一种基于在线学习的灯具后备智能控制方法技术

本发明专利技术公开了一种基于在线学习的灯具后备智能控制方法，具体步骤如下：步骤S1，以工作场所为统计单位，利用计算机系统采集该场所的时间参数，并作为输入指标，并记为不同季节不同照明时间段输入变量X；步骤S2，得到开关控制档位输出变量Y；步骤S3，将工作场所的开关控制档位输出变量Y和不同季节不同照明时间段输入变量X的对应关系形成样本（X，Y）；步骤S4，建立一个深度学习神经元网络，包括位于输入层、隐含层、输出层；步骤S5，得到神经元网络模型；步骤S6，将训练完成的神经元网络模型保存；步骤S7，调用训练的神经元网络模型对灯具的档位进行控制。本发明专利技术可用于环境采集传感器故障时智能灯具的后备控制。能灯具的后备控制。能灯具的后备控制。

【技术实现步骤摘要】
一种基于在线学习的灯具后备智能控制方法


[0001]本专利技术属于灯具智能控制领域，具体地涉及一种基于在线学习的灯具后备智能控制方法。

技术介绍

[0002]随着新型智能技术的快速发展，我国的照明控制系统也呈现出智能化发展的特点，有效的提升了照明效率，为我们的生活带了巨大的便利，目前常用的智能控制方式有计算机集中控制、定时控制、光感控制、场景预设功能控制和摄像机感应控制等。
[0003]现有很多室内场所采用摄像头感应控制，主要是通过人物识别、动作识别、手势控制、照度感应等形式实现对照明系统的智能控制。但是如果摄像头由于某种原因故障后，就无法继续对照明进行控制。同样，任何其他类型的监测控制在其传感器出现故障时，将无法采集到现场环境的状态，从而无法生成相应的控制策略。现有的智能照明控制都没有考虑其传感器故障情况时的控制问题，因此，有必要提供一种针对照明控制系统传感器故障的控制方法。

