一种基于神经网络的光环境智能控制方法技术

一种基于神经网络的光环境智能控制方法，包括如下步骤：步骤1：原始样本数据的采集；步骤2：样本预处理，过程如下：2.1数据变换；2.2数据清洗；步骤3：BP神经网络的设计：设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型；步骤4：光环境优化：在根据神经网络模型得到评价函数之后，建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值,建立优化模型目标函数如下：max F＝α1P1+α2P2+......+αnPn接着根据不同环境对各指标要求不同建立相应的约束条件，从而得出最优解,将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。本发明专利技术有效避免主观因素的影响、自适应调节。

【技术实现步骤摘要】
一种基于神经网络的光环境智能控制方法
本专利技术涉及光环境智能控制领域，是一种基于深度学习神经网络的光环境测控方法。
技术介绍
光环境是指由光与颜色在室内建立的同房间形状有关的生理和心理环境。其包括且不局限于光照度、色温及照明形式等方面。人们通过听觉、视觉、嗅觉、味觉和触觉认识世界，在所获得的信息中有80％来自光引起的视觉。因此,创造舒适的光环境,提高视觉效能，有很大研究价值。对于光环境的各个指标，如光照度，色温，频闪及炫光指数等都能很方便地通过传感器直接或间接测出。在不同的场所，不同的光环境中，这些指标数据都是不同的。对于使用者来说，某个光环境的好坏，主要是其主观感受舒适与否。而目前存在的各个光环境的指标数据信息，正好可以为我们所用，探索各指标与人体对当前光环境舒适感的关系。其中，利用神经网络可以很好地帮助我们解决这个问题。目前，对于光环境优化有不少前辈都做过研究。对于室外光环境优化，王智永等人在《基于SVM-ACO算法的光环境优化调控模型》一文中，针对如何根据温度、CO2浓度变化实现光饱和点的动态获取是设施光环境调控技术发展的这一重要问题，提出基于支持向量机—蚁群算法(SVM-ACO)的黄瓜光环境优化调控模型。通过多因子嵌套试验获得不同光光量子通量密度、CO2浓度、温度组合条件下的光合速率值，利用支持向量机算法建立光合速率模型,设计基于连续蚁群寻优算法获取光饱和点并以其为调控目标,建立全范围温度、CO2浓度下的光环境优化调控模型。甄蒙等人在《寒地农村住宅光环境优化设计》一文中，探讨了各指标与照度的关系，他们通过现场实测和软件模拟研究了农村住宅长宽比、农村住宅高度、窗户形式等影响因素在农村住宅进深和面宽方向上对天然采光照度的影响,并通过MATLAB拟合及SPSS回归分析分别得出了照度与各影响因素的简化计算公式。又有将神经网络知识与光环境优化相结合的相关研究，叶德堃等人在《基于图像处理和神经网络的光环境优化控制研究》一文中，提出了一种改进的Canny算子与数学形态学相结合的图像处理技术，并且利用LVQ神经网络知识，得到能准确识别出人体背影的网络，再建立出室内图像特征与人体数量和坐标的匹配模型,从而根据人体坐标和数量来实现对灯具的优化控制。经文献调研分析，目前对光环境优化的方法有很多，但类似第一个例子中的SVM-ACO算法得到的模型，更多的是适合室外或车辆多的道路光环境照明的优化，对于人们接触更多的室内照明，该模型得到的结果并不适用。再观其他方法，都会因数据使用率不高，或仿真模拟不够而产生误差。因此，现有的光环境优化方法已经不能满足大数据时代背景下的人们对光的需求，急需将海量数据与多个光环境指标相结合，得出新的光环境优化模型。
技术实现思路
