一种基于DNN神经网络室内灯源布局方法与流程

本发明属于可见光通信技术领域，具体涉及可见光通信系统中室内可见光灯源布局优化的研究。

背景技术：

室内可见光通信技术结合了照明与通信，因此为了实现稳定的通信和均匀的照明，其室内灯源的布局优化显得至关重要。目前在室内灯源的布局优化领域的研究中，专家和学者的研究方法主要分为两种，分别为定量式和非定量式的布局方案。

2000年，日本研究人员率先提出了较为实用的vlc技术，进行了一系列基础性的理论研究工作。keio大学的tanaka等人提出利用5个高功率白光led灯来搭建室内无线链路，光源等间距分布于15m×15m×5m的房间中线上，在仅考虑直射链路(los)的情况下仿真分析室内各个位置处接收面的接收功率以及接收功率和误码率的关系。2004年，日本komine等人提出基于信道直流增益的室内vlc系统模型。在满足室内照明标准的前提下设计了5m×5m×3m房间内的led灯的典型布局。同时比较了数据传输速率、视场角和信噪比的关系得出室内光学接收天线的理想视场角范围为40°～50°。2007年，丁德强，柯熙政，李建勋研究了光源布局与vlc接收光功率分布的关系，并设计验证了四种光源布局的最优方案。2013年南京邮电大学的陈然设计了一种在兼顾照明需求的基础上，尽可能减少led灯数量的光源布局模型。以上的这些研究均属于非定量式的布局方案。所谓非定量的布局方案是指先固定好led灯的排列形状，通过调节led阵列中每个led的距离以及阵列到天花板的距离等参数，通过大量的实验仿真验证，观察其性能的改善。这种研究方式带有一定的盲目性。它不能较好的解释为什么是这种布局方式、无法确切的给出led阵列的发射功率要设为多少合适、以及led灯距离边缘的长度是多少等问题，都无法很定量的回答，用时长且没有一个具体的衡量标准。

2013年北京邮电大学的博士丁举鹏利用遗传算法来调整不同发射器的发射功率以实现对接收端光信号功率分布的优化。2015年南京邮电大学的学生叶蔚萍，利用反向设计的思想，在传统四灯源布局的基础上，通过convex凸优化反向设计求出发射面各灯源的发射功率。通过仿真分析得到了接收面光功率方差为1.95w，达到了良好的优化效果。但是，他们通过理论推导求得的最优光发射机功率在现实的实际生产中并没有此功率值所对应的该种型号的光发射机。非定量式布局方案其弊端是带有一定的盲目性，需要通过大量的实验手动的调节灯源布局的各参数，没有一定的标准依据。定量式的布局方案中他们通过理论推导求得的最优光发射机功率在现实的实际生产中有时并没有此功率型号的光发射机。因此这样设计的最优方案，在现实生活中是无法得到应用和推广，仅仅只是理论上的最优，并不能在现实生活中得到实际的应用。对于目前灯源布局优化所存在的上述问题至今还没有得到较好的解决。

技术实现要素：

发明目的：本发明所要解决的是利用反向设计所求出的发射机的最优功率在现实的生活中却没有此功率值所对应的此种型号的光发射机的问题。本发明公开了室内可见光通信系统中一种新型的室内灯源布局优化方案，利用deepneuralnetwork神经网络对灯源迭代寻优的解空间进行筛选，把不符合实际需求的解，即现实中，并不存在此功率值所对应的光发射机，预测出并删除掉，然后利用粒子群算法对筛选后的离散解空间进行迭代寻优，找出最优解并进行灯源的布局设计。本发明方案可以有效地解决常规反向设计优化方案中通过理论推导求得的最优光发射机功率在现实中并没有此功率值所对应的该种型号的光发射机的问题，避免了常规方案所设计出的灯源布局无法在生活中得到实际的应用和推广。因此本发明所提出的灯源布局方案，对于现实的应用和推广，具有重要的意义。

