[发明专利]光照度智能调节与环境参数物联网大数据系统

权利要求书

1.光照度智能调节与环境参数物联网大数据系统，其特征在于：系统由环境参数检测与调节平台和光照度预测子系统组成，环境参数检测与调节平台负责检测光照度参数检测、调节与管理，光照度参数保存到云平台，管理人员可从移动端APP实时查看和调节光照度参数；光照度预测子系统实现对光照度进行检测和预测；

所述光照度预测子系统由光照度检测模块、Vague集数值融合模型、按拍延迟线TDL和Vague集的HRFNN递归神经网络预测模型组成；

光照度传感器的输出作为对应的光照度检测模块的输入，多个光照度检测模块的输出作为Vague集数值融合模型的输入，Vague集数值融合模型输出的3个参数作为对应的按拍延迟线TDL输入，3个按拍延迟线TDL输出作为Vague集的HRFNN递归神经网络预测模型的对应输入，Vague集的HRFNN递归神经网络预测模型输出的三个参数分别为x、t和1-f，x为被检测光照度的预测值，t为可信度，1-f为可信度和不确定度和，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测光照度的Vague集的预测值为[x,(t,1-f)]，Vague集的HRFNN递归神经网络预测模型输出作为被检测环境光照度的预测值；

所述光照度检测模块由LSTM神经网络模型、ARIMA预测模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型和Vague集的模糊小波神经网络模型组成；

光照度传感器感知被检测环境的时间序列光照度值分别作为LSTM神经网络模型和ARIMA预测模型的输入，LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的光照度波动值，时间序列光照度波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入，ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的模糊小波神经网络模型的对应输入，Vague集的模糊小波神经网络模型输出的三个参数分别为y、z和1-k，y为被检测光照度的实数值，z为可信度，1-k为可信度和不确定度和，1-k-z为不确定度，k为不可信度，y、z和1-k构成被检测光照度的Vague集的数值为[y,(z,1-k)]，Vague集的模糊小波神经网络模型输出作为光照度检测模块输出；

Vague集数值融合模型的一段时间多个参数测量传感器的参数检测模块输出的Vague集数构成时间序列Vague集数值阵列，每个参数测量传感器的时间序列Vague集数值的正理想值距离测度除以该参数测量传感器的时间序列Vague集数值的负理想值距离测度与该参数测量传感器的时间序列Vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的相对距离测度；每个参数测量传感器的时间序列Vague集数值的相对距离测度除以所有参数测量传感器的时间序列Vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的距离测度融合权重；

每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度相对测度；每个参数测量传感器的时间序列Vague集数值的相似度相对测度除以所有参数测量传感器的时间序列Vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度融合权重；

每个参数测量传感器的时间序列Vague集数值的距离测度融合权重和该参数测量传感器的时间序列Vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列Vague集数值的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列Vague集数值与该参数测量传感器的时间序列Vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列Vague集数的融合值为时间序列的区间Vague集数值。