[发明专利]一种基于人工神经网络的多因素光视路控制方法

权利要求书

1.一种基于人工神经网络的多因素光视路控制方法，其特征在于：包括以下步骤：

(1)实时采集用户佩戴的智能穿戴设备中窄角光强传感器反馈的窄角光强数据、带滤波透镜的精密光强距离反馈一体化传感器反馈的眼镜前方物距数据以及多轴加速度传感器反馈的多轴加速度数据；设计一种多因素光视路控制的人工神经网络计算代模型实时计算最优的智能穿戴设备终端的光视路控制数据；

(2)建立多因素光视路控制的人工神经网络计算代模型，多因素光视路人工神经网络计算代模型为神经元网络结构，用户佩戴的智能穿戴设备中设置的微控制器把步骤(1)中获取的窄角光强数据、眼镜前方物距数据以及多轴加速度数据导入建立的多因素光视路控制的人工神经网络计算代模型进行计算，实时计算出用户佩戴的智能穿戴设备中终端的光视路控制数据，微控制器根据上述计算结果控制用户佩戴的智能穿戴设备中的电路给智能穿戴设备终端的供电电压和供电频率，实现对智能穿戴设备终端的光视路控制；所述多因素光视路人工神经网络计算代模型结构包括输入层、隐含层和输出层，输入层代表多因素光视路参数变量层，隐含层代表参变量之间的隐含关系，输出层代表参变量与最终输出控制量的关系,输入层、隐含层和输出层中分别设置若干个数据节点，输入层中的每个数据节点的数据即实时采集到的窄角光强数据、眼镜前方物距数据以及多轴加速度数据，输入层中的数据节点数据通过隐含层中的数据节点进行转换最后得出输出层中的数据节点数据。

2.根据权利要求1所述的基于人工神经网络的多因素光视路控制方法，其特征在于：所述隐含层包括第一隐含层和第二隐含层，输入层的数据节点数为3，第一隐含层的数据节点数为5，第二隐含层的数据节点数为4，输出层的数据节点数为1，输入层的最终数据取值设为Y⁽⁰⁾，输入层的最终数据取值与输入层中3个数据节点的计算关系为：Y⁽⁰⁾＝[Y₁⁽⁰⁾,Y₂⁽⁰⁾,Y₃⁽⁰⁾]^T，Y₁⁽⁰⁾,Y₂⁽⁰⁾,Y₃⁽⁰⁾为输入层中3个数据节点的实时采集数据输入量，T表示矩阵转置；

第一隐含层的最终数据取值设为Y⁽¹⁾，第一隐含层的最终数据取值与第一隐含层的5个数据节点的计算关系为：Y⁽¹⁾＝[Y₁⁽¹⁾,Y₂⁽¹⁾,Y₃⁽¹⁾,Y₄⁽¹⁾,Y₅⁽¹⁾]^T，T表示矩阵转置；第二隐含层的最终数据取值设为Y⁽²⁾，第二隐含层的最终数据取值与第二隐含层的4个数据节点的计算关系为：Y⁽²⁾＝[Y₁⁽²⁾,Y₂⁽²⁾,Y₃⁽²⁾,Y₄⁽²⁾]^T，T表示矩阵转置；

输出层的最终数据取值设为Y⁽³⁾，Y⁽³⁾＝[Y₁⁽³⁾]；

其中，Y₁⁽⁰⁾＝d_L,Y₂⁽⁰⁾＝θ_r,Y₃⁽⁰⁾＝Φ_v,Y₁⁽³⁾＝Deg；

其中，第一隐含层的输出向量表达式为：

net⁽¹⁾＝W⁽¹⁾Y⁽¹⁾+b⁽¹⁾＝[net₁⁽¹⁾,net₂⁽¹⁾,net₃⁽¹⁾,net₄⁽¹⁾,net₅⁽¹⁾]

Y⁽¹⁾＝f⁽¹⁾(net⁽¹⁾)＝[Y₁⁽¹⁾,Y₂⁽¹⁾,Y₃⁽¹⁾,Y₄⁽¹⁾,Y₅⁽¹⁾]^T

这里公式net⁽¹⁾中每个元素表示对输入层向量以及偏置向量的加权和；

同理，我们通过正向逐层计算，可得到多因素光视路人工神经网络计算代模型中每一层的net^(k)与Y^(k)，及每层的输入向量与输出向量，从而也就得到了多因素光视路人工神经网络计算代模型最终输出向量Y₁⁽³⁾＝Deg，

其中多因素光视路人工神经网络计算代模型结构权重矩阵可表示为[W⁽¹⁾,W⁽²⁾],偏置矩阵可表示为[b⁽¹⁾,b⁽²⁾]。