技术方案：本发明的一种基于dnn神经网络的室内灯源布局方法，具体包含如下步骤：

步骤1，将天花板均匀的分成4块，每一块的中心放置一个光发射机，每个光发射机是由数目不固定的led灯珠组成的阵列，每一个灯珠功率为w灯珠，为每一个光发射机设置一个功率缩放因子ki，其取值范围为ki∈[0,0.01,0.02,…,0.99,1]，初始条件下每个光发射机的功率均为w0，其中w0的大小是组成光发射机每个灯珠功率w灯珠的累加和；

步骤2，构建dnn神经网络，并对神经网络的每一层权重进行初始化；

步骤3，从功率缩放因子组成的解空间{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}中随机均匀地抽取一定数量的解组成训练集和测试集样本，为训练集和测试集中的样本进行标注，标注为1代表功率缩放因子组成的解空间[k1,k2,k3,k4]所对应的一组光发射机功率[k1×w0,k2×w0,k3×w0,k4×w0]与组成光发射机的灯珠功率w灯珠满足整数倍关系，标注0则代表光发射机与灯珠之间的功率不满足整数倍关系，通过标注产生了训练集标签和测试集标签；

步骤4，dnn神经网络的训练，利用步骤3产生的训练集标签和训练集标签，对神经网络进行训练，利用测试集去验证所训练的模型的好坏，通过不断地调参训练出符合准确度要求的dnn神经网络；

步骤5，把功率缩放因子组成的解空间{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}以数组的形式输入到训练好的dnn神经网络中去，在神经网络的输出端输出对应的预测值，把预测值为0所对应的样本从解空间中删除掉，并得到最终的解空间即：s＝{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,0.03,…,0.99,1],(ki×w0)％w灯珠＝0}，(ki×w0)％w灯珠＝0，表示所求得的发射机功率是灯珠功率的整数倍，只有在这样的解空间中对目标函数进行寻优，得到的最优光发射机功率在实际的应用中才有实用意义；

步骤6，在接收面用光接收机信噪比的均值比上其标准差即品质因子来衡量接收面功率覆盖的平坦性，利用粒子群搜索算法对f在解空间s中进行迭代寻优，求出使f为最大值时对应的一组解即为最优解，根据最优解求得光发射机的最佳发射功率，并得到最优的灯源布局优化方案。

进一步地，在步骤1中，选用功率大小w灯珠＝0.2w的灯珠来构成led阵列。

进一步地，在步骤1中，初始条件下为每个光发射机设置的发射功率的大小与房间大小有关。

进一步地，在步骤2中，由于每个待预测的样本sample∈{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}其特征的个数为4，构建的dnn神经网络为4层，一层输入层、两个隐藏层、一个输出层，每一层所对应的神经元的个数分别为4、12、6、1，每一层的权重初始化为0。

进一步地，在步骤3中，训练集和测试集以4:1的关系进行划分。

进一步地，在步骤4中，训练模型的过程中调参技术主要包括对神经网络的学习率、激活函数以及初始化权重进行调参。

进一步地，在步骤6中，品质因子其中为接收面每一个光探测器所接收的信噪比，pi为接收端接收功率，为接收端噪声功率，其中σshot是散粒噪声，σthermal是电路热噪声，γ是光电转换效率，prsignal是接收端接收的平均光功率，prisi是码间干扰的功率。

有益效果：

1、本发明方案可以有效地解决常规反向设计优化方案中通过理论推导求得的最优光发射机功率在现实中并没有此功率值所对应的该种型号的光发射机的问题，避免了常规方案所设计出的灯源布局无法在生活中得到实际的应用和推广。仅仅只是理论上的最优方案，并不能在现实生活中得到实际的应用。

2、本发明在对灯源的解空间进行筛选时，引入了人工智能技术，利用dnn神经网络对迭代寻优的解空间进行筛选，与传统方法相比提高了精度和效率。

附图说明

图1是本发明方案原理流程图；

图2是本发明一个实施例的示意图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明的思路是对现有室内可见光光源优化方案进行改进,利用dnn神经网络对灯源迭代寻优的解空间进行筛选，把不符合实际需求的解预测出并删除掉，然后利用粒子群算法对筛选后的离散解空间进行迭代寻优，找出最优解并进行灯源的布局设计。本发明方案可以有效地解决常规反向设计优化方案中通过理论推导求出的最优光发射机功率在现实中并没有此功率值所对应的该种型号的光发射机的问题，避免了常规方案所设计出的灯源布局无法在现实生活中得到应用和推广。仅仅只是理论上的最优方案，并不能在现实生活中得到实际的应用。因此本发明所提出的灯源布局方案，对于现实的应用和推广，具有重要的意义。

