CN118119057A - 一种基于智能采样算法的led光谱调节系统 - Google Patents
一种基于智能采样算法的led光谱调节系统 Download PDFInfo
- Publication number
- CN118119057A CN118119057A CN202410541073.5A CN202410541073A CN118119057A CN 118119057 A CN118119057 A CN 118119057A CN 202410541073 A CN202410541073 A CN 202410541073A CN 118119057 A CN118119057 A CN 118119057A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- spectral
- led
- data
- matrix
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 201
- 238000005070 sampling Methods 0.000 title claims abstract description 75
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 41
- 230000006854 communication Effects 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims description 120
- 239000011159 matrix material Substances 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 22
- 238000011161 development Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000003245 working effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于智能采样算法的LED光谱调节系统,包括通信控制模块、光谱传感与存储模块、光谱分析与智能采样模块、环境反馈模块、用户界面模块,通信控制模块用于控制LED与光谱传感单元之间的通信连接,光谱传感与存储模块用于采集LED的光谱数据并存储光谱数据,光谱分析与智能采样模块用于分析光谱数据并智能的选择采样策略对光谱数据进行采样,环境反馈模块用于根据实时的光谱环境变化自动调整LED的工作状态,用户界面模块用于提供用户与LED光谱调节系统进行交互的界面。本发明提出光谱适应性算法对LED光谱进行分析,提出ADLPL算法对光谱数据进行智能采样,为一种基于智能采样算法的LED光谱调节系统提供更优的方案。
Description
技术领域
本发明创造涉及光谱分析、智能采样和光谱调节领域,具体涉及一种基于智能采样算法的LED光谱调节系统。
背景技术
LED光谱分析是一项重要的光谱技术,用于分析和研究LED的光谱特性,LED广泛用于照明、显示、通信等领域,不同类型的LED具有不同的发光特性,其光谱可以用于识别和分析,光谱是将光按波长进行分解和测量的过程,通常以图形方式表示,LED的光谱是其发光特性的可视化表示,可以揭示其发光波长、光强度和光谱分布信息,LED光谱分析在多个领域中具有广泛的应用,包括照明行业、LED显示屏制造、荧光光源测试、生物医学成像、光通信,通过分析LED的光谱,可以确定其质量、性能和适用性,通过测量和分析LED的光谱,以帮助优化LED设计、生产和应用,以满足不同领域的需求。
LED光谱智能采样是一项用于获取和分析LED光谱数据的技术,LED光谱采样需要使用适当的仪器和设备来测量和记录LED的光谱数据,光谱仪、分光仪、光栅光谱仪和光子计数器设备通常用于获取LED光谱,LED光谱智能采样通常借助自动化技术,例如机器视觉、自动调节光源强度和波长范围,以实现高效的光谱数据采集,LED光谱智能采样是一项关键的技术,用于获取和分析LED光谱数据,以支持LED产品的设计、制造和应用,这项技术在LED产业中具有广泛的应用,并对LED产品的性能和质量控制起着重要作用。
LED光谱调节是一种用于调整LED光源的光谱特性以满足不同应用的需求技术,LED产生的光谱由不同波长的光组成,通常具有窄带宽,LED的光谱特性对其在不同应用中的适用性至关重要,LED光谱可以通过多种方法进行调节,包括使用不同类型的LED芯片、荧光粉涂层、滤光片、光学透镜和反射镜,这些方法可以改变LED发出的光的波长分布,以满足特定应用的要求,LED光谱调节在多个应用领域中具有重要价值,在农业照明中,可以通过调节LED光谱来优化植物的生长和产量,在医疗领域,可以调整LED光谱以实现特定的生物刺激效果,此外,光谱调节还用于舞台照明、影视制作和摄影等领域,LED光谱调节是一项关键的技术,可根据不同应用的需求调整LED光源的光谱特性,这项技术对于提高LED的适用性、性能和能效非常重要,广泛应用于领域。
