本发明涉及led系统非线性光学特性技术领域，具体来说，涉及一种led系统智能调光的动态模糊神经网络建模方法。
背景技术：
大功率led系统具有光效高、灵活可控的优势，在提供节能的动态或交互式照明方面颇具潜力，如大型建筑的照明渲染、农作物培育、医疗手术灯中等等。但在一些特种光源中，尤其是作为测量的标准光源时，如高功率led太阳光模拟器，这类应用对于光学品质的要求较高：通常要求在较宽范围内实现操作点切换/连续调节，且保证在有限时间内使系统输出达到预定的光学性能目标(如光度、色度)。因此对大功率led系统光学动态品质的研究也逐渐成为关注焦点。尽管led自身光电转换频率可达兆赫兹，但作为一种功率型器件，尤其在高功率密度的紧凑型设计下，系统运行的发热效应十分显著，系统散热量通常是普通照明的几倍甚至十几倍。这些热量以热传导、热对流形式耗散，其动力学过程存在明显的时滞、时变等不确定复杂非线性特征，加上led的光学、电学、热学参数间存在耦合关系，引起系统光度、色度变化规律难以确认。
为了建立led系统的光、电、热数学表达模型，大多数学者都是基于等效阻容网络的机理分析出发，但是这些模型的数学形式往往涉及大量的自由参数，且计算量高，同时存在参数提取困难问题，如结温测量需要借助昂贵的测试设备或复杂的实验，这在阵列设计中是难以实现动态测量的。此外，这类模型一般是离线模型，其参数或结构一经确立，便不可改变，因此当环境温度发生变化(如一年四季的温度变化)，或是器件老化等条件发生变化时，模型存在失配问题，难以实现精准的调光。如现有的电流反馈，温度前馈的调光控制方法中，采用的是光通量-电流的稳态关系表，在应用到普通照明场景已经足够，但在实现更加精确的调光控制场景仍存在较大差距。
检索中国发明专利cn104482445a公开了一种智能调光led植物灯及其智能调光系统，智能调光系统，包括led电源模块、微处理器系统、光感系统、存储系统，存储系统存储有不同植物不同生长阶段的所需光照数据，智能调光led植物灯，包括灯体及设置在灯体内的led模块，led模块包括基板、若干设置在基板上的led阵列及采用智能调光系统的控制器，微处理器系统能够根据存储系统、光感系统的数据对led电源模块作出最佳的亮度调节指令，控制led电源模块的输出，实现对led植物灯的调光，使得植物灯输出光照强度及波段根据植物的生长阶段及现场的自然光光照强度达到植物所需的最佳光照强度值及光谱分布，促进植物生长，但其在实现更加精确的调光控制场景仍存在较大差距。
针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现要素：
针对相关技术中的问题，本发明提出一种led系统智能调光的动态模糊神经网络建模方法，以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的：
一种led系统智能调光的动态模糊神经网络建模方法，包括以下步骤：
预先标定led模块光电热模型的输入变量特征和期望输出值特征；
搭建动态模糊神经网络模型并训练，其中；
所述动态模糊神经网络模型，包括输入层、模糊化层、前件层、后件层和输出层，其训练所述动态模糊神经网络模型包括网路结构优化和参数学习，其中；
所述搭建动态模糊神经网络模型，包括以下步骤：
步骤s1，模型初始化k＝1，读取第一组观测样本z(1)＝[x(1),y(1)]，令
定义如下散度函数s(z(k))对作为密度聚类分析的评价函数：
令s(z(1))＝1，
步骤s2，令k＝k 1，根据新采样时刻输入量及现有的模糊规则，计算模型光度输出的预测值
步骤s3，读入新观测数据z(k)，利用等效递推形式计算其散度值，以提高计算效率，表示为：
其中，
步骤s4，更新所有聚类中心的散度值，表示为：
步骤s5，计算模型系统误差、误差率和泛化因子，其中；
步骤s501，获取系统误差，表示为：
步骤s502，获取误差下降率，表示为：由线性回归方程d＝γp e和qr分解γ＝mn，其中，d为期望输出，p为权向量，γ为回归向量，e为误差向量，m，n分别为正交阵和上三角矩阵；
获取线性最小方差解
步骤s503，由误差下降率，定义范化因子
步骤s504，计算期望精度ke，有效容纳边界kd，，
ke＝max{αk-1*eminmax}，kd＝max{αk-1*dminmax}，其中α，emax，emin，dmax，dmin为预定义值。
进一步的，步骤所述输入变量，表示为：
x(k)＝[if(k)，uf(k)，tr(k)，ta(k)]；
所述期望输出值，表示为：
y(k)＝φ(k)，k＝1，2，...n；
其中，if、uf、tr和ta分别表示led的驱动电流、正向电压、热沉温度和环境温度，φ为led系统输出的光通量，x(k)和y(k)分别为x(k)和y(k)经min-max方法归一化后的向量。
进一步的，所述输入层，包括含有多个节点，其节点个数与模型输入的维数一致，每个节点表示一个输入的语言变量；
所述模糊化层，包括含有多个节点，节点功能为模糊函数，其模糊函数采用柯西型函数，其为高斯函数的一阶形式，表示为：
其中，i＝1，2，...，n，r＝1，2，...，r.