为了克服现有光环境优化方式的无法对室内光环境进行自适应调节的不足，以及目前的光环境调控主要受到主观因素的影响，为了解决这一问题，本专利技术提出了一种有效避免主观因素的影响、自适应调节的基于神经网络的光环境智能控制方法。本专利技术解决其技术问题所采用的技术方案是：一种基于神经网络的光环境智能控制方法，所述方法包括如下步骤：步骤1：原始样本数据的采集选取多种不同的光照环境类型，对同一类型环境进行测量和数据收集，在光照环境中进行随机取点并利用传感器对该点光照度水平、色温水平进行测量，采样间隔为1s，分别进行五次取样，并各取其平均值作为当前的光照度值和色温值；同时由被试人员来对该点的光环境情况进行一个评价，得到评价值，将所有的采样数据作为样本数据保存到矩阵S中S＝[Ei,I,T,A]其中i的取值不同，表示不同的光照环境类型；步骤2：样本预处理，过程如下：2.1数据变换：标准归一化处理，选取照度范围的最大值作为归一化处理中的最大数值；最小照度值为0，得到指标色温的最大数值与最小数值，用半升梯形模糊隶属度公式处理所有数据，处理方式如下：2.2数据清洗：包括对原始样本数据中的异常数据进行删除；在完成数据的标准归一化过程后，将数据输入支持向量机，完成对数据的分类以及对异常数据的剔除，并保存剔除异常值后的结果数据；步骤3：BP神经网络的设计设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型；步骤4：光环境优化在根据神经网络模型得到评价函数之后，建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值,建立优化模型目标函数如下：maxF＝α1P1+α2P2+......+αnPn接着根据不同环境对各指标要求不同建立相应的约束条件，从而得出最优解,将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。进一步，所述方法还包括：步骤5：实际测量对某光照环境中人类主要活动点对光照度水平、色温水平指标数据进行测量，通过单片机与照明设备通过D/A转换模块连接，实现对光环境各个指标的控制调节；所测得的光环境各项指标经过数据预处理以后，通过串行口输入单片机，利用单片机比较环境各个指标与优化模型得到的最优解进行比较，相应调整单片机的输出，实现对光环境各个指标的及时反馈控制，从而达到对光环境进行优化的目的。再进一步，所述步骤2.2中，基于支持向量机的异常检测算法的步骤如下：2.2.1准备一组训练样本如下，作为输入；{(X1，d2),(X2，d2),…(XP，dP)}任一输入样本Xp，其期望输出为dp＝±1；2.2.2在约束条件下求解使得目标函数其中αp为拉格朗日系数，K(Xp,Xj)为核函数，p，j＝1,2,…,P可以看作是P×P对称矩阵K的第pj项元素；2.2.3计算最优权值W0为最优权值，Y为隐层输出向量，α0p为Q(α)的最优解；2.2.4对于待分类模式X，计算分类判别函数根据f(X)为1或-1完成X的类别归属；2.2.5预置异常值比例为R，计算分类数据到最优超平面的距离，依照预置异常比例筛选出距离最优超平面最远的异常值，并且对这部分数据进行剔除，完成数据的清洗。更进一步，所述步骤3中，所述神经网络模型依次由输入层、隐含层和输出层组成，其中输入层中的输入向量为X＝(x1,x2,...,xi,...,xn)T；隐含层的输出向量为Y＝(y1,y2,...,yj,...,ym)T；输出层的输出向量为O＝(o1,o2,...,ok,...,ol)T；期望输出向量为D＝(d1,d2,...,dk,...,dl)T，输入层到隐含层之间的权值矩阵用V＝(v1,v2,...,vj,...,vm)T表示，其中列向量Vj为隐含层第j个神经元对应的权向量；隐含层到输出层之间的权值矩阵用W表示W＝(w1,w2,...,wk,...,wl)T,其中列向量Wk为输出层第k个神经元对应的权向量；各层信号之间有如下的数学关系对于输出层有ok＝f(netk)k＝1,2,3,...，l对于隐含层有yj＝f(netj)j＝1,2,3,...，m采用的神经元传递函数为单极性的Sigmoid函数采用Fletcher-Reeves共轭梯度算法进行训练；输入层、隐含层、输出层构成了三层感知器的神经网络模型。所述步骤3中，完成神经网络的训练以及减小网络误差和权值调整，过程如下：3.1)获取当前光环境的光照度水平、色温水平等指标数据，经数据预处理后，得到输入向量P＝{P1,P2,......,P本文档来自技高网...