一种基于智能采样算法的LED光谱调节系统,提出了一种基于智能采样算法的LED光谱调节系统,用于自适应调节LED光谱,通过通信控制模块、光谱传感与存储模块、光谱分析与智能采样模块、环境反馈模块和用户界面模块的融合,为LED光谱调节提供一种方法与系统,提出光谱适应性算法对LED的光谱进行分析,提取LED光谱的参数及特征,本发明的创新之处在于,LSMA算法通过改变光谱数据样本以提出基于线性混合的谱方法ILSU来寻找初始光谱特征,通过提出自适应小波阈值对阈值进行改进,实现光谱特征寻找的精确性,同时使得光谱分析能够进行自适应分析,提出ADLPL算法对光谱数据进行智能采样,本发明的创新之处在于,ADLPL算法通过提出一种非自适应变权设计方法选择权重函数以提高收敛速度来重新构造邻接矩阵,并提出同形结构对权重函数进行改进,以进一步构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,以实现LED光谱的智能采样,有效提高一种基于智能采样算法的LED光谱调节系统的工作效果,为一种基于智能采样算法的LED光谱调节系统提供更为全面、准确地技术支撑,为安全、科学、高效的基于智能采样算法的LED光谱调节系统提供决策支持,同时,本发明涉及光谱分析算法与智能采样算法,为人们提供方便且高效的基于智能采样算法的LED光谱调节系统,也能为其他应用领域的发展巩固基础,在光谱分析、智能采样和光谱调节鼎盛发展的时代,光谱分析、智能采样和光谱调节的融合为多领域融合的发展打下了坚实的基础,且能应用于市场中的多个行业及领域,为光谱分析、智能采样和光谱调节的融合提供了新的发展方向,为光谱分析领域贡献了重要应用价值。
发明内容
针对上述问题,本发明旨在提供一种基于智能采样算法的LED光谱调节系统。
本发明创造的目的通过以下技术方案实现:
一种基于智能采样算法的LED光谱调节系统,包括通信控制模块、光谱传感与存储模块、光谱分析与智能采样模块、环境反馈模块和用户界面模块,通信控制模块用于控制LED与光谱传感单元之间的通信连接,光谱传感与存储模块包括光谱传感单元和数据存储模块,光谱传感单元用于采集LED的光谱数据,数据存储单元用于存储采集到的LED的光谱数据,光谱分析与智能采样模块包括光谱分析单元和智能采样单元,光谱分析单元提出光谱适应性算法对LED的光谱进行分析,智能采样单元提出ADLPL算法对光谱数据进行智能采样,用户界面模块用于提供用户与LED光谱调节系统进行交互的界面。
进一步的,通信控制模块用于管理和控制LED光谱调节系统的通信过程,使系统LED与光谱传输单元之间的数据传输。
进一步的,光谱传感单元通过光谱传感器捕捉不同波长的LED的光谱数据,同时进行光谱数据预处理,并检测异常的光谱数据,向系统报告问题。
进一步的,数据存储单元用于存储采集到的LED的光谱数据,采用云存储方式对光谱数据进行存储,云存储方式通过集群应用及分布式文件系统功能将网络中不同类型的存储设备通过应用软件集合起来协同工作,共同对外提供数据存储和管理的云计算系统,将采集的光谱数据放到云端上进行存储。
进一步的,光谱分析单元提出光谱适应性算法对LED的光谱进行分析,提取LED光谱的参数及特征,并在光谱分析中加入自适应分析,以对LED光谱进行正确且能适应于环境的调节。
进一步的,光谱适应性算法首先找到所有数据样本向量上的初始频谱特征,然后根据用户需求寻找所需的频谱特征,具体如下:假设光谱数据样本向量的光谱特征由光谱矩阵/>的线性混合组成,即/>,其中,/>为LED光谱矩阵,/>为与光谱数据样本向量/>相关的风度列向量,/>为光谱特征的数量,/>为第1个光谱特征,为第2个光谱特征,/>为第/>个光谱特征,/>为模型误差,初始频谱特征的误差校正项为,其中,/>为调节参数,且/>,/>为对/>进行平移变换,/>为第/>个光谱特征,/>为对/>进行转置变换,/>为正交补空间的投影矩阵,/>为数据样本向量,通过最小化/>估计光谱丰度分数/>,即,其中,/>为最小二乘估计,/>为对/>进行转置变换,/>为光谱特征数量/>在其他参数的条件约束,定义/>为测量参数/>的测度,且/>,则/>,通过测度来估计光谱丰度分数/>,然后在所有数据样本向量/>上寻找初始光谱特征,将数据样本向量/>改进为/>,以提出基于线性混合的谱方法ILSU来寻找初始光谱特征,即,其中,/>为光谱数据样本向量/>的第/>个子向量,求得/>的最佳值/>,即/>,对于/>,通过下式寻找光谱特征:/>,其中,/>为所有数据样本向量中产生最大未混合误差的数据样本向量,以确定光谱上不同的光谱特征的数量,提出数据样本的自相关矩阵/>,其中,/>为求和运算,/>为光谱数据样本向量/>的第个子向量/>与其转置/>的乘积,以此来描述数据样本子向量之间的相关性,协方差矩阵,其中,/>为光谱数据样本向量/>的第/>个子向量,/>为数据样本平均向量,且/>,然后找到自相关矩阵与协方差矩阵对应的本征值之间的差,即假设/>的自相关特征值组为/>,其中,/>为谱带的数量,/>为第1条谱带的自相关特征值,/>为第2条谱带的自相关特征值,/>为第/>条谱带的自相关特征值,/>的协方差特征值组为/>,其中,/>为第1条谱带的协方差特征值,/>为第2条谱带的协方差特征值,/>为第/>条谱带的协方差特征值,将自相关特征值组和协方差特征值组转化为二元假设问题,即/>,/>,其中,/>为自相关特征值等于其对应协方差特征值的情况,/>为自相关特征值大于其对应协方差本征值的情况,/>为假设检验中用于比较和决策的观察值,自相关特征值组和协方差特征值组转化为二元假设问题确定了随机决策规则中的阈值/>,因此二元假设问题求解为,其中,/>为虚警概率,/>为判别函数;
