一种自动学习的灯光控制方法和装置的制造方法
【技术领域】
[0001]本发明涉及一种自动学习的灯光控制方法和装置。
【背景技术】
[0002]市面上有很多灯光控制系统，如PHILIPS的HUE和yeel ight等。前者使用ZigBee+WiFi，移动终端通过WIFI接入该系统，ZigBee实现自组网控制，后者使用BLE低功耗蓝牙实现无线控制。上述技术都可以改变灯光配置，但无一例外都只是让用户可以实现本地或远程的无线控制，并没有解决智能控制的问题。
【发明内容】
[0003]为了克服现有技术的不足，本发明的目的在于提供一种自动学习的灯光控制方法和装置，通过神经网络学习算法实现灯光节点的自动控制。
[0004]为解决上述问题，本发明所采用的技术方案如下:
[0005]方案一:
[0006]一种自动学习的灯光控制方法，包括以下步骤:
[0007]S1:通过设定的传感器获取影响某灯光节点的当前传感数据，将当前传感数据以及该灯光节点的当前配置数据作为输入数据输入至神经网络；
[0008]S2:根据神经网络中的当前权重数据计算得到输出方差值，判断该输出方差值是否在设定的阈值范围内，若是，执行步骤S4，若否，执行步骤S3 ;
[0009]S3:根据预设的权重调整公式对当前权重数据进行调整，作为下一次迭代时的当前权重数据，并返回步骤Si进行迭代；
[0010]S4:将根据神经网络中的当前权重数据计算得到的该灯光节点的期望配置数据作为控制选择请求推送至用户的客户端中。
[0011]优选的，在步骤S4之后还包括以下步骤:
[0012]S5:根据选择结果对该灯光节点进行相应的配置调整，并且根据选择结果和预设的权重调整公式对当前权重数据进行调整，作为下一次迭代时的当前权重数据，并返回步骤SI进行迭代。
[0013]优选的，在步骤S4中，若用户的客户端中设置有针对该灯光节点的默认选择条件，则直接执行该默认选择。
[0014]优选的，所述神经网络为BP神经网络。
[0015]方案二:
[0016]一种自动学习的灯光控制装置，包括以下模块:
[0017]数据输入模块:用于通过设定的传感器获取影响某灯光节点的当前传感数据，将当前传感数据以及该灯光节点的当前配置数据作为输入数据输入至神经网络；
[0018]输出判断模块:用于根据神经网络中的当前权重数据计算得到输出方差值，判断该输出方差值是否在设定的阈值范围内，若是，执行期望配置推送模块，若否，执行第一迭代丰吴块；
[0019]第一迭代模块:用于根据预设的权重调整公式对当前权重数据进行调整，作为下一次迭代时的当前权重数据，并返回数据输入模块进行迭代；
[0020]期望配置推送模块:用于将根据神经网络中的当前权重数据计算得到的该灯光节点的期望配置数据作为控制选择请求推送至用户的客户端中。
[0021]优选的，在期望配置推送模块之后还包括以下模块:
[0022]第二迭代模块:用于根据选择结果对该灯光节点进行相应的配置调整，并且根据选择结果和预设的权重调整公式对当前权重数据进行调整，作为下一次迭代时的当前权重数据，并返回数据输入模块进行迭代。
[0023]优选的，在期望配置推送模块中，若用户的客户端中设置有针对该灯光节点的默认选择条件，则直接执行该默认选择。
[0024]优选的，所述神经网络为BP神经网络。
[0025]相比现有技术，本发明的有益效果在于:实现了通过神经网络对用户常用的灯光配置场景进行训练学习，当学习成功后，将学习得到的期望灯光配置推送至用户的客户端进行选择是否执行或者直接执行该期望灯光配置，以实现对该灯光节点的智能自动控制。
【附图说明】
[0026]图1为本发明的自动学习的灯光控制方法的流程图。
【具体实施方式】
[0027]下面，结合附图以及【具体实施方式】，对本发明做进一步描述:
[0028]参考图1为本发明的一种自动学习的灯光控制方法，包括以下步骤:
[0029]S1:通过设定的传感器获取影响某灯光节点的当前传感数据，将当前传感数据以及该灯光节点的当前配置数据作为输入数据输入至神经网络；
[0030]S2:根据神经网络中的当前权重数据计算得到输出方差值，判断该输出方差值是否在设定的阈值范围内，若是，执行步骤S4，若否，执行步骤S3 ;
[0031]S3:根据预设的权重调整公式对当前权重数据进行调整，作为下一次迭代时的当前权重数据，并返回步骤Si进行迭代；
[0032]S4:将根据神经网络中的当前权重数据计算得到的该灯光节点的期望配置数据作为控制选择请求推送至用户的客户端中；若用户的客户端中设置有针对该灯光节点的默认选择条件，则直接执行该默认选择。
[0033]S5:根据选择结果对该灯光节点进行相应的配置调整，并且根据选择结果和预设的权重调整公式对当前权重数据进行调整，作为下一次迭代时的当前权重数据，并返回步骤SI进行迭代。
[0034]本方案优选使用BP神经网络算法作为学习算法，其算法复杂度较低，下降性能好，且相对简单，也可以选择其他神经网络算法替代BP神经网络算法，BP神经网络算法为应用较广泛较为成熟的神经网络算法，具体的内部算法不是本方案所要求保护的，在本方案中不作过多赘述。
[0035]下面结合具体的应用场景例子对上述方法步骤进行描述，例如，某用户曾经多次在晚上7点左右会离开家去散步，离开时通常都会将某个灯光节点的灯光调暗到一定的亮度，基于该场景，当人离开时，该灯光节点对应的热释电传感器会检测到低电平，此时记录该热释电传感器的低电平信号、该热释电传感器转为低电平的时间(即用户出门离开的时间)、以及该灯光节点的当前配置，当前配置包括灯光的当前亮度和该灯光节点的编号。将上述记录的数据作为输入数据输入至设定的BP神经网络中，根据神经网络中的当前权重数据进行计算得到输出方差值，判断该输出方差值是否在设定的阈值范围内。当某天该用户又在该时间段内出门，但忘记了调节该灯光节点的灯光亮度，此时输入的数据经过BP神经网络计算后得到的方差值若在阈值范围内，则表示数据收敛，认为其中计算得到的灯光配置数据为用户的期望灯光配置，此时则将计算得到的该灯光节点的期望灯光配置数据作为控制选择请求推送至用户的客户端中，控制选择包括同意和不同意；若不在阈值范围内，则表示数据还没收敛，需要根据BP神经网络当前输出的数据和权重调整公示对当前权重数据进行调整，作为下一次迭代时的当前权重