施工图图元自适应识别方法 | |
| CN117202430B (zh) | 用于智慧灯杆的节能控制方法及系统 | |
| CN117835500A (zh) | 基于物联网技术的智慧城市照明智能控制系统及方法 | |
| CN114255371B (zh) | 一种基于组件监督网络的小样本图像分类方法 | |
| CN111898704B (zh) | 对内容样本进行聚类的方法和装置 | |
| Basnin et al. | An integrated CNN-LSTM model for micro hand gesture recognition | |
| AlKhuraym et al. | Arabic sign language recognition using lightweight cnn-based architecture | |
| CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
| Hrytsyk et al. | Real-time sensing, reasoning and adaptation for computer vision systems | |
| CN117037427A (zh) | 一种地质灾害联网监测预警系统 | |
| Ali et al. | Fake accounts detection on social media using stack ensemble system | |
| CN118226967A (zh) | 一种多模态交互智能控制系统 | |
| Zhong et al. | Face expression recognition based on NGO-BILSTM model | |
| CN117555355B (zh) | 基于人工智能的无人机集群控制方法及其系统 | |
| CN114140645A (zh) | 基于改进自监督特征学习的摄影图像美学风格分类方法 | |
| CN117315749A (zh) | 用于台灯的灯光智能调控方法及系统 | |
| CN115269855B (zh) | 基于预训练编码器的论文细粒度化多标签标注方法及装置 | |
| CN116739219A (zh) | 熔喷布生产管理系统及其方法 | |
| Dorobanţiu et al. | A novel contextual memory algorithm for edge detection | |
| CN117241443B (zh) | 基于物联网的智能照明灯具及其智能控制方法 | |
| CN114004992A (zh) | 多标签分类模型的训练方法、图像的多标签分类方法 | |
| ALtememe et al. | Gesture interpreting of alphabet Arabic sign language based on machine learning algorithms | |
| Xie et al. | Learning to Classify Weather Conditions from Single Images Without Labels | |
| CN113962750B (zh) | 一种基于attention机制的多尺度信息汽车销量大数据预测方法 |
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 |