[发明专利]一种基于DNN神经网络室内灯源布局方法

摘要

本发明公开了一种基于DNN神经网络的室内灯源布局方法，利用DNN神经网络对灯源的解空间进行筛选，使筛选后的解空间满足该空间中的任一解所求得的发射面发射机功率在现实中都有此功率型号的光发射机，然后利用粒子群算法对进行筛选后的离散解空间进行寻优，找出最优解并进行灯源的布局设计。本发明的基于DNN神经网络的室内灯源布局方法可以有效地解决常规反向设计优化方案中通过理论推导求出的最优光发射机功率在现实中并没有此功率值所对应的该种型号的光发射机的问题，避免了常规方案所设计出的灯源布局仅仅只是理论上的最优方案，无法在现实生活中得到应用和推广，本发明的方案对于现实的应用和推广，具有重要的意义。

主权项

1.一种基于DNN神经网络的室内灯源布局方法，其特征在于：具体包含如下步骤：步骤1，将天花板均匀的分成4块，每一块的中心放置一个光发射机，每个光发射机是由数目不固定的LED灯珠组成的阵列，每一个灯珠功率为W灯珠，为每一个光发射机设置一个功率缩放因子ki，其取值范围为ki∈[0,0.01,0.02,…,0.99,1]，初始条件下每个光发射机的功率均为w0，其中w0的大小是组成光发射机每个灯珠功率W灯珠的累加和；步骤2，构建DNN神经网络，并对神经网络的每一层权重进行初始化；步骤3，从功率缩放因子组成的解空间{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}中随机均匀地抽取一定数量的解组成训练集和测试集样本，为训练集和测试集中的样本进行标注，标注为1代表功率缩放因子组成的解空间[k1,k2,k3,k4]所对应的一组光发射机功率[k1×w0,k2×w0,k3×w0,k4×w0]与组成光发射机的灯珠功率w灯珠满足整数倍关系，标注0则代表光发射机与灯珠之间的功率不满足整数倍关系，通过标注产生了训练集标签和测试集标签；步骤4，DNN神经网络的训练，利用步骤3产生的训练集标签和训练集标签，对神经网络进行训练，利用测试集去验证所训练的模型的好坏，通过不断地调参训练出符合准确度要求的DNN神经网络；步骤5，把功率缩放因子组成的解空间{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}以数组的形式输入到训练好的DNN神经网络中去，在神经网络的输出端输出对应的预测值，把预测值为0所对应的样本从解空间中删除掉，并得到最终的解空间即：S＝{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,0.03,…,0.99,1],(ki×w0)％w灯珠＝0}，(ki×w0)％w灯珠＝0，表示所求得的发射机功率是灯珠功率的整数倍；步骤6，在接收面用光接收机信噪比的均值比上其标准差即品质因子来衡量接收面功率覆盖的平坦性，利用粒子群搜索算法对F在解空间S中进行迭代寻优，求出使F为最大值时对应的一组解即为最优解，根据最优解求得光发射机的最佳发射功率，并得到最优的灯源布局优化方案。