[发明专利]一种LED寿命的预测方法

摘要

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。

主权项

1.一种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；S7、寻找萤火虫i的邻居；S8、确定萤火虫i移动方向；当邻居萤火虫j的荧光素值比萤火虫i大，且两只萤火虫之间的距离在感知范围r_s之内时，萤火虫i将以概率p_ij(t)选择邻居萤火虫j，并向邻居萤火虫j的方向移动；S9、进行萤火虫i位置更新，再进行决策域更新，通过迭代确定各萤火虫个体极值p_best和最优位置；S10、将各萤火虫的个体极值p_best与群体最优位置适应度值g_best比较，当更优时，则将该萤火虫的最优位置作为群体的最优位置，该萤火虫的个体极值p_best作为群体极值g_best；检查是否满足迭代寻优结束条件，若满足则结束寻优，求出最优解(σ,γ)；否则，返回S3；S11、使用S10中的得到最优解(σ,γ)初始化WNN的权值W_k和阈值B，具体参数设定为：X＝(x₁,x₂,...,x_n)^T为输入节点的数据输入；W_k＝(w_k1,w_k2,...,w_kn)为隐层第k个隐节点与输入层的连接权重；W_o＝(w₁,w₂,...,w_k)为输出层与隐节点的连接权重；H_o＝(h₁,h₂,...,h_k)为隐层各个隐节点的输出值；B＝(b₁,b₂,...,b_k)为隐层各个隐节点的阈值；b_o为输出层节点的阈值；f₁为隐含层的激活函数，小波母函数表示为：隐含层输出为：式中，b_k,a_k分别为小波基函数的平移因子和伸缩因子；输出层为：O＝f₂(W_oH_o‑b₀)         (12)S12、建立优化的WNN模型，对LED寿命进行预测，得到LED灯寿命预测结果。