一种基于神经网络自动控制灯具的方法及系统

：本发明属于计算机系统领域，特别涉及一种基于神经网络自动控制灯具的方法及系统。

背景技术

0、
背景技术：

1、随着科学技术和社会经济的不断发展，照明系统正朝智能化的方向不断发展，智能照明系统不仅给人们带来了诸多生活上的便利，还满足了视觉上的享受。目前研究的照明优化问题大多是为了达到室内期望照度，而忽略了照度均匀度和眩光值对人的视觉体验和影响。

2、现有技术上，解决优化照明问题多采用线性规划。智能群体算法因其参数少、适应性强、高效的特点被广泛应用。其中麻雀搜索算法有着其局部搜索能力强的特点，但在求解高维问题时易陷入局部最优，运用在照明控制中不能充分实现节约能耗的目的。因此需要一种改进麻雀搜索算法来提高灯具控制网络模型预测的准确性，满足目标照明参数的同时节约能耗。

技术实现思路

0、
技术实现要素：

1、本发明是为了解决上述现有技术存在的问题而提供一种基于神经网络自动控制灯具的方法及其系统，其特征在于：包括如下步骤

2、s1将采集的室内的照度值、目标照度参数和所述照度参数下的灯具调光功率作为样本数据；

3、s2根据所述样本数据，通过改进麻雀搜索算法优化bp神经网络模型，得到优化后的初始权重和阈值；

4、s3重新构建灯具控制神经网络模型并用优化后的初始权重和阈值进行训练，获得训练后的灯具控制神经网络模型；

5、s4当室内有人且光环境发生变化，获取当前的室内照度值和目标照度参数；

6、s5将当前的室内照度值和目标照度参数输入至训练后的灯具控制神经网络模型进行训练，根据模型训练得到的结果，对灯具进行实时控制。

7、进一步地，所述改进麻雀搜索算法优化bp神经网络模型的步骤为：

8、s21随机初始化bp神经网络的权重和阈值作为麻雀搜索算法的初始解，设置迭代次数与虫群大小，通过tent混沌映射初始化麻雀种群，并计算个体适应度值和全局适应度值，得到全局最优个体；

9、s22根据个体适应度值，选择个体适应度值最优的10％～20％的麻雀作为发现者，其余麻雀充当追随者，在全部麻雀中，随机挑选一部分麻雀进行侦察预警，更新发现者、加入者和侦查者的位置；

10、s23计算更新后的每个个体的个体适应度值和种群适应度方差，并与阈值对比判断是否过早达到收敛，若收敛则引入柯西算子并更新发现者位置，重新执行本步骤；若未收敛则更新种群历史最优个体。

11、s24重复上述步骤直至达到迭代次数，输出种群历史最优个体和对应的个体适应度值，确定其均方误差，从而获得样本数据的优化后的初始权重和阈值。

12、进一步地，步骤s22中

13、发现者位置更新的公式为：

14、

15、其中：t为当前迭代次数，itermax为最大迭代次数，为第t+1代个体中第i只麻雀在第j维中的位置信息，j＝[1，2，3，…，d]；α∈(0，1]是一个随机数，r2∈(0，1]为预警值，st＝0.6为警戒阈值，q为服从标准正态分布的随机数，l为一个1xd的矩阵，其中矩阵内每个元素均为1；

16、所述加入者位置更新的公式为：

17、

18、其中，n为加入者的数量，xp为种群第t+1次迭代时发现者占据的最优位置，xworst，jt为种群在第t次迭代时麻雀在第j维的最差位置，a表示一个1xd的矩阵，其中每个元素赋值1或-1，并且a+＝at(aat)-1；当i>n/2时，适应度值较低的第i个加入者没有获得食物，飞往其他地方觅食，当i≤n/2时，第i个加入者在当前最优位置觅食；

19、所述侦察者位置更新的公式为：

20、

21、其中：为种群在第t次迭代时麻雀在第j维的最优位置；随机数k∈[-1，1]；fi表示第i只麻雀的适应度值；fg表示当前种群的最优适应度值；fw表示当前种群的最差适应度值；ε为避免分母为0的小数；β是服从正态分布的随机数；当fi>fg时，表示外围的麻雀向中心更新位置；当fi＝fg时，表示中心的麻雀朝同伴方向更新位置。

22、进一步地，步骤s23，未收敛时通过引入种群历史最优个体来更新发现者、加入者和侦查者的位置，具体为

23、设定一个初始种群历史最优个体，在每一次迭代中，更新发现者、加入者、侦察者的最新位置，比较当前解和种群历史最优个体的适应度值，选择较好的适应度值个体，设定为新的种群历史最优个体。

24、进一步地，步骤s23中若未收敛则更新种群历史最优个体，其中发现者位置更新的公式为

25、

26、其中xhbest为种群历史最优个体的位置，c1为种群历史最优个体的位置所占的权值；

27、加入者、侦察者的更新公式与步骤s22相同。

28、进一步地，对建立的灯具控制神经网络模型进行训练的步骤如下：

29、s31根据所述照度值和目标照度参数，设置输入层节点数、输出层节点数及合适的隐藏层节点数，通过改进麻雀搜索算法提取最优的权值和阈值，建立神经网络模型进行训练。

30、s32对所述神经网络模型进行迭代训练，输入的数据正向传递通过隐含层，作用于输出层。

31、s33使用优化算法迭代寻优得到的最优参数，将输出数据和期望输出的数据进行对比，求出误差指标，如果不满足，则进行反向传播重新调整各层的参数，在经过反复训练和验证后，得到训练后的灯具控制神经网络模型。

32、一种基于神经网络自动控制灯具的系统，其特征在于：包括

33、照明装置，所述照明装置设置于室内不同位置；

34、采集模块201，所述采集模块201多个用于获取室内的照度值和目标照度参数的照度传感器；

35、训练模块202，所述训练模块202通过采集模块201所采集到的室内的照度值和目标照度参数数据，训练如权利要求1所述的灯具控制神经网络模型；

36、感应模块203，所述感应模块203包括多个设置于室内不同位置的红外传感器，用于判断室内有人的区域；

37、控制模块204，用于当感应模块203感应到有人时，将人所在区域的采集模块201所采集的室内的照度值和目标照度参数输送至训练模块202，获得训练后的模型数据并调整照明装置的亮度。

38、本发明具有如下有益效果：

39、本发明本发明提供了一种基于神经网络自动控制灯具的方法，该方法可以有效提升灯具控制网络模型预测的准确率，在现有照度优化的基础上进一步解决灯具调光控制照度均匀度和眩光值的问题；

40、本发明通过混沌映射增加初始化种群的多样性，提升全局搜索的能力；

41、本发明通过监测群体适应度值的方差来判断是否已经陷入局部最优，通过在更新发现者的位置时引入柯西(cauchy)变异，防止麻雀搜索算法过早达到收敛；

42、本发明在原始麻雀搜索算法的基础上，在发现者、加入者、侦察者的更新公式中引入记忆机制，实现在历史最优的状态下去继续搜索，提高搜寻效率。