(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 109800862 A
(43)申请公布日 2019.05.24
(21)申请号 CN201910020928.9
(22)申请日 2019.01.09
(71)申请人 苏州科技大学
    地址 215000 江苏省苏州市高新区科锐路1号
(72)发明人 陆卫忠 汤烨 吴宏杰 黄宏梅
(74)专利代理机构 北京科家知识产权代理事务所(普通合伙)
    代理人 陈娟
(51)Int.CI
     
                                                                  权利要求说明书 说明书 幅图
(54)发明名称
      基于神经网络的灯具利用系数及照明参数计算方法
(57)摘要
      本发明涉及一种基于神经网络的灯具利用系数及照明参数计算方法。其主要包括：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。上述方法通过训练完毕的BP神经网络模型可计算灯具的利用系数以及相应的照明参数。整个计算过程快捷方便，且计算结果较为准确。
法律状态
法律状态公告日
法律状态信息
法律状态
2023-09-05
授权
发明专利权授予
权 利 要 求 说 明 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。
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。
5.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;
正则匹配公式
S230:所述可变网络N1用于计算地板反射比为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的输出值为地板反射比为0.2时的初始利用系数,

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。