一种基于dnn神经网络室内灯源布局方法，如图1、图2所示：具体包括如下步骤：

步骤1，将天花板均匀的分成四块，每一块的中心放置一个光发射机，每个光发射机是由数目不固定的led灯珠组成的阵列，每一个灯珠功率为w灯珠，为每一个光发射机设置一个功率缩放因子ki，其取值范围为ki∈[0,0.01,0.02,…,0.99,1]，初始条件下每个光发射机的功率均为w0，其中w0的大小是组成光发射机每个灯珠功率w灯珠的累加和。其中，一般使用功率大小w灯珠＝0.2w的灯珠组成led阵列，初始条件下为每个光发射机设置的发射功率w0的大小与具体的房间有关。

步骤2，构建dnn神经网络，并对神经网络的每一层权重的值进行初始化。待预测的样本sample∈{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}其特征个数为4，所以我们构建的dnn神经网络一般为4层，一层输入层、两个隐藏层、一个输出层，每一层所对应的神经元的个数分别为4、12、6、1，并使每一层的权重初始化为0。

步骤3，从功率缩放因子组成的解空间{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}中随机均匀地抽取一定数量的解组成训练集和测试集样本,并且训练集和测试集包含的样本比设置为4:1，为训练集和测试集中的样本进行标注，标注为1代表该组功率缩放因子[k1,k2,k3,k4]所对应的一组光发射机功率[k1×w0,k2×w0,k3×w0,k4×w0]与组成光发射机的灯珠功率w灯珠满足整数倍关系，标注0则代表光发射机与灯珠之间的功率不满足整数倍关系，通过标注产生了训练集和测试集所对应的样本标签。

步骤4，dnn神经网络的训练，利用步骤3产生的训练集标签和训练集标签，对神经网络进行训练，利用测试集去验证所训练的模型的好坏，通过不断地调参训练出符合准确度要求的dnn神经网络。其中在训练模型的过程中调参技术主要包括对神经网络的学习率、激活函数以及初始化权重进行调参。

步骤5，把功率缩放因子组成的解空间{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}以数组的形式输入到训练好的dnn神经网络中去，在神经网络的输出端输出对应的预测值，把预测值为0所对应的样本从解空间中删除掉，并得到最终的解空间即：s＝{[k1,k2,k3,k4]|ki∈[0,0.1,0.2,0.3,…,0.99,1],(ki×w0)％w灯珠＝0}。

步骤6，在接收面用光接收机信噪比的均值比上其标准差即品质因子来衡量接收面功率覆盖的平坦性，利用粒子群搜索算法对f在解空间s中进行迭代寻优，求出使f为最大值时对应的一组解即为最优解，根据最优解求得光发射机的最佳发射功率，并得到最优的灯源布局优化方案。品质因子其中为接收面每一个光探测器所接受的信噪比，pi为接收端功率，为接收端噪声功率，其中σshot是散粒噪声，σthermal是电路热噪声，γ是光电转换效率，prsignal是接收端接收的平均光功率，prisi是码间干扰的功率。

在室内灯源布局领域中，非定量式布局方案其弊端是带有一定的盲目性，需要通过大量的实验手动的调节灯源布局的各参数，没有一定的标准依据。定量式的布局方案中他们通过理论推导求得的最优光发射机功率在实际生产中有时并没有此功率值所对应的该种型号的光发射机。因此这样设计的最优方案，在现实生活中是无法得到应用和推广，仅仅只是理论上的最优，并不能在现实生活中得到实际的应用。对于目前灯源布局优化所存在的上述问题至今还没有得到较好的解决。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。