一种基于神经网络算法的智能照明控制方法技术

本发明专利技术公开了一种基于神经网络算法的智能照明控制方法，具体包括以下步骤：S1、获取训练样本，S2、大范围的部署灯具进行采集，将颗粒度变细，获取频次、时间点、位置坐标、人员信息、车辆信息以及车位信息，综合训练样本的准确率，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数，S3、建立行为习惯比对库和实时库，本发明专利技术涉及智能照明控制技术领域。该基于神经网络算法的智能照明控制方法，达到了通过在智能照明系统内创建神经网络算法，来使照明系统具有自我学习控制的目的，大大提高了智能照明系统的智能化程度，给使用者带来了很好的智能化照明控制体验，很好的实现了更加精准的降低能耗。

【技术实现步骤摘要】
一种基于神经网络算法的智能照明控制方法
本专利技术涉及智能照明控制
，具体为一种基于神经网络算法的智能照明控制方法。
技术介绍
智能照明控制系统是利用先进电磁调压及电子感应技术，对供电进行实时监控与跟踪，自动平滑地调节电路的电压和电流幅度，改善照明电路中不平衡负荷所带来的额外功耗，提高功率因素，降低灯具和线路的工作温度，达到优化供电目的的照明控制系统，智能照明控制系统在确保灯具能够正常工作条件下，给灯具输出一个最佳照明功率，可减少由于过压所造成的照明眩光，使灯光发出的光线更加柔和，照明分布更加均匀，又可大幅度节省电能，智能照明控制系统节电率可达20%-40%，智能照明控制系统它可在照明及混合电路中使用，适应性强，能在各种恶劣的电网环境和复杂的负载情况下连续稳定地工作，同时还将有效地延长灯具寿命和减少维护成本，针对不同的工作场合，智能照明控制系统分为单相和三相两种类型，系统最大的特点是场景控制，在同一室内可有多路照明回路，对每一回路亮度调整后达到某种灯光气氛称为场景；可预先设置不同的场景，切换场景时的淡入淡出时间，使灯光柔和变化，时钟控制，利用时钟控制器，使灯光呈现按每天的日出日落或有时间规律的变化，利用各种传感器及遥控器达到对灯光的自动控制。目前的智能照明控制方法，大多是直接通过箱控制系统内编辑固定控制程序进行智能控制照明，然而，这样的控制方法只能实现固定式的控制照明，智能化程度较低，不能给使用者带来很好的智能化照明控制体验，同时由于是固定式控制，不能实现更加精准的降低能耗，无法达到通过在智能照明系统内创建神经网络算法，来使照明系统具有自我学习控制的目的，不能实现通过大规模部署智能灯具进行图像采集和分析，使数据的颗粒度变细，来进行精准识别分析，从而对照明系统的控制十分不利。
技术实现思路
（一）解决的技术问题针对现有技术的不足，本专利技术提供了一种基于神经网络算法的智能照明控制方法，可以使照明系统在使用者高体验的基础上更加精准降低能耗。（二）技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于神经网络算法的智能照明控制方法，具体包括以下步骤：S1、获取训练样本，智能照明灯具采集到空间场景内的使用者进出时间点及滞留时间和位置信息，同时对标定人员或车辆精准采集，提取特征参量，设定神经网络初始参数；S2、大范围的部署灯具进行采集，将颗粒度变细，获取频次、时间点、位置坐标、人员信息、车辆信息以及车位信息，综合训练样本的准确率，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数；S3、建立行为习惯比对库和实时库，进行系统性空间场景自主信令调整灯光使用。优选的，所述步骤S1中通过图像采集模块采集照明空间场景中的图像数据，再通过系统后台处理器对采集的图像数据进行转化处理得到训练样本。优选的，所述步骤S1中通过人员信息分析单元、进出频次分析模块和进出时间分析模块对获取训练特征中的人员信息、人员位置、人员进出频次、人员进出时间点以及人员停留时间进行分析。优选的，所述步骤S1中通过车辆信息分析单元、进出频次分析模块和进出时间分析模块对获取训练特征中的车辆信息、车位信息、车辆进出频次、车辆进出时间点以及车辆停留时间进行分析。优选的，所述步骤S2中通过大规模部署步骤S1的智能灯具进行图像采集和分析，能够将数据的颗粒度变细，进行精准识别分析。优选的，所述步骤S2中通过神经网络训练单元中的隐含层数训练模块、隐含层节点数训练模块和迭代次数训练模块分别对特征数据进行隐含层数、隐含层节点数和迭代次数的神经网络算法优化。优选的，所述步骤S3中通过将步骤S2中优化后的神经网络算法作用于系统采集的特征数据，来分别创建行为习惯比对库和实施数据库，使智能照明灯具能够根据数据库中的算法数据进行智能控制工作。（三）有益效果本专利技术提供了一种基于神经网络算法的智能照明控制方法。与现有技术相比具备以下有益效果：该基于神经网络算法的智能照明控制方法，具体包括以下步骤：S1、获取训练样本，智能照明灯具采集到空间场景内的使用者进出时间点及滞留时间和位置信息，同时对标定人员或车辆精准采集，提取特征参量，设定神经网络初始参数，S2、大范围的部署灯具进行采集，将颗粒度变细，获取频次、时间点、位置坐标、人员信息、车辆信息以及车位信息，综合训练样本的准确率，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数，S3、建立行为习惯比对库和实时库，进行系统性空间场景自主信令调整灯光使用，可实现通过大规模部署智能灯具进行图像采集和分析，使数据的颗粒度变细，来进行精准识别分析，很好的达到了通过在智能照明系统内创建神经网络算法，来使照明系统具有自我学习控制的目的，大大提高了智能照明系统的智能化程度，给使用者带来了很好的智能化照明控制体验，很好的实现了更加精准的降低能耗，从而对照明系统的控制十分有益。附图说明图1为本专利技术的工作流程图；图2为本专利技术控制系统的结构原理框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。请参阅图1-2，本专利技术实施例提供一种技术方案：一种基于神经网络算法的智能照明控制方法，具体包括以下步骤：S1、获取训练样本，智能照明灯具采集到空间场景内的使用者进出时间点及滞留时间和位置信息，同时对标定人员或车辆精准采集，提取特征参量，设定神经网络初始参数，通过图像采集模块采集照明空间场景中的图像数据，再通过系统后台处理器对采集的图像数据进行转化处理得到训练样本，通过人员信息分析单元、进出频次分析模块和进出时间分析模块对获取训练特征中的人员信息、人员位置、人员进出频次、人员进出时间点以及人员停留时间进行分析，通过车辆信息分析单元、进出频次分析模块和进出时间分析模块对获取训练特征中的车辆信息、车位信息、车辆进出频次、车辆进出时间点以及车辆停留时间进行分析；S2、大范围的部署灯具进行采集，将颗粒度变细，获取频次、时间点、位置坐标、人员信息、车辆信息以及车位信息，综合训练样本的准确率，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数，通过大规模部署步骤S1的智能灯具进行图像采集和分析，能够将数据的颗粒度变细，进行精准识别分析，通过神经网络训练单元中的隐含层数训练模块、隐含层节点数训练模块和迭代次数训练模块分别对特征数据进行隐含层数、隐含层节点数和迭代次数的神经网络算法优化；S3、建立行为习惯比对库和实时库，进行系统性空间场景自主信令调整灯光使用，通过将步骤S2中优化后的神经网络算法作用于系统采集的特征数据，来分别创建行为习惯比对库和实施数据库，使智能照明灯具能够根据数据库中的算法数据进行智能控制工作。综上，本专利技术相比于现有技术，可实现通过大规模部署智本文档来自技高网...