技术实现思路

[0004]本专利技术的目的是提供一种基于在线学习的灯具后备智能控制方法，以解决由于传感器故障而无法采集到现场环境状态进而无法继续进行灯具控制的问题。
[0005]为实现上述目的，所采用的技术方案如下：一种基于在线学习的灯具后备智能控制方法，具体步骤如下：步骤S1，利用计算机系统采集工作场所的多个时间参数，将时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X；步骤S2，对应输入变量X的取值采集该工作场所灯具的输出指标，即为开关控制档位输出变量Y，；步骤S3，将工作场所的开关控制档位输出变量Y和不同季节不同照明时间段输入变量X的对应关系形成样本（X，Y）；步骤S4，建立一个深度学习神经元网络，包括位于输入层、隐含层、输出层，隐含层位于输入层和输出层之间；并将输入变量X作为神经元网络的输入信息，输出变量Y作为神经元网络的输出信息；步骤S5，选取样本（X，Y）的数据将其分为三份，分别作为训练集、验证集、测试集，对神经元网络进行训练；当训练至神经元网络收敛，训练结束，得到样本数据模型；步骤S6，将训练完成的样本数据模型保存为文件；步骤S7，当灯具传感器故障时，调用训练的样本数据模型，对当前时间段的开关控制档位进行预测，并按样本数据模型输出的预测结果对灯具的档位进行控制。
[0006]进一步地，所述步骤S1中，所述时间参数包括季节x1、星期x2、天气情况x3、时间段x4、节假日x5；将五个时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X=
（x1，x2，x3，x4，x5），季节x1包括1
‑
4共四个整数值，x1=1为春季，x1=2为夏季，x1=3为秋季，x1=4为冬季；星期x2包括1
‑
7共七个整数值，x2=1为星期一，x2=2为星期二，x2=3为星期三，x2=4为星期四，x2=5为星期五，x2=6为星期六，x2=7为星期日；天气情况x3包括0和1两个整数值，x3=0为阴天，x3=1为晴天；具体时间段x4包括0
‑
23共24个整数值，0：00
‑
0:59为x4=0，1：00
‑
1:59为x4=1，以此类推，用24个整数值代表一天中的时间段；是否节假日x5以数字0和1为，x5=1为节假日，x5=0为工作日。
[0007]进一步地，所述步骤S2中，输出变量Y的取值范围为[0，10]，用来表示灯具的发光强度，0为灯具不发出光线，10表示灯具达到最大发光强度。
[0008]进一步地，所述步骤S4中，其中输入层节点数为5，输出层节点数为1，隐含层节点为多个。
[0009]进一步地，所采集的输入指标和输出指标的信息为不少于4个月的数据。
[0010]进一步地，所述步骤S5中，神经元网络使用Levenberg Marquardt算法作为训练算法，并使用均方误差和回归分析来判断训练结果。
[0011]进一步地，LevenbergMarquardt算法进行训练的步骤如下：步骤S51，设置训练误差的允许值ε=ε0，初始化网络权值和阈值向量；步骤S52，计算输出信息及误差指标函数E(w)，其中：上述公式中，Y
i
为第i个样本的开关控制档位位置；Y
i
'为神经元网络计算出的第i个样本的输出向量；P为样本数量；w为网络权值和阈值所组成的向量；e
i
(w)为误差；步骤S53，计算Jacobian矩阵J(w)，其中n为神经元的个数；步骤S54，计算权值变化量
∆
w，其中；其中，I为单位矩阵；μ为用户定义的学习率；J(w)为Jacobian矩阵；步骤S55，经过k次迭代后，得到误差指标函数E(w
k
)，判断E(w
k
)与ε的大小，若E(w
k
)<ε=ε0，进行步骤S57；若E(w
k
)≥ε0，继续执行下一步S56；步骤S56，更新网络权值和阈值，以w
k+1
=w
k
+
∆
w为新的权值和阈值向量，
计算误差指数函数E(w
k+1
)，若E(w
k+1
)<E(w
k
)，则令k=k+1，μ=μ/β，进行步骤S54；步骤S57，算法结束，得到一个由历史记录信息确定的样本数据模型，其各指标的关联关系及权重都由灯具的历史控制记录所确定。
[0012]与现有技术相比，本专利技术的有益效果在于：（1）本专利技术提供了一种环境采集传感器故障时智能灯具的后备控制方法，以实现在智能灯具传感器故障的情况下，仍能实现灯具的正常合理控制；（2）本专利技术利用网络学习方法，通过学习灯具历史控制信息与季节、时间段、天气之间的关联规律，将其用于环境采集传感器故障时智能灯具的后备控制。
附图说明
[0013]图1为本专利技术实施例的简单流程图；图2为本专利技术实施例的神经元网络结构图；图3为本专利技术实施例的拟合残差图；图4为本专利技术实施例的梯度图；图5为本专利技术实施例的定义训练精度图；图6为本专利技术实施例的检验失败次数图；图7为本专利技术实施例的误差直方图；图8为样本数据模型的计算输出值与样本原实际输出值的线性化程度图。
具体实施方式
[0014]以下结合附图及具体实施例对本专利技术作进一步详细说明。
[0015]一种基于在线学习的灯具后备智能控制方法，如图1所示，具体步骤如下：步骤S1，以某工作场所为统计单位，利用计算机系统采集该场所的从2021年3月29日至8月3日的时间参数共1920组，时间参数包括季节x1、星期x2、天气情况x3、时间段x4、节假日x5，其中季节x1包括1
‑
4共四个整数值，x1=1为春季，x1=2为夏季，x1=3为秋季，x1=4为冬季；星期x2包括1
‑
7共七个整数值，x2=1为星期一，x2=2为星期二，x2=3为星期三，x2=4为星期四，x2=5为星期五，x2=6为星期六，x2=7为星期日；天本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于在线学习的灯具后备智能控制方法，其特征在于，具体步骤如下：步骤S1，利用计算机系统采集工作场所的多个时间参数，将时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X；步骤S2，对应输入变量X的取值采集该工作场所灯具的输出指标，即为开关控制档位输出变量Y；步骤S3，将工作场所的开关控制档位输出变量Y和不同季节不同照明时间段输入变量X的对应关系形成样本（X，Y）；步骤S4，建立一个深度学习神经元网络，包括位于输入层、隐含层、输出层，隐含层位于输入层和输出层之间；并将输入变量X作为神经元网络的输入信息，输出变量Y作为神经元网络的输出信息；步骤S5，选取样本（X，Y）的数据将其分为三份，分别作为训练集、验证集、测试集，对神经元网络进行训练；当训练至神经元网络收敛，训练结束，得到样本数据模型；步骤S6，将训练完成的样本数据模型保存为文件；步骤S7，当灯具传感器故障时，调用训练的样本数据模型，对当前时间段的开关控制档位进行预测，并按样本数据模型输出的预测结果对灯具的档位进行控制。2.如权利要求1所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，所述步骤S1中，所述时间参数包括季节x1、星期x2、天气情况x3、时间段x4、节假日x5；将五个时间参数作为输入指标，并记为不同季节不同照明时间段输入变量X=（x1，x2，x3，x4，x5），季节x1包括1
‑
4共四个整数值，x1=1为春季，x1=2为夏季，x1=3为秋季，x1=4为冬季；星期x2包括1
‑
7共七个整数值，x2=1为星期一，x2=2为星期二，x2=3为星期三，x2=4为星期四，x2=5为星期五，x2=6为星期六，x2=7为星期日；天气情况x3包括0和1两个整数值，x3=0为阴天，x3=1为晴天；具体时间段x4包括0
‑
23共24个整数值，0：00
‑
0:59为x4=0，1：00
‑
1:59为x4=1，以此类推，用24个整数值代表一天中的时间段；是否节假日x5以数字0和1为，x5=1为节假日，x5=0为工作日。3.如权利要求1所述的一种基于在线学习的灯具后备智能控制方法，其特征在于，所述步骤S2中，输出变量Y的取值范围为[0，10]，用来表示灯具的发光强度，0为灯具不发出光线，1...

【专利技术属性】
技术研发人员：林珊，郑翔，邓树，刘丽萍，赵美君，张悦，阮艳妹，谌小莉，詹占岚，曹国旭，王红燕，陆云，周再玲，陈鹏，许榅增，吴君乾，林志立，潘继灏，卢小莉，
申请(专利权)人：广州地铁设计研究院股份有限公司，
类型：发明
国别省市：