【技术实现步骤摘要】
一种LED寿命的预测方法
本专利技术属于LED测试
，具体涉及一种LED寿命的预测方法。
技术介绍
近年来，半导体照明在工业领域和日常生活中的应用越来越广泛，发光二极管(LightEmittingDiode,LED)是一种电致发光的半导体发光器件，属新型固态冷光源，具有电压驱动低、能效高、寿命长和成本低等优点。随着LED技术的发展，在LED的研发中有一不可忽视的限制因素，即其实际寿命与理论值的差距。因此，进行相应的寿命试验，并根据LED的各项指标来估计LED的寿命，提高其可靠性，延长其使用周期成为了一种必要策略，如何准确地预测LED寿命也成为了一项重要的课题。目前，由数据驱动的LED寿命预测方法主要包括统计回归方法和经典的机器学习算法。受到模型选择的影响，传统的统计方法无法在多维影响因素条件下对LED寿命进行推断；而经典的机器学习算法虽然具有较好的数据处理能力，但其自身在运行时间和预测精度方面仍具有一定局限性，无法实现LED寿命预测的可靠性。
技术实现思路
本专利技术的目的是在于提供一种LED寿命的预测方法，通过LED的多维指标参数对LED可靠性进行评价，混合智...
【技术保护点】
1.一种LED寿命的预测方法，包括混合蚁群(ACO)、萤火虫(GSO)和小波神经网络(WNN)，其特征在于，所述的方法包括如下步骤：S1、获取LED数据，将数据集分为训练集和测试集；S2、设置蚁群规NACO、最大迭代数TACO、信息挥发系数ρ∈[0,1]以及信息素浓度Q；设置核函数参数σ和正则化参数γ的范围，随机产生一组参数序列(σ,γ)作为蚂蚁的初始位置向量；S3、计算每个蚂蚁个体当前所在位置的适应度值；计算蚂蚁当前所处位置j处的信息素浓度，适应度越小，信息素浓度越大，以均方差定义适应度：S4、通过每只蚂蚁的信息素浓度大小，确定蚂蚁适应度值最小的位置；进行信息素浓度的迭代...
【技术特征摘要】
1.一种LED寿命的预测方法，包括混合蚁群(ACO)、萤火虫(GSO)和小波神经网络(WNN)，其特征在于，所述的方法包括如下步骤：S1、获取LED数据，将数据集分为训练集和测试集；S2、设置蚁群规NACO、最大迭代数TACO、信息挥发系数ρ∈[0,1]以及信息素浓度Q；设置核函数参数σ和正则化参数γ的范围，随机产生一组参数序列(σ,γ)作为蚂蚁的初始位置向量；S3、计算每个蚂蚁个体当前所在位置的适应度值；计算蚂蚁当前所处位置j处的信息素浓度，适应度越小，信息素浓度越大，以均方差定义适应度：S4、通过每只蚂蚁的信息素浓度大小，确定蚂蚁适应度值最小的位置；进行信息素浓度的迭代更新，将满足适应度条件f≤fd的蚂蚁位置向量(σ,γ)放入集合XACO，直至迭代结束。S5、设置萤火虫的种群规模为NGSO，最大迭代次数TGSO，将蚁群算法得到的优化的XACO初始化萤火虫NGSO个虫子位置，并随机选择其它剩余虫子的位置，每个萤火虫个体都携带了相同的荧光素浓度lo和感知半径ro；S6、更新萤火虫的荧光素；S7、寻找萤火虫i的邻居；S8、确定萤火虫i移动方向；当邻居萤火虫j的荧光素值比萤火虫i大，且两只萤火虫之间的距离在感知范围rs之内时，萤火虫i将以概率pij(t)选择邻居萤火虫j，并向邻居萤火虫j的方向移动；S9、进行萤火虫i位置更新，再进行决策域更新，通过迭代确定各萤火虫个体极值pbest和最优位置；S10、将各萤火虫的个体极值pbest与群体最优位置适应度值gbest比较，当更优时，则将该萤火虫的最优位置作为群体的最优位置，该萤火虫的个体极值pbest作为群体极值gbest；检查是否满足迭代寻优结束条件，若满足则结束寻优，求出最优解(σ,γ)；否则，返回S3；S11、使用S10中的得到最优解(σ,γ)初始化WNN的权值Wk和阈值B，具体参数设定为：X＝(x1,x2,...,xn)T为输入节点的数据输入；Wk＝(wk1,wk2,...,wkn)为隐层第k个隐节点与输入层的连接权重；Wo＝(w1,w2,...,wk)为输出层与隐节点的连接权重；Ho＝(h1,h2,...,hk)为隐层各个隐节点的输出值；B＝(b1,b2,...,bk)为隐层各个隐节点的阈值；bo为输...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。