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。
2.根据权利要求1所述的一种基于DNN神经网络室内灯源布局方法,其特征在于:在步骤1中,选用功率大小W灯珠=0.2w的灯珠来构成LED阵列。
3.根据权利要求1所述的一种基于DNN神经网络室内灯源布局方法,其特征在于:在步骤1中,初始条件下为每个光发射机设置的发射功率的大小与房间大小有关。
4.根据权利要求1所述的一种基于DNN神经网络室内灯源布局方法,其特征在于:在步骤2中,由于每个待预测的样本sample∈{[k1,k2,k3,k4]|ki∈[0,0.01,0.02,…,0.99,1]}其特征的个数为4,构建的DNN神经网络为4层,一层输入层、两个隐藏层、一个输出层,每一层所对应的神经元的个数分别为4、12、6、1,每一层的权重初始化为0。
5.根据权利要求1所述的一种基于DNN神经网络室内灯源布局方法,其特征在于:在步骤3中,训练集和测试集以4:1的关系进行划分。
6.根据权利要求1所述的一种基于DNN神经网络室内灯源布局方法,其特征在于:在步骤4中,训练模型的过程中调参技术主要包括对神经网络的学习率、激活函数以及初始化权重进行调参。
7.根据权利要求1所述的一种基于DNN神经网络室内灯源布局方法,其特征在于:在步骤6中,品质因子 其中 为接收面每一个光探测器所接收的信噪比,pi为接收端接收功率, 为接收端噪声功率, 其中σshot是散粒噪
声,σthermal是电路热噪声,γ是光电转换效率,PrSignal是接收端接收的平均光功率,PrISI是码间干扰的功率。