然后提出自适应小波阈值对阈值进行改进,具体如下:假设光谱源为,/>为用户需要的光谱谱带,/>为其他谱带,且谱带的长度为/>,在标准正交基/>下,光谱源/>被分解为高频小波系数/>和低频小波系数/>,其中,/>,/>,其中,/>为滤波系数,/>是小波系数的个数,它们满足:,其中,/>是/>的小波系数,估计函数为:,其中,/>为正交基,/>为/>的投影,/>是阈值函数,通过最小化风险估计来计算自适应小波阈值,假设/>为阈值的估计风险函数,/>通过最小化/>得到,无偏风险估计函数为:,/>,其中,/>是其他谱带的方差,/>是判决统计量,/>为判决统计量/>的判决函数,小波系数的中值可以用来估计其他谱带的方差,将小波系数按降序排列,以找到满足/>的第/>个小波系数,其中,/>为风险函数输入,/>为第/>个小波的小波系数,/>为第/>个小波的小波系数,即:/>,其中,/>为第/>个小波系数的正交基,/>为总小波数量,/>为第/>个小波,/>为剩余的小波数量,多重迭代估计用于最小化/>并确定/>,阈值函数确定为/>,阈值选择用于缩放/>,表示一个随指数变化的缩放比例,其中,/>用于指示指数幂的变量,就可得到每个分解尺度上的阈值,以此来解决二元假设问题/>,实现自适应的光谱分析,光谱适应性算法通过改变光谱数据样本以提出基于线性混合的谱方法ILSU来寻找初始光谱特征,通过提出自适应小波阈值对阈值/>进行改进,实现光谱特征寻找的精确性,同时使得光谱分析能够进行自适应分析。
进一步的,智能采样单元提出ADLPL算法对光谱数据进行智能采样,根据光谱分析单元的分析结果,制定智能的采样策略,在目标光谱区域执行采样操作。
进一步的,ADLPL算法通过构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,来实现LED光谱的智能采样,具体如下:假设维光谱数据样本/>的个数为/>,其中,/>为光谱数据样本/>的个数,/>为标记的光谱数据样本个数,/>为未标记的光谱数据样本个数,将其标记为集合/>,其中,/>为第/>个标记的光谱数据样本的有序对,未标记的光谱数据样本集合为/>,其中,/>为第/>个未标记的光谱数据样本,且/>,即表示/>由/>和/>的并集组成,基于流形的半监督方法为/>,其中,/>为训练的目标函数,/>为训练函数,/>为度量预测函数/>对于数据点/>之间预测误差的损失函数,/>与/>均为正则化参数,/>为函数空间,/>为/>在/>函数空间中的范数,/>为/>在/>流形空间中的范数,ADLPL算法的目标函数为,其中,/>为标记样本所在的空间,/>为未标记样本所在的空间,/>为/>空间中的样本点,/>为正则化参数,/>为样本数据点之间相似度的核矩阵,/>为拉普拉斯矩阵,且/>,其中,/>为对角矩阵,/>为邻接矩阵,/>的最佳值/>通过拉格朗日乘子法计算,即/>,其中,/>为单位矩阵,/>为相关矩阵,/>为目标变量,/>为调节参数/>的最佳值,且,其中,/>为调节参数/>里的第/>个子调节参数,/>为二次型损失函数的系数矩阵,且/>;
然后提出一种非自适应变权设计方法选择权重函数以提高收敛速度来重新构造邻接矩阵进一步构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,在此以同形结构作为改进的权重函数,即,其中,/>,/>,/>均为正的常数,/>为正整数集上的数,相应的邻接矩阵构造为/>,然后解决优化问题进一步选着合适的参数/>,/>,/>以提高收敛速度,计算非线性变权设计方法在求和算子下的导数为,其中,/>为符号函数,光谱特征值多项式为/>,其中,/>为求偏导运算,/>为光谱的特征值,/>为特征值/>的一次项系数,/>为多项式中的常数项,且最大负特征值的实部计算为,其中,/>为计算实部运算,/>为最大负特征值的实部,然后能找到具有固定权重的拉普拉斯矩阵和具有可变权重的拉普拉斯阵的参数之间的关系,利用该关系来表明拉普拉斯矩阵的第二小正特征值之间的关系为/>,其中,为/>的上界,ADLPL算法通过提出一种非自适应变权设计方法选择权重函数以提高收敛速度来重新构造邻接矩阵,并提出同形结构对权重函数进行改进,以进一步构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,以实现LED光谱的智能采样。
进一步的,用户界面显示模块用于提供用户与LED光谱调节系统进行交互的界面。