【技术保护点】
1.一种基于神经网络算法的智能照明控制方法，其特征在于：具体包括以下步骤：/nS1、获取训练样本，智能照明灯具采集到空间场景内的使用者进出时间点及滞留时间和位置信息，同时对标定人员或车辆精准采集，提取特征参量，设定神经网络初始参数；/nS2、大范围的部署灯具进行采集，将颗粒度变细，获取频次、时间点、位置坐标、人员信息、车辆信息以及车位信息，综合训练样本的准确率，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数；/nS3、建立行为习惯比对库和实时库，进行系统性空间场景自主信令调整灯光使用。/n

【技术特征摘要】
1.一种基于神经网络算法的智能照明控制方法，其特征在于：具体包括以下步骤：
S1、获取训练样本，智能照明灯具采集到空间场景内的使用者进出时间点及滞留时间和位置信息，同时对标定人员或车辆精准采集，提取特征参量，设定神经网络初始参数；
S2、大范围的部署灯具进行采集，将颗粒度变细，获取频次、时间点、位置坐标、人员信息、车辆信息以及车位信息，综合训练样本的准确率，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数；
S3、建立行为习惯比对库和实时库，进行系统性空间场景自主信令调整灯光使用。


2.根据权利要求1所述的一种基于神经网络算法的智能照明控制方法，其特征在于：所述步骤S1中通过图像采集模块采集照明空间场景中的图像数据，再通过系统后台处理器对采集的图像数据进行转化处理得到训练样本。


3.根据权利要求1所述的一种基于神经网络算法的智能照明控制方法，其特征在于：所述步骤S1中通过人员信息分析单元、进出频次分析模块和进出时间分析模块对获取训练特征中的人员信息、人员位置、人员进出频次、人员进出时间点以及人员停留时间进行分析。

【专利技术属性】
技术研发人员：吴堂胜，孙志君，
申请(专利权)人：苏州华普物联科技有限公司，
类型：发明
国别省市：江苏;32