所述前件层，包括含有多个节点，每一节点代表一条模糊规则前提部分，对于第r个规则，其输出为：
所述后件层，包括具有多个节点，各节点代表一个线性子系统yr，即采用tsk系统的结论部分，各子系统输出如下：
所述输出层，包括至少含有一个节点，该层的每节点对应输出变量的维数，表示为：
进一步的，步骤s6，模型结构优化，包括：
步骤s601，规则修正准则：判断
步骤s602，规则生成准则：判断
步骤s603，若其所述规则修正准则和所述规则生成准则均不满足，则转至步骤s6；
步骤s7，参数学习阶段：采用扩展卡尔曼滤波算法ekf更新规则半径σ＝[σ1,σ2,...,σr]和带遗忘因子的递推最小二乘法估计后件层参数
步骤701，其扩展卡尔曼滤波算法ekf算法，表示为：
其中，
步骤702，其rls算法：
若步骤s5中有新规则生成，则初始化该规则对应的协方差矩阵
进一步的，还包括以下步骤：
在每个采样时刻，重复步骤s2～步骤s7，直到设定的n时刻结束。
本发明的有益效果：
本发明led系统智能调光的动态模糊神经网络建模方法，通过预先标定led模块光电热模型的输入变量特征和期望输出值特征，搭建动态模糊神经网络模型并训练，实现采用在线建模方法，模型结构参数可以实时优化调整，具有更强的适应性，采用热沉温度和环境温度两个联合测量来间接反映结温对led系统光度输出的影响，避免结温测量的复杂，同时当环境温度受季节变化时或者是性能发生退化，模型不需要重新校正，不仅在线建模方法的公式均采用递推形式，极大地简化了计算复杂度，另外由于规则通过增量学习不断完备和修正，模型结构更加精简，且其后件为线性形式，具有可解释性，通过拓展为n步预测，可以实现基于预测模型的精确调光控制，以消除温度滞后因素的影响，有助于提高系统的动态响应品质。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种led系统智能调光的动态模糊神经网络建模方法的流程示意图；
图2是根据本发明实施例的一种led系统智能调光的动态模糊神经网络建模方法的动态模糊神经网络结构拓补图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种led系统智能调光的动态模糊神经网络建模方法。
如图1-图2所示，根据本发明实施例的led系统智能调光的动态模糊神经网络建模方法，包括以下步骤：
预先标定led模块光电热模型的输入变量特征和期望输出值特征；
搭建动态模糊神经网络模型并训练，其中；
所述动态模糊神经网络模型，包括输入层、模糊化层、前件层、后件层和输出层，其训练所述动态模糊神经网络模型包括网路结构优化和参数学习，其中；
具体的，其实时采集大功率led系统调光过程的观测数据，作为样本数据。包括输入数据驱动电流if、电压uf、热沉温度tr、环境温度ta，输出数据光通量φ。构成后将收集的输入和输出样本z＝(x，y)；
初始化模糊神经网络参数，具体可取如下参数：
ρ＝0.95，ω＝800，δ＝1.0，
具体的，其所述搭建动态模糊神经网络模型，包括以下步骤：
步骤s1，模型初始化k＝1，读取第一组观测样本z(1)＝[x(1)，y(1)]，令
定义如下散度函数s(z(k))对作为密度聚类分析的评价函数：
令s(z(1))＝1，
步骤s2，令k＝k 1，根据新采样时刻输入量及现有的模糊规则，计算模型光度输出的预测值
步骤s3，读入新观测数据z(k)，利用等效递推形式计算其散度值，以提高计算效率，表示为：
其中，
步骤s4，更新所有聚类中心的散度值，表示为：
步骤s5，计算模型系统误差、误差率和泛化因子，其中；
步骤s501，获取系统误差，表示为：
步骤s502，获取误差下降率，表示为：由线性回归方程d＝γp e和qr分解γ＝mn，其中，d为期望输出，p为权向量，γ为回归向量，e为误差向量，m，n分别为正交阵和上三角矩阵；
获取线性最小方差解
