一种嵌入式低功耗智能照明系统的控制方法和系统技术方案

本发明专利技术提出了一种嵌入式低功耗智能照明系统的控制方法和系统，涉及智能照明技术领域，本发明专利技术实施例通过遗传算法的适应度函数对基于目标历史照明数据搭建的LSTM长短时记忆网络进行优化，并基于优化后的目标LSTM长短时记忆网络训练的预测模型的预测结果来控制照明系统，从而实现对照明系统的功耗优化，以达到节能的目的。到节能的目的。到节能的目的。

【技术实现步骤摘要】
一种嵌入式低功耗智能照明系统的控制方法和系统


[0001]本专利技术实施例涉及智能照明
，尤其涉及一种嵌入式低功耗智能照明系统的控制方法和系统。

技术介绍

[0002]近年来，随着智能家居市场的快速发展，智能照明系统也越来越受到人们的关注。然而，智能照明系统的功耗问题一直是制约其发展的一个重要因素。传统的低功耗方法主要是通过控制照明灯的开关时间和亮度来实现，但这种方法缺乏针对性，无法充分考虑用户的使用习惯和实际需求，因此往往导致能源的浪费。
[0003]因此，目前亟需一种新的智能照明系统的控制方法。

技术实现思路

[0004]本专利技术实施例提供一种嵌入式低功耗智能照明系统的控制方法和系统，以至少部分解决相关技术中存在的问题。
[0005]本专利技术实施例第一方面提供了一种嵌入式低功耗智能照明系统的控制方法，所述方法包括：
[0006]获取照明系统的历史照明数据、性能指标数据以及当前环境信息；
[0007]对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建LSTM长短时记忆网络；
[0008]根据所述性能指标数据，确定遗传算法的适应度函数；
[0009]将所述LSTM长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述LSTM长短时记忆网络进行优化，所述超参数包括：LSTM长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；
[0010]将所述目标历史照明数据作为训练集对优化后的目标LSTM长短时记忆网络进行模型训练，得到LSTM长短时记忆预测模型；
[0011]在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述LSTM长短时记忆预测模型中，得到预测结果；
[0012]根据所述预测结果，对所述照明系统进行控制。
[0013]可选地，所述将所述LSTM长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述LSTM长短时记忆网络进行优化，包括：
[0014]基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；
[0015]将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标LSTM长短时记忆网络。
[0016]可选地，所述基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值，包括：
[0017]获取所述LSTM长短时记忆网络中的多个超参数；
[0018]将多个所述超参数进行随机组合，构建至少两组所述超参数组合；
[0019]通过所述遗传算法的适应度函数，计算每一组所述超参数组合的适应度值。
[0020]可选地，所述将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标LSTM长短时记忆网络，具体包括如下步骤：
[0021]S1、基于将每一组所述超参数组合各自的适应度值进行两两比较，确定出适应度值排名前N位的超参数组合，其中N为大于1的整数；
[0022]S2、将适应度值排名前N位的超参数组合进行交叉、变异、更新操作，生成至少一组新的超参数组合；
[0023]S3、通过所述遗传算法的适应度函数，计算至少一组新的所述超参数组合各自的适应度值；
[0024]S4、重复步骤S1～S3，并在迭代次数达到预设次数或存在至少一组所述超参数组合的适应度值达到预设适应度阈值时，进入下一步骤；
[0025]S5、从适应度值排名前N位的所述超参数组合以及至少一组新的所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标LSTM长短时记忆网络。
[0026]可选地，所述控制指令为控制所述照明系统开启的指令，所述在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述LSTM长短时记忆预测模型中，得到预测结果，包括：
[0027]在接收到针对所述照明系统的控制指令的情况下，将获取到的所述当前环境信息以及所述控制所述照明系统开启的指令输入到所述LSTM长短时记忆预测模型；
[0028]基于所述LSTM长短时记忆预测模型，预测所述照明系统的光照需求；
[0029]将所述光照需求确定为所述LSTM长短时记忆预测模型的预测结果。
[0030]可选地，所述根据所述预测结果，对所述照明系统进行控制，包括：
[0031]基于所述预测结果对应的光照需求，控制所述照明系统的灯光亮度、灯光色温以及灯光开关中的至少一者。
[0032]可选地，所述根据所述性能指标数据，确定遗传算法的适应度函数，包括：
[0033]根据所述性能指标数据的重要性，确定每个所述性能指标数据各自对应的权重；
[0034]将每个所述性能指标数据进行标准化处理，得到每个所述性能指标数据各自对应的标准化数据；
