一种应用于多通道LED调光的非线性补偿方法及系统技术方案

本发明专利技术提供了一种应用于多通道LED调光的非线性补偿方法及系统，通过大量数据训练确定相关照明参数与多通道LED最佳电流值之间的映射关系，建立目标神经网络模型，其中，相关照明参数包括色温、光通量、显色指数以及多通道电流值，具体的，以数据驱动方式缓解经验公式的局限性，并补偿多通道LED引入所增加的非线性因素对调光效果的影响，从而有效提高了多通道LED调光的精度和灵活性。LED调光的精度和灵活性。LED调光的精度和灵活性。

【技术实现步骤摘要】
一种应用于多通道LED调光的非线性补偿方法及系统


[0001]本专利技术属于多通道LED调光的非线性补偿的
，具体涉及一种应用于多通道LED调光的非线性补偿方法及系统。

技术介绍

[0002]随着移动通信、物联网、人工智能等技术的迅猛发展，智慧医疗、智慧工厂、智慧城市等智能应用蓬勃发展。在此背景下，室内外照明系统的高效管理和低碳节能是智慧城市的建设及应用中的关键一环。因此，如何利用分布广、数量大的城市照明系统与物联网技术的结合建设城市智慧照明成为智慧城市建设的重要内容。
[0003]动态照明作为智慧照明重要的一环，通过动态控制包含光度量和色度量在内的光色量，提高输出光的控制精度和灵活度。同时，动态照明通过合理配置光源、驱动电流等照明资源，提高能量利用效率，可广泛应用于城市路灯照明、室内公共场所照明、医疗照明等照明场景。充分发挥智慧照明在调光和节能方面的优势可以有效解决城市照明存在的不足，提高城市照明管理效率，同时还能促进城市照明节能减排。
[0004]现有照明系统大部分采用单通道LED调光机制，而且使用线性控制方式对LED进行调光控制。在此过程中，由于LED器件的电光转换关系为非线性，其LED的输入电流与输出光照指标往往也呈现非线性特性，照明参数如色温和显色指数与电流呈非线性变化，这导致线性调光方法的调光效果不佳，无法满足智能化照明需求高的场景。同时，传统调光方法受经验公式的局限，难以准确描述目标照明参数与多通道LED混光驱动电流值的关系，这将难以保证精准调光，并且不恰当的驱动电流值不仅造成不必要的能量浪费，而且容易减少灯具的使用寿命，进一步造成资源浪费。对此，容易想到采用两个及以上的多通道LED混光的调光方法，通过调节多通道LED电流值获得所需的照明参数，相较于单通道LED调光可以提高调光精度和灵活性，进而提高整体的照明效果。然而，LED器件的非线性特性和经验公式的局限性依旧存在，并且会因为多通道的引入进一步增加调光控制难度。

