一种嵌入式低功耗智能照明系统的控制方法和系统

1.本发明实施例涉及智能照明技术领域，尤其涉及一种嵌入式低功耗智能照明系统的控制方法和系统。


背景技术：

2.近年来，随着智能家居市场的快速发展，智能照明系统也越来越受到人们的关注。然而，智能照明系统的功耗问题一直是制约其发展的一个重要因素。传统的低功耗方法主要是通过控制照明灯的开关时间和亮度来实现，但这种方法缺乏针对性，无法充分考虑用户的使用习惯和实际需求，因此往往导致能源的浪费。
3.因此，目前亟需一种新的智能照明系统的控制方法。


技术实现要素：

4.本发明实施例提供一种嵌入式低功耗智能照明系统的控制方法和系统，以至少部分解决相关技术中存在的问题。
5.本发明实施例第一方面提供了一种嵌入式低功耗智能照明系统的控制方法，所述方法包括：
6.获取照明系统的历史照明数据、性能指标数据以及当前环境信息；
7.对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；
8.根据所述性能指标数据，确定遗传算法的适应度函数；
9.将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；
10.将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；
11.在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；
12.根据所述预测结果，对所述照明系统进行控制。
13.可选地，所述将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，包括：
14.基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；
15.将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
16.可选地，所述基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值，包括：
17.获取所述lstm长短时记忆网络中的多个超参数；
18.将多个所述超参数进行随机组合，构建至少两组所述超参数组合；
19.通过所述遗传算法的适应度函数，计算每一组所述超参数组合的适应度值。
20.可选地，所述将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络，具体包括如下步骤：
21.s1、基于将每一组所述超参数组合各自的适应度值进行两两比较，确定出适应度值排名前n位的超参数组合，其中n为大于1的整数；
22.s2、将适应度值排名前n位的超参数组合进行交叉、变异、更新操作，生成至少一组新的超参数组合；
23.s3、通过所述遗传算法的适应度函数，计算至少一组新的所述超参数组合各自的适应度值；
24.s4、重复步骤s1～s3，并在迭代次数达到预设次数或存在至少一组所述超参数组合的适应度值达到预设适应度阈值时，进入下一步骤；
25.s5、从适应度值排名前n位的所述超参数组合以及至少一组新的所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
26.可选地，所述控制指令为控制所述照明系统开启的指令，所述在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果，包括：
27.在接收到针对所述照明系统的控制指令的情况下，将获取到的所述当前环境信息以及所述控制所述照明系统开启的指令输入到所述lstm长短时记忆预测模型；
28.基于所述lstm长短时记忆预测模型，预测所述照明系统的光照需求；
29.将所述光照需求确定为所述lstm长短时记忆预测模型的预测结果。
30.可选地，所述根据所述预测结果，对所述照明系统进行控制，包括：
31.基于所述预测结果对应的光照需求，控制所述照明系统的灯光亮度、灯光色温以及灯光开关中的至少一者。
32.可选地，所述根据所述性能指标数据，确定遗传算法的适应度函数，包括：
33.根据所述性能指标数据的重要性，确定每个所述性能指标数据各自对应的权重；
34.将每个所述性能指标数据进行标准化处理，得到每个所述性能指标数据各自对应的标准化数据；
35.根据每个所述性能指标数据各自对应的权重以及每个所述性能指标数据各自对应的标准化数据，确定所述遗传算法的适应度函数。
36.可选地，所述对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络，包括：
37.将所述历史照明数据转换为序列数据，并对转换后的序列数据进行归一化处理，得到所述目标历史照明数据；
38.基于所述目标历史照明数据，确定所述lstm长短时记忆网络的输入层、lstm层和输出层。
39.本发明实施例第二方面，提供了一种嵌入式低功耗智能照明系统的控制系统，所述系统包括：
40.第一获取模块，用于获取照明系统的历史照明数据、性能指标数据以及当前环境信息；