【技术保护点】
1.一种基于神经网络的光环境智能控制方法，其特征在于，所述方法包括如下步骤：步骤1：原始样本数据的采集选取多种不同的光照环境类型，对同一类型环境进行测量和数据收集，在光照环境中进行随机取点并利用传感器对该点光照度水平、色温水平进行测量，采样间隔为1s，分别进行五次取样，并各取其平均值作为当前的光照度值和色温值；同时由被试人员来对该点的光环境情况进行一个评价，得到评价值，将所有的采样数据作为样本数据保存到矩阵S中S＝[Ei,I,T,A]其中i的取值不同，表示不同的光照环境类型；步骤2：样本预处理，过程如下：2.1数据变换：标准归一化处理，选取照度范围的最大值作为归一化处理中的最大数值；最小照度值为0，得到指标色温的最大数值与最小数值，用半升梯形模糊隶属度公式处理所有数据，处理方式如下：

【技术特征摘要】
1.一种基于神经网络的光环境智能控制方法，其特征在于，所述方法包括如下步骤：步骤1：原始样本数据的采集选取多种不同的光照环境类型，对同一类型环境进行测量和数据收集，在光照环境中进行随机取点并利用传感器对该点光照度水平、色温水平进行测量，采样间隔为1s，分别进行五次取样，并各取其平均值作为当前的光照度值和色温值；同时由被试人员来对该点的光环境情况进行一个评价，得到评价值，将所有的采样数据作为样本数据保存到矩阵S中S＝[Ei,I,T,A]其中i的取值不同，表示不同的光照环境类型；步骤2：样本预处理，过程如下：2.1数据变换：标准归一化处理，选取照度范围的最大值作为归一化处理中的最大数值；最小照度值为0，得到指标色温的最大数值与最小数值，用半升梯形模糊隶属度公式处理所有数据，处理方式如下：2.2数据清洗：包括对原始样本数据中的异常数据进行删除；在完成数据的标准归一化过程后，将数据输入支持向量机，完成对数据的分类以及对异常数据的剔除，并保存剔除异常值后的结果数据；步骤3：BP神经网络的设计设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型；步骤4：光环境优化在根据神经网络模型得到评价函数之后，建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值,建立优化模型目标函数如下：maxF＝α1P1+α2P2+......+αnPn接着根据不同环境对各指标要求不同建立相应的约束条件，从而得出最优解,将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。2.如权利要求1所述的一种基于神经网络的光环境智能控制方法，其特征在于，所述方法还包括：步骤5：实际测量对某光照环境中人类主要活动点对光照度水平、色温水平指标数据进行测量，通过单片机与照明设备通过D/A转换模块连接，实现对光环境各个指标的控制调节；所测得的光环境各项指标经过数据预处理以后，通过串行口输入单片机，利用单片机比较环境各个指标与优化模型得到的最优解进行比较，相应调整单片机的输出，实现对光环境各个指标的及时反馈控制，从而达到对光环境进行优化的目的。3.如权利要求1或2所述的一种基于神经网络的光环境智能控制方法，其特征在于，所述步骤2.2中，基于支持向量机的异常检测算法的步骤如下：2.2.1准备一组训练样本如下，作为输入；{(X1，d2),(X2，d2),......(XP，dP)}任一输入样本Xp，其期望输出为dp＝±1；2.2.2在约束条件下求解使得目标函数其中αp为拉格朗日系数，K(Xp,Xj)为核函数，p，j＝1,2,......,P可以看作是P×P对称矩阵K的第pj项元素；2.2.3计算最优权值W0为最优权值，Y为隐层输出向量，α0p为Q(α)的最优解；2.2.4对于待分类模式X，计算分类判别函数根据f(X)为1或-1完成X的类别归属；2.2.5预置异常值比例为R，计算分类数据到最优超平面的距离，依照预置异常比例筛选出距离最优超平面最远的异常值，并且对这部分数据进行剔除，完成数据的清洗。4.如权利要求3所述的一种基于神经网络的光环境智能控制方法，其特征在于，所述步骤3中，所述神经网络模型依次由输入层、隐含层和输出层组成，其中输入层中的输入向量为X＝(x1,x2,...,xi,...,xn)T...

【专利技术属性】
技术研发人员：汤晓斌，胡睿，张敏，戎宁涛，黄新宇，刘锦元，付明磊，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33