本发明创造的有益效果:本发明的创新点在于,提出了一种基于智能采样算法的LED光谱调节系统,用于自适应调节LED光谱,通过通信控制模块、光谱传感与存储模块、光谱分析与智能采样模块、环境反馈模块和用户界面模块的融合,为LED光谱调节提供一种方法与系统,提出光谱适应性算法对LED的光谱进行分析,提取LED光谱的参数及特征,本发明的创新之处在于,LSMA(Linear Spectral Mixture Analysis, 线性光谱混合分析)算法通过改变光谱数据样本以提出基于线性混合的谱方法ILSU来寻找初始光谱特征,通过提出自适应小波阈值对阈值进行改进,实现光谱特征寻找的精确性,同时使得光谱分析能够进行自适应分析,提出ADLPL算法对光谱数据进行智能采样,本发明的创新之处在于,ADLPL算法通过提出一种非自适应变权设计方法选择权重函数以提高收敛速度来重新构造邻接矩阵,并提出同形结构对权重函数进行改进,以进一步构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,以实现LED光谱的智能采样,有效提高一种基于智能采样算法的LED光谱调节系统的工作效果,为一种基于智能采样算法的LED光谱调节系统提供更为全面、准确地技术支撑,为安全、科学、高效的基于智能采样算法的LED光谱调节系统提供决策支持,同时,本发明涉及光谱分析算法与智能采样算法,为人们提供方便且高效的基于智能采样算法的LED光谱调节系统,也能为其他应用领域的发展巩固基础,在光谱分析、智能采样和光谱调节鼎盛发展的时代,光谱分析、智能采样和光谱调节的融合为多领域融合的发展打下了坚实的基础,且能应用于市场中的多个行业及领域,为光谱分析、智能采样和光谱调节的融合提供了新的发展方向,为光谱分析领域贡献了重要应用价值。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
包括通信控制模块、光谱传感与存储模块、光谱分析与智能采样模块、环境反馈模块和用户界面模块,通信控制模块用于控制LED与光谱传感单元之间的通信连接,光谱传感与存储模块包括光谱传感单元和数据存储模块,光谱传感单元用于采集LED的光谱数据,数据存储单元用于存储采集到的LED的光谱数据,光谱分析与智能采样模块包括光谱分析单元和智能采样单元,光谱分析单元提出光谱适应性算法对LED的光谱进行分析,智能采样单元提出ADLPL(Adaptive Discrete Laplacian Predictive Learning, 自适应离散拉普拉斯预测学习)算法对光谱数据进行智能采样,用户界面模块用于提供用户与LED光谱调节系统进行交互的界面。
优选的,通信控制模块用于管理和控制LED光谱调节系统的通信过程,使系统LED与光谱传输单元之间的数据传输。
优选的,光谱传感单元通过光谱传感器捕捉不同波长的LED的光谱数据,同时进行光谱数据预处理,并检测异常的光谱数据,向系统报告问题。
优选的,数据存储单元用于存储采集到的LED的光谱数据,采用云存储方式对光谱数据进行存储,云存储方式通过集群应用及分布式文件系统功能将网络中不同类型的存储设备通过应用软件集合起来协同工作,共同对外提供数据存储和管理的云计算系统,将采集的光谱数据放到云端上进行存储。
优选的,光谱分析单元提出光谱适应性算法对LED的光谱进行分析,提取LED光谱的参数及特征,并在光谱分析中加入自适应分析,以对LED光谱进行正确且能适应于环境的调节。
具体的,光谱适应性算法首先找到所有数据样本向量上的初始频谱特征,然后根据用户需求寻找所需的频谱特征,具体如下:假设光谱数据样本向量的光谱特征由光谱矩阵/>的线性混合组成,即/>,其中,/>为LED光谱矩阵,/>为与光谱数据样本向量/>相关的风度列向量,/>为光谱特征的数量,/>为第1个光谱特征,/>为第2个光谱特征,/>为第/>个光谱特征,/>为模型误差,初始频谱特征的误差校正项为,其中,/>为调节参数,且/>,/>为对/>进行平移变换,/>为第/>个光谱特征,/>为对/>进行转置变换,/>为正交补空间的投影矩阵,/>为数据样本向量,通过最小化/>估计光谱丰度分数/>,即,其中,/>为最小二乘估计,/>为对/>进行转置变换,/>为光谱特征数量/>在其他参数的条件约束,定义/>为测量参数/>的测度,且/>,则/>,通过测度来估计光谱丰度分数/>,然后在所有数据样本向量/>上寻找初始光谱特征,将数据样本向量/>改进为/>,以提出基于线性混合的谱方法ILSU(Iterative Linear Spectral Unmixing)来寻找初始光谱特征,即/>,其中,/>为光谱数据样本向量/>的第/>个子向量,/>不是单调递减的, />由于模型拟合误差而增大,求得/>的最佳值/>,即/>,对于/>,通过下式寻找光谱特征:/>,其中,/>为所有数据样本向量中产生最大未混合误差的数据样本向量,这是因为这样的最大未混合误差是由不包括/>作为其频谱特征之一的频谱特征矩阵引起的,也就是说,如果包括/>,则未混合的错误将减少,以确定光谱上不同的光谱特征的数量,提出数据样本的自相关矩阵/>,其中,为求和运算,/>为光谱数据样本向量/>的第/>个子向量/>与其转置/>的乘积,以此来描述数据样本子向量之间的相关性,协方差矩阵/>,其中,为光谱数据样本向量/>的第/>个子向量,/>为数据样本平均向量,且/>,然后找到自相关矩阵与协方差矩阵对应的本