[发明专利]一种LED寿命的预测方法

说明书

本发明涉及一种LED寿命的预测方法，包括以下步骤：将数据集分为训练集和测试集；将ACO(混合蚁群)和GSO(萤火虫)进行结合形成基于混合蚁群和萤火虫的优化算法(ACO+GSO)；采用ACO+GSO混合智能优化算法对WNN(小波神经网络)的初始参数进行优化，避免初始参数选择不当而导致的检测精度问题，采用WNN对训练数据集进行学习、形成优化模型；其中，采用温度、电流、初始光通量和初始色坐标等参数作为WNN的输入，LED寿命作为WNN的输出，采用已形成的优化模型对测试集中的LED寿命进行检测，解决了预测时间长和精度不佳的问题，提升传统的智能算法的计算精度和收敛速度，避免出现局部寻优等问题，减少了人工干预，提升LED寿命检测的可靠性。

技术领域

本发明属于LED测试技术领域，具体涉及一种LED寿命的预测方法。

背景技术

近年来，半导体照明在工业领域和日常生活中的应用越来越广泛，发光二极管(LightEmittingDiode,LED)是一种电致发光的半导体发光器件，属新型固态冷光源，具有电压驱动低、能效高、寿命长和成本低等优点。随着LED技术的发展，在LED的研发中有一不可忽视的限制因素，即其实际寿命与理论值的差距。因此，进行相应的寿命试验，并根据LED的各项指标来估计LED的寿命，提高其可靠性，延长其使用周期成为了一种必要策略，如何准确地预测LED寿命也成为了一项重要的课题。

目前，由数据驱动的LED寿命预测方法主要包括统计回归方法和经典的机器学习算法。受到模型选择的影响，传统的统计方法无法在多维影响因素条件下对LED寿命进行推断；而经典的机器学习算法虽然具有较好的数据处理能力，但其自身在运行时间和预测精度方面仍具有一定局限性，无法实现LED寿命预测的可靠性。

发明内容

本发明的目的是在于提供一种LED寿命的预测方法，通过LED的多维指标参数对LED可靠性进行评价，混合智能优化算法和小波神经方法对LED寿命进行有效精准预测，基于混合蚁群(AntColony Optimization,ACO)和萤火虫(Glowworm Swarm Optimization,GSO)优化小波神经网络(WaveletNeuralNetwork,WNN)的LED寿命预测方法(ACO+GSO-WNN)，对参数进行搜索寻优，该方法避免了ACO和GSO二者的缺点，并实现优势互补，同时减少了WNN算法参数调优的人工干预，预测精度高、鲁棒性强，具有较好的应用前景。

为实现上述发明的目的，本发明采取的技术方案如下：

一种LED寿命的预测方法，包括混合蚁群(ACO)、萤火虫(GSO)和小波神经网络(WNN)，其特征在于，所述的方法包括如下步骤：

S1、获取LED数据，将数据集分为训练集和测试集；

S2、设置蚁群规N_ACO、最大迭代数T_ACO、信息挥发系数ρ∈[0,1]以及信息素浓度Q；设置核函数参数σ和正则化参数γ的范围，随机产生一组参数序列(σ,γ)作为蚂蚁的初始位置向量；

S3、计算每个蚂蚁个体当前所在位置的适应度值；计算蚂蚁当前所处位置j处的信息素浓度，适应度越小，信息素浓度越大，以均方差定义适应度：

S4、通过每只蚂蚁的信息素浓度大小，确定蚂蚁适应度值最小的位置；进行信息素浓度的迭代更新，将满足适应度条件f≤f_d的蚂蚁位置向量(σ,γ)放入集合X_ACO，直至迭代结束。

S5、设置萤火虫的种群规模为N_GSO，最大迭代次数T_GSO，将蚁群算法得到的优化的X_ACO初始化萤火虫N_GSO个虫子位置，并随机选择其它剩余虫子的位置，每个萤火虫个体都携带了相同的荧光素浓度l_o和感知半径r_o；

S6、更新萤火虫的荧光素；