[发明专利]一种基于神经网络的光环境智能控制方法

说明书

一种基于神经网络的光环境智能控制方法，包括如下步骤：步骤1：原始样本数据的采集；步骤2：样本预处理，过程如下：2.1数据变换；2.2数据清洗；步骤3：BP神经网络的设计：设计BP神经网络初步结构模型，用步骤2所得的样本数据训练并测试调整神经网络模型；步骤4：光环境优化：在根据神经网络模型得到评价函数之后，建立优化模型，求出在当前环境中，为达到最良好的光环境，各指标应达到的数值,建立优化模型目标函数如下：max F＝α₁P₁+α₂P₂+......+α_nP_n接着根据不同环境对各指标要求不同建立相应的约束条件，从而得出最优解,将得到的最优值下各指标的数据，带入系统，实现自适应调控优化光环境。本发明有效避免主观因素的影响、自适应调节。

技术领域

本发明涉及光环境智能控制领域，是一种基于深度学习神经网络的光环境测控方法。

背景技术

光环境是指由光与颜色在室内建立的同房间形状有关的生理和心理环境。其包括且不局限于光照度、色温及照明形式等方面。人们通过听觉、视觉、嗅觉、味觉和触觉认识世界，在所获得的信息中有80％来自光引起的视觉。因此,创造舒适的光环境,提高视觉效能，有很大研究价值。

对于光环境的各个指标，如光照度，色温，频闪及炫光指数等都能很方便地通过传感器直接或间接测出。在不同的场所，不同的光环境中，这些指标数据都是不同的。对于使用者来说，某个光环境的好坏，主要是其主观感受舒适与否。而目前存在的各个光环境的指标数据信息，正好可以为我们所用，探索各指标与人体对当前光环境舒适感的关系。其中，利用神经网络可以很好地帮助我们解决这个问题。

目前，对于光环境优化有不少前辈都做过研究。对于室外光环境优化，王智永等人在《基于SVM-ACO算法的光环境优化调控模型》一文中，针对如何根据温度、CO2浓度变化实现光饱和点的动态获取是设施光环境调控技术发展的这一重要问题，提出基于支持向量机—蚁群算法(SVM-ACO)的黄瓜光环境优化调控模型。通过多因子嵌套试验获得不同光光量子通量密度、CO2浓度、温度组合条件下的光合速率值，利用支持向量机算法建立光合速率模型,设计基于连续蚁群寻优算法获取光饱和点并以其为调控目标,建立全范围温度、CO2浓度下的光环境优化调控模型。甄蒙等人在《寒地农村住宅光环境优化设计》一文中，探讨了各指标与照度的关系，他们通过现场实测和软件模拟研究了农村住宅长宽比、农村住宅高度、窗户形式等影响因素在农村住宅进深和面宽方向上对天然采光照度的影响,并通过MATLAB拟合及SPSS回归分析分别得出了照度与各影响因素的简化计算公式。又有将神经网络知识与光环境优化相结合的相关研究，叶德堃等人在《基于图像处理和神经网络的光环境优化控制研究》一文中，提出了一种改进的Canny算子与数学形态学相结合的图像处理技术，并且利用LVQ神经网络知识，得到能准确识别出人体背影的网络，再建立出室内图像特征与人体数量和坐标的匹配模型,从而根据人体坐标和数量来实现对灯具的优化控制。

经文献调研分析，目前对光环境优化的方法有很多，但类似第一个例子中的SVM-ACO算法得到的模型，更多的是适合室外或车辆多的道路光环境照明的优化，对于人们接触更多的室内照明，该模型得到的结果并不适用。再观其他方法，都会因数据使用率不高，或仿真模拟不够而产生误差。因此，现有的光环境优化方法已经不能满足大数据时代背景下的人们对光的需求，急需将海量数据与多个光环境指标相结合，得出新的光环境优化模型。

发明内容

为了克服现有光环境优化方式的无法对室内光环境进行自适应调节的不足，以及目前的光环境调控主要受到主观因素的影响，为了解决这一问题，本发明提出了一种有效避免主观因素的影响、自适应调节的基于神经网络的光环境智能控制方法。

本发明解决其技术问题所采用的技术方案是：

一种基于神经网络的光环境智能控制方法，所述方法包括如下步骤：

步骤1：原始样本数据的采集