征值之间的差,即假设/>的自相关特征值组为,其中,/>为谱带的数量,/>为第1条谱带的自相关特征值,/>为第2条谱带的自相关特征值,/>为第/>条谱带的自相关特征值,/>的协方差特征值组为,其中,/>为第1条谱带的协方差特征值,/>为第2条谱带的协方差特征值,/>为第/>条谱带的协方差特征值,如果数据中存在高光谱谱带,则应该存在一些的光谱维度/>,使得由于光谱源将对样本相关矩阵/>中的样本平均做出贡献,而不对样本协方差矩阵/>做出贡献,将自相关特征值组和协方差特征值组转化为二元假设问题,即/>,/>,其中,/>为自相关特征值等于其对应协方差特征值的情况,/>为自相关特征值大于其对应协方差本征值的情况,即当为真(即/>失败)时,这意味着在一阶统计量方面存在对相关特征值有贡献的高光谱特征,因为在该特定分量中由/>的特征值表示的噪声能量与在其相应分量中由/>的特征值表示的能量相同,/>为假设检验中用于比较和决策的观察值,自相关特征值组和协方差特征值组转化为二元假设问题确定了随机决策规则中的阈值/>,因此二元假设问题求解为/>,其中,/>为虚警概率,/>为判别函数;
然后提出自适应小波阈值对阈值进行改进,具体如下:假设光谱源为,/>为用户需要的光谱谱带,/>为其他谱带,且谱带的长度为/>,在标准正交基/>下,光谱源/>被分解为高频小波系数/>和低频小波系数/>,其中,/>,/>,其中,/>为滤波系数,/>是小波系数的个数,它们满足:,其中,/>是/>的小波系数,估计函数为:,其中,/>为正交基,/>为/>的投影,/>是阈值函数,通过最小化风险估计来计算自适应小波阈值,假设/>为阈值的估计风险函数,/>通过最小化/>得到,无偏风险估计函数为:,/>,其中,/>是其他谱带的方差,/>是判决统计量,/>为判决统计量/>的判决函数,小波系数的中值可以用来估计其他谱带的方差,将小波系数按降序排列,以找到满足/>的第/>个小波系数,其中,/>为风险函数输入,/>为第/>个小波的小波系数,/>为第/>个小波的小波系数,即:/>,其中,/>为第/>个小波系数的正交基,/>为总小波数量,/>为第/>个小波,/>为剩余的小波数量,多重迭代估计用于最小化/>并确定/>,阈值函数确定为/>,阈值选择用于缩放/>,表示一个随指数变化的缩放比例,其中,/>用于指示指数幂的变量,就可得到每个分解尺度上的阈值,以此来解决二元假设问题/>,实现自适应的光谱分析,光谱适应性算法通过改变光谱数据样本以提出基于线性混合的谱方法ILSU来寻找初始光谱特征,通过提出自适应小波阈值对阈值/>进行改进,实现光谱特征寻找的精确性,同时使得光谱分析能够进行自适应分析。
优选的,智能采样单元提出ADLPL算法对光谱数据进行智能采样,根据光谱分析单元的分析结果,制定智能的采样策略,在目标光谱区域执行采样操作。
具体的,ADLPL算法通过构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,来实现LED光谱的智能采样,具体如下:假设维光谱数据样本/>的个数为/>,其中,/>为光谱数据样本/>的个数,/>为标记的光谱数据样本个数,/>为未标记的光谱数据样本个数,将其标记为集合/>,其中,/>为第/>个标记的光谱数据样本的有序对,未标记的光谱数据样本集合为/>,其中,/>为第/>个未标记的光谱数据样本,且/>,即表示/>由/>和/>的并集组成,基于流形的半监督方法为/>,其中,/>为训练的目标函数,/>为训练函数,/>为度量预测函数/>对于数据点/>之间预测误差的损失函数,/>与/>均为正则化参数,/>为函数空间,/>为/>在/>函数空间中的范数,/>为/>在/>流形空间中的范数,ADLPL算法的目标函数为,其中,/>为标记样本所在的空间,/>为未标记样本所在的空间,/>为/>空间中的样本点,/>为正则化参数,/>为样本数据点之间相似度的核矩阵,/>为拉普拉斯矩阵,且/>,其中,/>为对角矩阵,/>为邻接矩阵,/>的最佳值/>通过拉格朗日乘子法计算,即/>,其中,/>为单位矩阵,/>为相关矩阵,/>为目标变量,/>为调节参数/>的最佳值,且,其中,/>为调节参数/>里的第/>个子调节参数,/>为二次型损失函数的系数矩阵,且/>;
然后提出一种非自适应变权设计方法选择权重函数以提高收敛速度来重新构造邻接矩阵进一步构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,在此以同形结构作为改进的权重函数,即,其中,/>,/>,/>均为正的常数,/>为正整数集上的数,连续性和递减结构(从初始条件到一致值)是选择该函数的原因,相应的邻接矩阵构造为,然后解决优化问题进一步选着合适的参数/>,/>,/>以提高收敛速度,计算非线性变权设计方法在求和算子下的导数为,其中,/>为符号函数,光谱特征值多项式为/>,其中,/>为求偏导运算,/>为光谱的特征值,/>为特征值/>的一次项系数,/>为多项式中的常数项,且最大负特征值的实部计算为,其中,/>为计算实部运算,/>为最大负特征值的实部,然后能找到具有固定权重的拉普拉斯矩阵和具有可变权重的拉普拉斯阵的参数之间的关系,利用该关系来表明拉普拉斯矩阵的第二小正特征值之间的关系为/>,其中,为/>的上界,ADLPL算法通过提出一种非自适应变权设计方法选择权重函数以提高收敛速度来重新构造邻接矩阵,并提出同形结构对权重函数进行改进,以进一步构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,以实现LED光谱的智能采样。