步骤s503，由误差下降率，定义范化因子
步骤s504，计算期望精度ke，有效容纳边界kd，，
ke＝max{αk-1*eminmax}，kd＝max{αk-1*dminmax}，其中α，emax，emin，dmax，dmin为预定义值。
其中，步骤所述输入变量，表示为：
x(k)＝[if(k)，uf(k)，tr(k)，ta(k)]；
所述期望输出值，表示为：
y(k)＝φ(k)，k＝1，2，...n；
其中，if、uf、tr和ta分别表示led的驱动电流、正向电压、热沉温度和环境温度，φ为led系统输出的光通量，x(k)和y(k)分别为x(k)和y(k)经min-max方法归一化后的向量。
其中，所述输入层，包括含有多个节点，其节点个数与模型输入的维数一致，每个节点表示一个输入的语言变量；
所述模糊化层，包括含有多个节点，节点功能为模糊函数，其模糊函数采用柯西型函数，其为高斯函数的一阶形式，表示为：
其中，i＝1，2，...，n，r＝1，2，...，r.
所述前件层，包括含有多个节点，每一节点代表一条模糊规则前提部分，对于第r个规则，其输出为：
所述后件层，包括具有多个节点，各节点代表一个线性子系统yr，即采用tsk系统的结论部分，各子系统输出如下：
所述输出层，包括至少含有一个节点，该层的每节点对应输出变量的维数，表示为：
其中，步骤s6，模型结构优化，包括：
步骤s601，规则修正准则：判断
步骤s602，规则生成准则：判断
步骤s603，若其所述规则修正准则和所述规则生成准则均不满足，则转至步骤s6；
步骤s7，参数学习阶段：采用扩展卡尔曼滤波算法ekf更新规则半径σ＝[σ1,σ2,...,σr]和带遗忘因子的递推最小二乘法估计后件层参数
步骤701，其扩展卡尔曼滤波算法ekf算法，表示为：
其中，
步骤702，其rls算法：
若步骤s5中有新规则生成，则初始化该规则对应的协方差矩阵
其中，还包括以下步骤：
在每个采样时刻，重复步骤s2～步骤s7，直到设定的n时刻结束。
另外，具体的，在不同操作点下，可以记录导出各子系统的线性组合形式，包括每条规则的中心位置及隶属宽度，从而选取更优的网络阈值参数。
借助于上述技术方案，可实现：1)在led调光模型的建立中，大多都是离线模型，本发明采用的在线建模方法，模型结构参数可以实时优化调整，具有更强的适应性。2)本发明避免结温测量的复杂，采用热沉温度和环境温度两个联合测量来间接反映结温对led系统光度输出的影响。同时，当环境温度受季节变化时或者是性能发生退化，模型不需要重新校正。
另外，具体的，其1)在线建模方法的公式均采用递推形式，极大地简化了计算复杂度，可设计出低成本的嵌入式控制器；2)由于规则通过增量学习不断完备和修正，模型结构更加精简，且其后件为线性形式，具有可解释性；3)通过拓展为n步预测，可以实现基于预测模型的精确调光控制，以消除温度滞后因素的影响，有助于提高系统的动态响应品质。4)该方法可进一步拓展或定制，如引入色度，光谱函数等更多预测指标，便于不同的应用目的。
综上所述，借助于本发明的上述技术方案，通过预先标定led模块光电热模型的输入变量特征和期望输出值特征，搭建动态模糊神经网络模型并训练，实现采用在线建模方法，模型结构参数可以实时优化调整，具有更强的适应性，采用热沉温度和环境温度两个联合测量来间接反映结温对led系统光度输出的影响，避免结温测量的复杂，同时当环境温度受季节变化时或者是性能发生退化，模型不需要重新校正，不仅在线建模方法的公式均采用递推形式，极大地简化了计算复杂度，另外由于规则通过增量学习不断完备和修正，模型结构更加精简，且其后件为线性形式，具有可解释性，通过拓展为n步预测，可以实现基于预测模型的精确调光控制，以消除温度滞后因素的影响，有助于提高系统的动态响应品质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种led系统智能调光的动态模糊神经网络建模方法，其特征在于，包括以下步骤：