41.搭建模块，用于对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；
42.确定模块，用于根据所述性能指标数据，确定遗传算法的适应度函数；
43.遗传算法优化模块，用于将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；
44.训练模块，用于将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；
45.预测模块，用于在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；
46.功耗优化模块，用于根据所述预测结果，对所述照明系统进行控制。
47.可选地，所述将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述遗传算法优化模块，包括：
48.计算子模块，用于基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；
49.第一确定子模块，用于将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
50.可选地，所述基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值，所述计算子模块，包括：
51.获取子单元，用于获取所述lstm长短时记忆网络中的多个超参数；
52.构建子单元，用于将多个所述超参数进行随机组合，构建至少两组所述超参数组合；
53.计算子单元，用于通过所述遗传算法的适应度函数，计算每一组所述超参数组合的适应度值。
54.可选地，所述将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络，具体包括如下步骤：
55.s1、基于将每一组所述超参数组合各自的适应度值进行两两比较，确定出适应度值排名前n位的超参数组合，其中n为大于1的整数；
56.s2、将适应度值排名前n位的超参数组合进行交叉、变异、更新操作，生成至少一组新的超参数组合；
57.s3、通过所述遗传算法的适应度函数，计算至少一组新的所述超参数组合各自的适应度值；
58.s4、重复步骤s1～s3，并在迭代次数达到预设次数或存在至少一组所述超参数组合的适应度值达到预设适应度阈值时，进入下一步骤；
59.s5、从适应度值排名前n位的所述超参数组合以及至少一组新的所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
60.可选地，所述控制指令为控制所述照明系统开启的指令，所述在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果，所述预测模块，包括：
61.输入子模块，用于在接收到针对所述照明系统的控制指令的情况下，将获取到的所述当前环境信息以及所述控制所述照明系统开启的指令输入到所述lstm长短时记忆预测模型；
62.预测子模块，用于基于所述lstm长短时记忆预测模型，预测所述照明系统的光照需求；
63.第二确定子模块，用于将所述光照需求确定为所述lstm长短时记忆预测模型的预测结果。
64.可选地，所述根据所述预测结果，对所述照明系统进行控制，所述功耗优化模块，包括：
65.控制子模块，用于基于所述预测结果对应的光照需求，控制所述照明系统的灯光亮度、灯光色温以及灯光开关中的至少一者。
66.可选地，所述根据所述性能指标数据，确定遗传算法的适应度函数，所述确定模块，包括：
67.第三确定子模块，用于根据所述性能指标数据的重要性，确定每个所述性能指标数据各自对应的权重；
68.标准化子模块，用于将每个所述性能指标数据进行标准化处理，得到每个所述性能指标数据各自对应的标准化数据；
69.第四确定子模块，用于根据每个所述性能指标数据各自对应的权重以及每个所述性能指标数据各自对应的标准化数据，确定所述遗传算法的适应度函数。
70.可选地，所述对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络，所述搭建模块，包括：
71.转换子模块，用于将所述历史照明数据转换为序列数据，并对转换后的序列数据进行归一化处理，得到所述目标历史照明数据；
72.第五确定子模块，用于基于所述目标历史照明数据，确定所述lstm长短时记忆网络的输入层、lstm层和输出层。
73.本发明具有以下优点：
74.本发明实施例中，提出了一种嵌入式低功耗智能照明系统的控制方法，所述方法包括：获取照明系统的历史照明数据、性能指标数据以及当前环境信息；对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；根据所述性能指标数据，确定遗传算法的适应度函数；将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；在接收到针对所述照明系统的控