优选的,用户界面显示模块用于提供用户与LED光谱调节系统进行交互的界面。
提出了一种基于智能采样算法的LED光谱调节系统,用于自适应调节LED光谱,通过通信控制模块、光谱传感与存储模块、光谱分析与智能采样模块、环境反馈模块和用户界面模块的融合,为LED光谱调节提供一种方法与系统,提出光谱适应性算法对LED的光谱进行分析,提取LED光谱的参数及特征,本发明的创新之处在于,LSMA算法通过改变光谱数据样本以提出基于线性混合的谱方法ILSU来寻找初始光谱特征,通过提出自适应小波阈值对阈值进行改进,实现光谱特征寻找的精确性,同时使得光谱分析能够进行自适应分析,提出ADLPL算法对光谱数据进行智能采样,本发明的创新之处在于,ADLPL算法通过提出一种非自适应变权设计方法选择权重函数以提高收敛速度来重新构造邻接矩阵,并提出同形结构对权重函数进行改进,以进一步构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,以实现LED光谱的智能采样,有效提高一种基于智能采样算法的LED光谱调节系统的工作效果,为一种基于智能采样算法的LED光谱调节系统提供更为全面、准确地技术支撑,为安全、科学、高效的基于智能采样算法的LED光谱调节系统提供决策支持,同时,本发明涉及光谱分析算法与智能采样算法,为人们提供方便且高效的基于智能采样算法的LED光谱调节系统,也能为其他应用领域的发展巩固基础,在光谱分析、智能采样和光谱调节鼎盛发展的时代,光谱分析、智能采样和光谱调节的融合为多领域融合的发展打下了坚实的基础,且能应用于市场中的多个行业及领域,为光谱分析、智能采样和光谱调节的融合提供了新的发展方向,为光谱分析领域贡献了重要应用价值。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种基于智能采样算法的LED光谱调节系统,其特征在于,包括通信控制模块、光谱传感与存储模块、光谱分析与智能采样模块、环境反馈模块和用户界面模块,通信控制模块用于控制LED与光谱传感单元之间的通信连接,光谱传感与存储模块包括光谱传感单元和数据存储模块,光谱传感单元用于采集LED的光谱数据,数据存储单元用于存储采集到的LED的光谱数据,光谱分析与智能采样模块包括光谱分析单元和智能采样单元,光谱分析单元通过光谱适应性算法对LED的光谱进行分析,智能采样单元通过ADLPL算法对光谱数据进行智能采样,用户界面模块用于提供用户与LED光谱调节系统进行交互的界面;光谱分析单元通过光谱适应性算法对LED的光谱进行分析,提取LED光谱的参数及特征,并在光谱分析中加入自适应分析,以对LED光谱进行正确且能适应于环境的调节;
光谱适应性算法首先找到所有数据样本向量上的初始频谱特征,然后根据用户需求寻找所需的频谱特征,具体如下:假设光谱数据样本向量的光谱特征由光谱矩阵的线性混合组成,即/>,其中,/>为LED光谱矩阵,/>为与光谱数据样本向量/>相关的风度列向量,/>为光谱特征的数量,/>为第1个光谱特征,/>为第2个光谱特征,/>为第/>个光谱特征,/>为模型误差,初始频谱特征的误差校正项为,其中,/>为调节参数,且/>,/>为对/>进行平移变换,/>为第/>个光谱特征,/>为对/>进行转置变换,/>为正交补空间的投影矩阵,/>为数据样本向量,通过最小化/>估计光谱丰度分数/>,即,其中,/>为最小二乘估计,/>为对/>进行转置变换,/>为光谱特征数量/>在其他参数的条件约束,定义/>为测量参数/>的测度,且/>,则/>,通过测度来估计光谱丰度分数/>,然后在所有数据样本向量/>上寻找初始光谱特征,将数据样本向量/>改进为/>,以提出基于线性混合的谱方法ILSU来寻找初始光谱特征,即,其中,/>为光谱数据样本向量/>的第/>个子向量,通过ILSU求得/>的最佳值/>,即/>,对于/>,通过下式寻找光谱特征:/>,其中,/>为所有数据样本向量中产生最大未混合误差的数据样本向量,以确定光谱上不同的光谱特征的数量,提出数据样本的自相关矩阵/>,其中,/>为求和运算,/>为光谱数据样本向量/>的第/>个子向量/>与其转置/>的乘积,以此来描述数据样本子向量之间的相关性,协方差矩阵/>,其中,/>为光谱数据样本向量/>的第/>个子向量,/>为数据样本平均向量,且/>,然后找到自相关矩阵与协方差矩阵对应的本征值之间的差,即假设/>的自相关特征值组为/>,其中,/>为谱带的数量,/>为第1条谱带的自相关特征值,/>为第2条谱带的自相关特征值,/>为第/>条谱带的自相关特征值,/>的协方差特征值组为/>,其中,/>为第1条谱带的协方差特征值,/>为第2条谱带的协方差特征值,/>为第/>条谱带的协方差特征值,将自相关特征值组和协方差特征值组转化为二元假设问题,即/>,/>,其中,/>为自相关特征值等于其对应协方差特征值的情况,/>为自相关特征值大于其对应协方差本征值的情况,/>为假设检验中用于比较和决策的观察值,自相关特征值组和协方差特征值组转化为二元假设问题确定了随机决策规则中的阈值/>,因此二元假设问题求解为/>,其中,/>为虚警概率,/>为判别函数。