技术实现思路

[0005]基于此，本专利技术实施例当中提供了一种应用于多通道LED调光的非线性补偿方法及系统，旨在解决现有技术中，采用多通道LED混光的调光方法的精度和灵活性较差的问题。
[0006]本专利技术实施例的第一方面提供了一种应用于多通道LED调光的非线性补偿方法，所述方法包括：搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及电流值；将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后
的数据输入所述神经网络模型进行训练，以得到目标神经网络模型；将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标电流值；根据所述目标电流值，驱动对应的LED光源，以达到目标照明效果。
[0007]进一步的，所述将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述电流值进行归一化处理，得到归一化处理后的数据的步骤中，采用Z
‑
score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换，以获得服从均值为0、标准差为1的正态分布的数据，其中，采用Z
‑
score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换的公式为：其中，表示为归一化处理后的数据，表示为样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值，表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的均值，表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的标准差，K表示为K类数据。
[0008]进一步的，所述神经网络模型包括输入层、模糊化层、模糊逻辑层、归一化层以及输出层，其中，所述输入层包括3个神经元，所述模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：数作为隶属函数，即：表示为隶属函数，表示为隶属函数的中心值，表示为隶属函数的宽度值；所述模糊逻辑层包括m个神经元，每个神经元表征一个模糊控制规则，其输出表示每条规则的实用度，即：每条规则的实用度，即：表示为所述模糊逻辑层的输出；所述归一化层用于对所述模糊逻辑层中的每条规则的实用度进行归一化计算，其节点函数为：
表示为所述归一化层的输出；所述输出层包括p个神经元，输出向量为：所述输出层包括p个神经元，输出向量为：表示为第p个LED光源的电流值，其节点函数为：表示为第p个LED光源的电流值，其节点函数为：表示为第j个归一化层神经元到输出层神经元y
i
的连接权值。
[0009]进一步的，所述将归一化处理后的数据输入所述神经网络模型进行训练的步骤包括：将归一化处理后的数据依次经过所述输入层、所述模糊化层、所述模糊逻辑层、所述归一化层以及所述输出层中处理，得到神经网络输出值；判断所述神经网络输出值是否与预设输出值相等；若否，则根据误差代价函数，获取输出误差，并将所述误差代价函数进行展开，得到展开后的误差代价函数；根据误差反传法，对展开后的误差代价函数中的目标参量进行调整，并根据调整结果，修正各层参数，直至所述输出误差将至预设范围内。
[0010]进一步的，所述误差代价函数表示为：其中，E表示为误差代价函数，表示为第i个通道对应的实测电流值。
[0011]进一步的，所述展开后的误差代价函数表示为：进一步的，所述展开后的误差代价函数表示为：表示为展开后的误差代价函数，表示为第i个通道对应的实测电流值。
[0012]进一步的，所述根据误差反传法，对展开后的误差代价函数中的目标参量进行调整的步骤中，对展开后的误差代价函数中的目标参量进行调整的公式表示为：
其中，表示为连接权的学习效率，表示为中心值的学习效率，表示为宽度值的学习效率，且、以及均大于0，k表示为迭代次数。
[0013]本专利技术实施例的第二方面提供了一种应用于多通道LED调光的非线性补偿系统，所述系统包括：样本数据集获取模块，用于搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及多通道电流值；目标神经网络模型建立模块，用于将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型；目标电流值输出模块，用于将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标多通道电流值；驱动模块，用于根据所述目标多通道电流值，驱动对应的LED光源，以达到目标照明效果。
[0014]本专利技术实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的应用于多通道LED调光的非本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于多通道LED调光的非线性补偿方法，其特征在于，所述方法包括：搭建多通道LED调光实物模型，控制多通道LED调光实物模型按预设要求运行，并从中获取相应的样本数据集，其中，所述样本数据集至少包括色温、光通量、显色指数以及多通道电流值；将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值进行归一化处理，得到归一化处理后的数据，同时，构建神经网络模型，并将归一化处理后的数据输入所述神经网络模型进行训练，以得到目标神经网络模型；将目标色温、目标光通量以及目标显色指数输入所述目标神经网络模型中，输出对应的目标多通道电流值；根据所述目标多通道电流值，驱动对应的LED光源，以达到目标照明效果。2.根据权利要求1所述的应用于多通道LED调光的非线性补偿方法，其特征在于，所述将所述样本数据集中的各所述色温、所述光通量、所述显色指数以及所述电流值进行归一化处理，得到归一化处理后的数据的步骤中，采用Z
‑
score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换，以获得服从均值为0、标准差为1的正态分布的数据，其中，采用Z
‑
score方法对样本数据集中的色温、光通量、显色指数以及多通道电流值进行转换的公式为：其中，表示为归一化处理后的数据，表示为样本数据集中的各所述色温、所述光通量、所述显色指数以及所述多通道电流值，表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的均值，表示为样本数据集中的色温、光通量、显色指数以及多通道电流值对应的标准差，K表示为K类数据。3.根据权利要求2所述的应用于多通道LED调光的非线性补偿方法，其特征在于，所述神经网络模型包括输入层、模糊化层、模糊逻辑层、归一化层以及输出层，其中，所述输入层包括3个神经元，所述模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：包括3个神经元，所述模糊化层中的神经元激励函数采用高斯函数作为隶属函数，即：表示为隶属函数，表示为隶属函数的中心值，表示为隶属函数的宽度值；所述模糊逻辑层包括m个神经元，每个神经元表征一个模糊控制规则，其输出表示每条规则的实用度，即：规则的实用度，即：表示为所述模糊逻辑层的输出；
所述归一化层用于对所述模糊逻辑层中的每条规则的实用度进行归一化计算，其节点函数为：函数为：表示为所述归一化层的输出；所述输出层包括p个神经元，输出向量为：所述输出层包括p个神经元，输出向量为：表示为第p个LED光源的电流值，其节点函数为：表示为第p个LED光源的电流值，其节点函数为：表示为第j个归一化层神经元到输出层神经元y
i
的连接...

【专利技术属性】
技术研发人员：宁依婷，刘晓东，王玉皞，谭潭，陈煊邦，洪子伟，
申请(专利权)人：南昌大学，
类型：发明
国别省市：