制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；根据所述预测结果，对所述照明系统进行控制。本发明实施例通过遗传算法的适应度函数对lstm长短时记忆网络进行优化，并基于优化后的目标lstm长短时记忆网络训练的预测模型的预测结果来控制照明系统，从而实现对照明系统的功耗优化，以达到节能的目的。
附图说明
75.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述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性的前提下，还可以根据这些附图获得其他的附图。
76.图1是本发明实施例的一种嵌入式低功耗智能照明系统的控制方法的步骤流程图；
77.图2是本发明实施例的一种基于遗传算法优化lstm长短时记忆网络的流程框图；
78.图3是本发明实施例的一种嵌入式低功耗智能照明系统的示意图。
具体实施方式
79.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
80.近年来，随着深度学习技术的不断发展，其在智能照明系统中也得到了广泛的应用，尤其是lstm长短时记忆网络的出现，使得智能照明系统能够更好地理解和适应用户的行为和环境。然而，lstm本身需要较高的计算资源和时间成本，会增加系统的功耗。
81.为了解决智能照明系统功耗大的问题，本发明实施例第一方面提出了一种嵌入式低功耗智能照明系统的控制方法，所述方法如图1所示：
82.步骤s101，获取照明系统的历史照明数据、性能指标数据以及当前环境信息；
83.在本发明实施例中所提供的嵌入式低功耗智能照明系统可以基于stm32为核心的arm芯片freertos操作系统，实现系统的实时控制和数据处理。
84.具体而言，在本实施例中，获取当前的照明系统的历史照明数据、性能指标数据以及当前的环境信息。实际应用中，可以通过当前照明系统中的处理器来获取历史照明数据，以及性能指标数据，通过当前照明系统中的传感器来获取当前的环境信息。具体的，历史照明数据可以是照明系统开启的时长、开启时刻以及照明灯的亮度、颜色等数据；性能指标数据可以是照明系统的功耗、照明质量以及响应时间等数据；当前的环境信息可以是当前环境的光线强度、温度以及湿度等数据。需要注意的是，以上提供的照明系统的历史照明数据、性能指标数据以及当前的环境信息仅为本发明实施例提出的部分数据，具体数据需要根据具体情况而定，本发明在此不做限定。
85.步骤s102，对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；
86.具体而言，可以对获取到的历史照明数据进行数据预处理，例如可以是对历史照明数据进行整理、清洗以及归一化处理，得到历史照明数据对应的序列数据，即得到目标历
史照明数据。实际应用中，可以采用滑动窗口的方式，将连续的数据切分成固定长度的序列数据。
87.进一步地，基于预处理得到的目标历史照明数据的数据特点，搭建lstm长短时记忆网络的初始网络结构，具体地：选择预设数量的lstm长短时记忆网络的层数，实际应用中，在搭建lstm长短时记忆网络的初始网络结构时，通常会选择lstm长短时记忆网络的层数为1层或2层；选择合适的隐藏单元数，在实际应用中，通常选择较少的初始的隐藏单元数，例如可以选择64或128个，从而可以有效避免初始网络结构的过拟合。选择输入层与输出层的神经元个数，需要注意，在选择输入层的神经元的个数与输出层的神经元的个数时，输入层的神经云个数应该与输入数据的维度相匹配，输出层的神经元个数取决于任务需求。对于输入层，神经元个数应与输入数据的维度相匹配。例如，如果输入数据是一个包含10个特征的向量，那么输入层的神经元个数应为10。对于输出层，神经元个数的选择取决于任务的需求，即根据任务需求的目标值来确定输出层的神经元的个数。需要注意的是，以上对于lstm长短时记忆网络的层数、隐藏单元数以及输入层和输出层的神经元个数的选择，需要根据实际情况来定，本发明在此不做限定。
88.进一步地，在确定了lstm长短时记忆网络的层数、隐藏单元数以及输入层和输出层的神经元个数之后，便可以确定lstm长短时记忆网络的输入层、lstm层和lstm长短时记忆网络的输出层，并基于以上信息搭建lstm长短时记忆网络。
89.步骤s103，根据所述性能指标数据，确定遗传算法的适应度函数；
90.在本步骤中，根据获取到的照明系统的性能指标数据来确定遗传算法的适应度函数，具体包括：
91.根据所述性能指标数据的重要性，确定每个所述性能指标数据各自对应的权重；
92.将每个所述性能指标数据进行标准化处理，得到每个所述性能指标数据各自对应的标准化数据；
93.根据每个所述性能指标数据各自对应的权重以及每个所述性能指标数据各自对应的标准化数据，确定所述遗传算法的适应度函数。
94.具体而言，首先需要对照明系统的每个性能指标数据进行评估，确定其对于照明系统的性能的重要性，实际应用中，可以基于实际需求或其他相关因素来确定，并进一步根据每个性能指标数据的重要性给予各个性能指标数据相应的权重。
95.进一步地，对每个性能指标数据进行标准化处理，将其转化为相同的尺度范围，得到每个性能指标数据各自对应的标准化数据，以便能够进行比较和综合考虑。标准化可以使用不同的方法，例如将数据缩放到[0,1]范围或使用标准化方法(均值为0，标准差为1)。
[0096]
进一步地，基于每个性能指标数据各自的权重以及经过标准化后的标准化数据，确定遗传算法的适应度函数。实际应用中，可以根据每个性能指标数据各自的权重以及经过标准化后的标准化数据对每个性能指标数据进行加权求和，得到遗传算法的适应度函数。假设性能指标数据为a、b、c，分别给予性能指标数据a对应的权重wa，给予性能指标数据b对应的权重wb，给予性能指标数据c对应的权重wc；对性能指标数据a、b、c进行标准化处理后分别得到标准化数据na、nb、nc；因此，令适应度函数为fitness，则适应度函数fitness＝wa*na+wb*nb+wc*nc。
[0097]
步骤s104，将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传
算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；
[0098]
在一种优选实施例中，将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，包括：基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；
[0099]
将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
[0100]
具体而言，在本实施例中将获取到的lstm长短时记忆网络中的lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数定义为超参数，并将lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数进行随机组合，构建至少两组超参数组合。将lstm长短时记忆网络中的超参数作为优化目标，通过遗传算法的适应度函数对lstm长短时记忆网络进行优化，即通过遗传算法的适应度函数，计算至少两组超参数组合各自对应的适应度值，并将每一组超参数组合各自对应的适应度值进行两两比较，从中确定出适应度值最高的一组超参数组合，将其作为优化后的目标lstm长短时记忆网络。
[0101]
在一种优选实施例中，将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络，具体包括如下步骤：
[0102]
s1、基于将每一组所述超参数组合各自的适应度值进行两两比较，确定出适应度值排名前n位的超参数组合，其中n为大于1的整数；
[0103]
s2、将适应度值排名前n位的超参数组合进行交叉、变异、更新操作，生成至少一组新的超参数组合；
[0104]
s3、通过所述遗传算法的适应度函数，计算至少一组新的所述超参数组合各自的适应度值；
[0105]
s4、重复步骤s1～s3，并在迭代次数达到预设次数或存在至少一组所述超参数组合的适应度值达到预设适应度阈值时，进入下一步骤；
[0106]
s5、从适应度值排名前n位的所述超参数组合以及至少一组新的所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
[0107]
具体而言，参照图2所示为本发明实施例提供的一种基于遗传算法优化lstm长短时记忆网络的流程框图，如图2所示：
[0108]
步骤s1，将每一组超参数组合各自对应的适应度值进行两两比较，从而可以确定出适应度值排名前n位的超参数组合，其中n为大于1的整数；将确定出的排名前n位的超参数组合作为父代模型，以便通过遗产算法对父代模型进行迭代。
[0109]
步骤s2，将步骤s1中确定出的适应度值排名前n位的超参数组合即父代模型进行交叉操作，即将每两个父代模型进行交叉操作，并对交叉操作形成的新模型进行变异、更新操作，即通过对新模型的超参数进行变异、更新，从而形成至少一组新的子代模型，即形成至少一组新的超参数组合。
[0110]
步骤s3，基于前序步骤中确定的适应度函数，计算新的超参数组合各自的适应度值。
[0111]
步骤s4，重复步骤s1～步骤s3，直到迭代的次数达到了预设次数或存在至少一组超参数组合的适应度值达到了预设适应度阈值时，进入步骤s5。
[0112]
步骤s5，从适应度值排名前n位的超参数组合以及至少一组新的超参数组合中，确定出适应度值最高的超参数组合作为优化后的目标lstm长短时记忆网络。
[0113]
步骤s105，将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；
[0114]
具体而言，在本步骤中，将预处理得到的目标历史照明数据作为训练集对目标lstm长短时记忆网络进行模型训练，并对训练好的模型进行测试与评估后，得到lstm长短时记忆预测模型。
[0115]
步骤s106，在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；
[0116]
在一种优选实施例中，所述控制指令为控制所述照明系统开启的指令，所述在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果，包括：
[0117]
在接收到针对所述照明系统的控制指令的情况下，将获取到的所述当前环境信息以及所述控制所述照明系统开启的指令输入到所述lstm长短时记忆预测模型；
[0118]
基于所述lstm长短时记忆预测模型，预测所述照明系统的光照需求；
[0119]
将所述光照需求确定为所述lstm长短时记忆预测模型的预测结果。
[0120]
具体而言，在本实施例中，在接收到控制照明系统开启的指令的情况下，将控制照明系统开启的指令以及当前的环境信息作为输入数据，输入到lstm长短时记忆预测模型中，并通过lstm长短时记忆预测模型来预测照明系统的光照需求，并将光照需求确定为lstm长短时记忆预测模型的预测结果，实际应用中，所述的控制照明系统开启的指令可以是用户通过wifi或者是蓝牙发出的控制指令，本发明在此不做限定。
[0121]
步骤s107，根据所述预测结果，对所述照明系统进行控制。
[0122]
具体而言，在通过lstm长短时记忆预测模型预测到当前环境对应的光照需求后，根据所述的光照需求，控制照明系统按照所述的光照需求开启照明，实际应用中，所述的光照需求可以是灯光亮度、灯光色温以及灯光开关中的至少一者，即控制照明系统按照所述的光照需求开启照明可以是控制照明系统以当前环境信息对应的灯光亮度、灯光色温以及灯光开关中的至少一者开启照明。
[0123]
本发明实施例中，提出了一种嵌入式低功耗智能照明系统的控制方法，所述方法包括：获取照明系统的历史照明数据、性能指标数据以及当前环境信息；对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；根据所述性能指标数据，确定遗传算法的适应度函数；将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；根据所述预测结果，对所述照明系统进行控制。本发明实施例通过
遗传算法的适应度函数对lstm长短时记忆网络进行优化，并基于优化后的目标lstm长短时记忆网络训练的预测模型的预测结果来控制照明系统，从而实现对照明系统的功耗优化，以达到节能的目的。
[0124]
基于同一发明构思，本发明实施例第二方面，提供了一种嵌入式低功耗智能照明系统的控制系统，如图3所示，所述系统包括：
[0125]
第一获取模块201，用于获取照明系统的历史照明数据、性能指标数据以及当前环境信息；
[0126]
搭建模块202，用于对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；
[0127]
确定模块203，用于根据所述性能指标数据，确定遗传算法的适应度函数；
[0128]
遗传算法优化模块204，用于将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；
[0129]
训练模块205，用于将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；
[0130]
预测模块206，用于在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；
[0131]
功耗优化模块207，用于根据所述预测结果，对所述照明系统进行控制。
[0132]
可选地，所述将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述遗传算法优化模块204，包括：
[0133]
计算子模块，用于基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；
[0134]
第一确定子模块，用于将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
[0135]
可选地，所述基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值，所述计算子模块，包括：
[0136]
获取子单元，用于获取所述lstm长短时记忆网络中的多个超参数；
[0137]
构建子单元，用于将多个所述超参数进行随机组合，构建至少两组所述超参数组合；
[0138]
计算子单元，用于通过所述遗传算法的适应度函数，计算每一组所述超参数组合的适应度值。
[0139]
可选地，所述将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络，具体包括如下步骤：
[0140]
s1、基于将每一组所述超参数组合各自的适应度值进行两两比较，确定出适应度值排名前n位的超参数组合，其中n为大于1的整数；
[0141]
s2、将适应度值排名前n位的超参数组合进行交叉、变异、更新操作，生成至少一组新的超参数组合；
[0142]
s3、通过所述遗传算法的适应度函数，计算至少一组新的所述超参数组合各自的适应度值；
[0143]
s4、重复步骤s1～s3，并在迭代次数达到预设次数或存在至少一组所述超参数组合的适应度值达到预设适应度阈值时，进入下一步骤；
[0144]
s5、从适应度值排名前n位的所述超参数组合以及至少一组新的所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。
[0145]
可选地，所述控制指令为控制所述照明系统开启的指令，所述在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果，所述预测模块206，包括：
[0146]
输入子模块，用于在接收到针对所述照明系统的控制指令的情况下，将获取到的所述当前环境信息以及所述控制所述照明系统开启的指令输入到所述lstm长短时记忆预测模型；
[0147]
预测子模块，用于基于所述lstm长短时记忆预测模型，预测所述照明系统的光照需求；
[0148]
第二确定子模块，用于将所述光照需求确定为所述lstm长短时记忆预测模型的预测结果。
[0149]
可选地，所述根据所述预测结果，对所述照明系统进行控制，所述功耗优化模块207，包括：
[0150]
控制子模块，用于基于所述预测结果对应的光照需求，控制所述照明系统的灯光亮度、灯光色温以及灯光开关中的至少一者。
[0151]
可选地，所述根据所述性能指标数据，确定遗传算法的适应度函数，所述确定模块203，包括：
[0152]
第三确定子模块，用于根据所述性能指标数据的重要性，确定每个所述性能指标数据各自对应的权重；
[0153]
标准化子模块，用于将每个所述性能指标数据进行标准化处理，得到每个所述性能指标数据各自对应的标准化数据；
[0154]
第四确定子模块，用于根据每个所述性能指标数据各自对应的权重以及每个所述性能指标数据各自对应的标准化数据，确定所述遗传算法的适应度函数。
[0155]
可选地，所述对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络，所述搭建模块202，包括：
[0156]
转换子模块，用于将所述历史照明数据转换为序列数据，并对转换后的序列数据进行归一化处理，得到所述目标历史照明数据；
[0157]
第五确定子模块，用于基于所述目标历史照明数据，确定所述lstm长短时记忆网络的输入层、lstm层和输出层。
[0158]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0159]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算
机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0160]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程基于时效周期规则的制造大数据质量鉴定终端设备的处理器以产生一个机器，使得通过计算机或其他可编程基于时效周期规则的制造大数据质量鉴定终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0161]
这些计算机程序指令也可存储在能引导计算机或其他可编程基于时效周期规则的制造大数据质量鉴定终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0162]
这些计算机程序指令也可装载到计算机或其他可编程基于时效周期规则的制造大数据质量鉴定终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0163]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0164]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0165]
以上对本发明所提供的一种嵌入式低功耗智能照明系统的控制方法和系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；
[0166]
同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种嵌入式低功耗智能照明系统的控制方法，其特征在于，所述方法包括：获取照明系统的历史照明数据、性能指标数据以及当前环境信息；对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；根据所述性能指标数据，确定遗传算法的适应度函数；将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；根据所述预测结果，对所述照明系统进行控制。2.根据权利要求1所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，包括：基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。3.根据权利要求2所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值，包括：获取所述lstm长短时记忆网络中的多个超参数；将多个所述超参数进行随机组合，构建至少两组所述超参数组合；通过所述遗传算法的适应度函数，计算每一组所述超参数组合的适应度值。4.根据权利要求2所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络，具体包括如下步骤：s1、基于将每一组所述超参数组合各自的适应度值进行两两比较，确定出适应度值排名前n位的超参数组合，其中n为大于1的整数；s2、将适应度值排名前n位的超参数组合进行交叉、变异、更新操作，生成至少一组新的超参数组合；s3、通过所述遗传算法的适应度函数，计算至少一组新的所述超参数组合各自的适应度值；s4、重复步骤s1～s3，并在迭代次数达到预设次数或存在至少一组所述超参数组合的适应度值达到预设适应度阈值时，进入下一步骤；s5、从适应度值排名前n位的所述超参数组合以及至少一组新的所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。5.根据权利要求1所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述控
制指令为控制所述照明系统开启的指令，所述在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果，包括：在接收到针对所述照明系统的控制指令的情况下，将获取到的所述当前环境信息以及所述控制所述照明系统开启的指令输入到所述lstm长短时记忆预测模型；基于所述lstm长短时记忆预测模型，预测所述照明系统的光照需求；将所述光照需求确定为所述lstm长短时记忆预测模型的预测结果。6.根据权利要求5所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述根据所述预测结果，对所述照明系统进行控制，包括：基于所述预测结果对应的光照需求，控制所述照明系统的灯光亮度、灯光色温以及灯光开关中的至少一者。7.根据权利要求1所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述根据所述性能指标数据，确定遗传算法的适应度函数，包括：根据所述性能指标数据的重要性，确定每个所述性能指标数据各自对应的权重；将每个所述性能指标数据进行标准化处理，得到每个所述性能指标数据各自对应的标准化数据；根据每个所述性能指标数据各自对应的权重以及每个所述性能指标数据各自对应的标准化数据，确定所述遗传算法的适应度函数。8.根据权利要求1所述的嵌入式低功耗智能照明系统的控制方法，其特征在于，所述对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络，包括：将所述历史照明数据转换为序列数据，并对转换后的序列数据进行归一化处理，得到所述目标历史照明数据；基于所述目标历史照明数据，确定所述lstm长短时记忆网络的输入层、lstm层和输出层。9.一种嵌入式低功耗智能照明系统的控制系统，其特征在于，所述系统包括：第一获取模块，用于获取照明系统的历史照明数据、性能指标数据以及当前环境信息；搭建模块，用于对所述历史照明数据进行预处理，并基于预处理后得到的目标历史照明数据，搭建lstm长短时记忆网络；确定模块，用于根据所述性能指标数据，确定遗传算法的适应度函数；遗传算法优化模块，用于将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述超参数包括：lstm长短时记忆网络层数、隐藏单元数、输入层的神经元个数和输出层的神经元个数中的至少一者；训练模块，用于将所述目标历史照明数据作为训练集对优化后的目标lstm长短时记忆网络进行模型训练，得到lstm长短时记忆预测模型；预测模块，用于在接收到针对所述照明系统的控制指令的情况下，将所述当前环境信息以及所述控制指令输入到所述lstm长短时记忆预测模型中，得到预测结果；功耗优化模块，用于根据所述预测结果，对所述照明系统进行控制。
10.根据权利要求9所述的一种嵌入式低功耗智能照明系统的控制系统，其特征在于，所述将所述lstm长短时记忆网络中的超参数作为优化目标，通过所述遗传算法的适应度函数对所述lstm长短时记忆网络进行优化，所述遗传算法优化模块，包括：计算子模块，用于基于遗传算法的适应度函数，计算至少两组超参数组合各自的适应度值；第一确定子模块，用于将每一组所述超参数组合各自的适应度值进行两两比较，从至少两组所述超参数组合中确定出适应度值最高的超参数组合作为优化后的所述目标lstm长短时记忆网络。

技术总结
本发明提出了一种嵌入式低功耗智能照明系统的控制方法和系统，涉及智能照明技术领域，本发明实施例通过遗传算法的适应度函数对基于目标历史照明数据搭建的LSTM长短时记忆网络进行优化，并基于优化后的目标LSTM长短时记忆网络训练的预测模型的预测结果来控制照明系统，从而实现对照明系统的功耗优化，以达到节能的目的。到节能的目的。到节能的目的。


技术研发人员：郭兵 汪思怡 代声馨 付念 罗正 代成
受保护的技术使用者：四川大学
技术研发日：2023.06.01
技术公布日：2023/10/11