2.根据权利要求1所述的一种基于智能采样算法的LED光谱调节系统,其特征在于,通信控制模块用于管理和控制LED光谱调节系统的通信过程,使系统LED与光谱传输单元之间的数据传输。
3.根据权利要求1所述的一种基于智能采样算法的LED光谱调节系统,其特征在于,光谱传感单元通过光谱传感器捕捉不同波长的LED的光谱数据,同时进行光谱数据预处理,并检测异常的光谱数据,向系统报告问题。
4.根据权利要求1所述的一种基于智能采样算法的LED光谱调节系统,其特征在于,数据存储单元用于存储采集到的LED的光谱数据,采用云存储方式对光谱数据进行存储,云存储方式通过集群应用及分布式文件系统功能将网络中不同类型的存储设备通过应用软件集合起来协同工作,共同对外提供数据存储和管理的云计算系统,将采集的光谱数据放到云端上进行存储。
5.根据权利要求1所述的一种基于智能采样算法的LED光谱调节系统,其特征在于,智能采样单元提出ADLPL算法对光谱数据进行智能采样,根据光谱分析单元的分析结果,制定智能的采样策略,在目标光谱区域执行采样操作。
6.根据权利要求5所述的一种基于智能采样算法的LED光谱调节系统,其特征在于,ADLPL算法通过构建新的拉普拉斯矩阵,调整光谱数据样本之间的相似性,来实现LED光谱的智能采样,具体如下:假设维光谱数据样本/>的个数为/>,其中,/>为光谱数据样本/>的个数,/>为标记的光谱数据样本个数,/>为未标记的光谱数据样本个数,将其标记为集合/>,其中,/>为第/>个标记的光谱数据样本的有序对,未标记的光谱数据样本集合为/>,其中,/>为第/>个未标记的光谱数据样本,且/>,即表示/>由/>和/>的并集组成,基于流形的半监督方法为,其中,/>为训练的目标函数,/>为训练函数,/>为度量预测函数/>对于数据点/>之间预测误差的损失函数,与/>均为正则化参数,/>为函数空间,/>为/>在/>函数空间中的范数,/>为在/>流形空间中的范数,ADLPL算法的目标函数为,其中,/>为标记样本所在的空间,/>为未标记样本所在的空间,/>为/>空间中的样本点,/>为正则化参数,/>为样本数据点之间相似度的核矩阵,/>为拉普拉斯矩阵,且/>,其中,/>为对角矩阵,/>为邻接矩阵,/>的最佳值/>通过拉格朗日乘子法计算,即/>,其中,/>为单位矩阵,/>为相关矩阵,/>为目标变量,/>为调节参数/>的最佳值,且,其中,/>为调节参数/>里的第/>个子调节参数,/>为二次型损失函数的系数矩阵,且/>。
7.根据权利要求1所述的一种基于智能采样算法的LED光谱调节系统,其特征在于,用户界面显示模块用于提供用户与LED光谱调节系统进行交互的界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410541073.5A CN118119057A (zh) | 2024-04-30 | 2024-04-30 | 一种基于智能采样算法的led光谱调节系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410541073.5A CN118119057A (zh) | 2024-04-30 | 2024-04-30 | 一种基于智能采样算法的led光谱调节系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118119057A true CN118119057A (zh) | 2024-05-31 |
Family
ID=91212944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410541073.5A Pending CN118119057A (zh) | 2024-04-30 | 2024-04-30 | 一种基于智能采样算法的led光谱调节系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118119057A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100182598A1 (en) * | 2007-07-10 | 2010-07-22 | Choi Byung Ll | Digital filter spectrum sensor |
US20120129269A1 (en) * | 2009-03-20 | 2012-05-24 | Nanolambda, Inc. | Nano-optic filter array based sensor |
-
2024