[0035]根据每个所述性能指标数据各自对应的权重以及每个所述性能指标数据各自对应的标准化数据，确定所述遗传算法的适应度函数。
[0036]可选地，所述对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建LSTM长短时记忆网络，包括：
[0037]将所述历史照明数据转换为序列数据，并对转换后的序列数据进行归一化处理，得到所述目标历史照明数据；
[0038]基于所述目标历史照明数据，确定所述LSTM长短时记忆网络的输入层、LSTM层和输出层。
[0039]本专利技术实施例第二方面，提供了一种嵌入式低功耗智能照明系统的控制系统，所述系统包括：
[0040]第一获取模块，用于获取照明系统的历史照明数据、性能指标数据以及当前环境信息；
[0041]搭建模块，用于对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建LSTM长短时记忆网络；
[0042]确定模块，用于根据所述性能指标数据，确定遗传算法的适应度函数；
[0043]遗传算法优化模块，用于将所述LSTM长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述LSTM长短时记忆网络进行优化，所述超参数包括：LSTM长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；
[0044]训练模块，用于将所述目标历史照明数据作为训练集对优化后的目标LSTM长短时记忆网络进行模型训练，得到LSTM长短时记忆预测模型；
[0045]预测模块，用于在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述LSTM长短时记忆预测模型中，得到预测结果；
[0046]功耗优化模块，用于根据所述预测结果，对所述照明系统进行控制。
[0047]可选地，所述将所述LSTM长短时记忆网络中的超参数作为优化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种嵌入式低功耗智能照明系统的控制方法，其特征在于，所述方法包括：获取照明系统的历史照明数据、性能指标数据以及当前环境信息；对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建LSTM长短时记忆网络；根据所述性能指标数据，确定遗传算法的适应度函数；将所述LSTM长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述LSTM长短时记忆网络进行优化，所述超参数包括：LSTM长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；将所述目标历史照明数据作为训练集对优化后的目标LSTM长短时记忆网络进行模型训练，得到LSTM长短时记忆预测模型；在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述LSTM长短时记忆预测模型中，得到预测结果；根据所述预测结果，对所述照明系统进行控制。2.根据权利要求1所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述将所述LSTM长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述LSTM长短时记忆网络进行优化，包括：基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标LSTM长短时记忆网络。3.根据权利要求2所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值，包括：获取所述LSTM长短时记忆网络中的多个超参数；将多个所述超参数进行随机组合，构建至少两组所述超参数组合；通过所述遗传算法的适应度函数，计算每一组所述超参数组合的适应度值。4.根据权利要求2所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标LSTM长短时记忆网络，具体包括如下步骤：S1、基于将每一组所述超参数组合各自的适应度值进行两两比较，确定出适应度值排名前N位的超参数组合，其中N为大于1的整数；S2、将适应度值排名前N位的超参数组合进行交叉、变异、更新操作，生成至少一组新的超参数组合；S3、通过所述遗传算法的适应度函数，计算至少一组新的所述超参数组合各自的适应度值；S4、重复步骤S1～S3，并在迭代次数达到预设次数或存在至少一组所述超参数组合的适应度值达到预设适应度阈值时，进入下一步骤；S5、从适应度值排名前N位的所述超参数组合以及至少一组新的所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标LSTM长短时记忆网络。5.根据权利要求1所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述控
制指令为控制所述照明系统开启的指令，所述在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述LSTM长短时记忆预测模型中，得到预测结果，包括：在接收到针对所述照明系统的...

【专利技术属性】
技术研发人员：郭兵，汪思怡，代声馨，付念，罗正，代成，
申请(专利权)人：四川大学，
类型：发明
国别省市：