预先标定led模块光电热模型的输入变量特征和期望输出值特征；
搭建动态模糊神经网络模型并训练，其中；
所述动态模糊神经网络模型，包括输入层、模糊化层、前件层、后件层和输出层，其训练所述动态模糊神经网络模型包括网路结构优化和参数学习，其中；
所述搭建动态模糊神经网络模型，包括以下步骤：
步骤s1，模型初始化k＝1，读取第一组观测样本z(1)＝[x(1),y(1)]，令z1*(1)＝z(1)，符号*表示该点是聚类，zi*＝[xi*，yi*],i∈[1,v]表示第i个聚类中心，v为聚类个数；
定义如下散度函数s(z(k))对作为密度聚类分析的评价函数：
令s(z(1))＝1，c1＝x1*(1)表示神经网络模糊层，初始化隶属宽度σ1及网络后件部分线性参数pr＝[p0,p1,p2,...,pn]t；
步骤s2，令k＝k 1，根据新采样时刻输入量及现有的模糊规则，计算模型光度输出的预测值
步骤s3，读入新观测数据z(k)，利用等效递推形式计算其散度值，以提高计算效率，表示为：
其中，
步骤s4，更新所有聚类中心的散度值，表示为：
步骤s5，计算模型系统误差、误差率和泛化因子，其中；
步骤s501，获取系统误差，表示为：
步骤s502，获取误差下降率，表示为：由线性回归方程d＝γp e和qr分解γ＝mn，其中，d为期望输出，p为权向量，γ为回归向量，e为误差向量，m，n分别为正交阵和上三角矩阵；
获取线性最小方差解
步骤s503，由误差下降率，定义范化因子
步骤s504，计算期望精度ke，有效容纳边界kd，，
ke＝max{αk-1*eminmax}，kd＝max{αk-1*dminmax}，其中α，emax，emin，dmax，dmin为预定义值。
2.根据权利要求1所述的led系统智能调光的动态模糊神经网络建模方法，其特征在于，步骤所述输入变量，表示为：
x(k)＝[if(k)，uf(k)，tr(k)，ta(k)]；
所述期望输出值，表示为：
y(k)＝φ(k)，k＝1，2，…n；
其中，if、uf、tr和ta分别表示led的驱动电流、正向电压、热沉温度和环境温度，φ为led系统输出的光通量，x(k)和y(k)分别为x(k)和y(k)经min-max方法归一化后的向量。
3.根据权利要求1所述的led系统智能调光的动态模糊神经网络建模方法，其特征在于，所述输入层，包括含有多个节点，其节点个数与模型输入的维数一致，每个节点表示一个输入的语言变量；
所述模糊化层，包括含有多个节点，节点功能为模糊函数，其模糊函数采用柯西型函数，其为高斯函数的一阶形式，表示为：
其中，i＝1，2，...，n，r＝1，2，...，r.
所述前件层，包括含有多个节点，每一节点代表一条模糊规则前提部分，对于第r个规则，其输出为：
所述后件层，包括具有多个节点，各节点代表一个线性子系统yr，即采用tsk系统的结论部分，各子系统输出如下：
所述输出层，包括至少含有一个节点，该层的每节点对应输出变量的维数，表示为：
4.根据权利要求3所述的led系统智能调光的动态模糊神经网络建模方法，其特征在于，
步骤s6，模型结构优化，包括：
步骤s601，规则修正准则：判断
步骤s602，规则生成准则：判断
步骤s603，若其所述规则修正准则和所述规则生成准则均不满足，则转至步骤s6；
步骤s7，参数学习阶段：采用扩展卡尔曼滤波算法ekf更新规则半径σ＝[σ1，σ2，...，σr]和带遗忘因子的递推最小二乘法估计后件层参数
步骤701，其扩展卡尔曼滤波算法ekf算法，表示为：
其中，
步骤702，其rls算法：
若步骤s5中有新规则生成，则初始化该规则对应的协方差矩阵
5.根据权利要求4所述的led系统智能调光的动态模糊神经网络建模方法，其特征在于，还包括以下步骤：
在每个采样时刻，重复步骤s2～步骤s7，直到设定的n时刻结束。
技术总结