- 2024-04-30 CN CN202410541073.5A patent/CN118119057A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100182598A1 (en) * | 2007-07-10 | 2010-07-22 | Choi Byung Ll | Digital filter spectrum sensor |
US20120129269A1 (en) * | 2009-03-20 | 2012-05-24 | Nanolambda, Inc. | Nano-optic filter array based sensor |
Non-Patent Citations (1)
Title |
---|
"Remote sensing of spatial patterns of urban renewal using linear spectral mixture analysis: A case of central urban area of Shanghai (19972000)", 科学通报(英文版), no. 08, 30 April 2006 (2006-04-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Folkes et al. | An artificial neural network approach to the classification of galaxy spectra | |
CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN110736707B (zh) | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 | |
CN111967506A (zh) | 一种人工蜂群优化bp神经网络的脑电信号分类方法 | |
CN111198165A (zh) | 一种基于光谱数据标准化进行水质参数的测定方法 | |
CN117493921A (zh) | 基于大数据的人工智能节能管理方法及系统 | |
CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
CN115861817A (zh) | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 | |
CN117589741B (zh) | 基于光学特征的吲哚菁绿智能检测方法 | |
CN118119057A (zh) | 一种基于智能采样算法的led光谱调节系统 | |
CN117191716B (zh) | 基于人工智能的磁性印刷品质量实时检测方法 | |
JP2019190927A (ja) | 解析システム、撮像装置、および、プログラム | |
CN112215490A (zh) | 一种基于相关性系数改进K-means的电力负荷聚类分析方法 | |
CN114913415A (zh) | 一种基于遥感监测的病虫害检测系统 | |
CN110705373B (zh) | 一种基于小波包分析和残差网络的槽电压信号分类方法 | |
Ma et al. | Spectral difference analysis and identification of different maturity blueberry fruit based on hyperspectral imaging using spectral index | |
CN115392102A (zh) | 能耗预测模型的建立方法及装置、能耗预测方法及系统 | |
Lansel et al. | Dictionaries for sparse representation and recovery of reflectances | |
Fan et al. | Forecasting the Chinese Grain Yield Using Hybrid ARIMA and Error-Corrected Grey Model base on the Wavelet Transform. | |
Mao et al. | Weed detection based on the optimized segmentation line of crop and weed | |
CN110675366B (zh) | 基于窄带led光源估计相机光谱灵敏度的方法 | |
Abdalla et al. | Color Consistency of UAV Imagery using Multi-Channel CNN-based Image-to-Image Regression and Residual Learning | |
CN114581348B (zh) | 一种基于植物群落行为的图像融合方法 | |
CN117668477B (zh) | 一种海洋大数据智能轻量化处理方法及系统 | |
CN117951610B (zh) | 基于特征数据分析的通信信号识别分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |