[发明专利]基于神经网络的灯具利用系数及照明参数计算方法

权利要求书

1.一种基于神经网络的灯具利用系数计算方法，其特征在于，包括：

S100：由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练；

S200：将训练完成的BP神经网络模型用于计算灯具的利用系数；

所述步骤S200中，将训练完成的BP神经网络模型用于计算灯具的利用系数，具体为：

S210：根据灯具型号选取所述BP神经网络模型的参数；

S220：根据照明环境，计算有效墙面反射比、有效地板反射比、有效顶棚反射比和室空间比；

S230：所述可变网络N1用于计算有效地板反射比为0.2时的初始利用系数，将室空间比、有效墙面反射比和有效顶棚反射比输入可变网络N1,可变网络N1的输出值为有效地板反射比为0.2时的初始利用系数,

所述固定网络N2用于计算有效地板反射比不为0.2时的利用系数修正系数，将室空间比、有效墙面反射比、有效顶棚反射比和有效地板反射比输入所述固定网络N2，固定网络N2的输出值为利用系数修正系数；

S240：将初始利用系数与利用系数修正系数相乘得到利用系数。

2.根据权利要求1所述的基于神经网络的灯具利用系数计算方法，其特征在于，所述步骤S100中，由可变网络N1和固定网络N2并联组成BP神经网络模型，对BP神经网络模型进行训练，具体为：

S110：定义网络模型结构及相关参数；

S120：数据归一化：将各输入特征归一化到相同的区间[0,1]；

S130：初始化网络权值和偏置：

权值初始化方法为随机正态分布初始化，偏置初始值均为0；

S140：将数据输入模型，计算网络损失函数的均值和平均相对误差率；

S150：更新网络权值和偏置：使用Adam优化方法更新网络权值和偏置；

S160：计算测试数据的相对误差率，若测试数据的相对误差率小于设定阈值或更新次数达到上限，则停止训练，执行步骤S170，否则返回步骤S140；

S170：保存模型结构和当前的网络权值和偏置。

3.根据权利要求2所述的基于神经网络的灯具利用系数计算方法，其特征在于，所述步骤S110中，定义网络模型结构及相关参数，具体为：可变网络N1包括两个隐藏层，固定网络N2包括两个隐藏层，可变网络N1的两个隐藏层节点个数分别为9和7，固定网络N2的两个隐藏层节点个数分别为10和6，隐藏层激活函数均为tanh，输出层激活函数均为sigmoid，学习率为0.05，正则系数分为0.00001，更新次数上限为100000次，相对误差率阈值为4％。

4.根据权利要求2所述的基于神经网络的灯具利用系数计算方法，其特征在于，所述步骤S140中，将数据输入模型，计算网络损失函数的均值和平均相对误差率，具体为：

网络损失函数为加入了L2正则的均方误差，其计算公式为公式(1)：

其中y为利用系数的真实值，y’为模型的输出结果，W为模型的权值和偏置，λ为正则项系数。