申请/专利权人：广东海洋大学

申请日：2021-11-12

公开（公告）日：2024-05-03

公开（公告）号：CN114004339B

主分类号：G06N3/043

分类号：G06N3/043;G06N3/086;H05B47/105;H05B47/11;H05B47/115

优先权：

专利状态码：有效-授权

法律状态：2024.05.03#授权;2022.02.22#实质审查的生效;2022.02.01#公开

摘要：本发明公开了一种基于宽度学习的城市照明系统调节方法、装置和存储介质，通过设置于智能路灯上的各传感器获取该路灯下方路面的车流量、车速值和环境亮度作为初始数据；将初始数据通过BLS宽度学习中的特征提取和节点增强后，合并作为模糊神经网络的训练扩展值；构建FNN模糊神经网络，在模糊神经网络FNN的离线学习阶段应用粒子群算法PSO对模糊神经网络的学习算法部分进行优化，获取网络的最优初始解并得到优化后的改良神经网络，输入训练扩展值对改良神经网络进行训练。通过该城市照明系统调节方法实现城市照明系统中路灯亮度的智能控制。

主权项：1.一种基于宽度学习的城市照明系统调节方法，其特征在于，包括如下步骤：S1，通过设置于智能路灯上的各传感器获取该路灯下方路面的车流量、车速值和环境亮度，作为初始数据；S2，将传感器采集到的初始数据通过BLS宽度学习中的特征提取和节点增强后，合并作为模糊神经网络的训练扩展值；S3，构建FNN模糊神经网络，所述FNN模糊神经网络的输出值为路灯亮度，在模糊神经网络FNN的离线学习阶段应用粒子群算法PSO对模糊神经网络的学习算法部分进行优化，获取网络的最优初始解并得到优化后的改良神经网络，输入训练扩展值对改良神经网络进行训练；其中所述FNN模糊神经网络包括输入层、模糊层、模糊规则计算层和输出层，其中所述输入层与输入参数连接，节点数与输入向量的维数相同；模糊层采用隶属度函数对输入值进行模糊化得到模糊隶属度值，所述隶属度函数为，、分别为隶属度函数的中心和宽度，n为模糊子集数，k为输入参数数目；模糊规则计算层对各模糊隶属度进行模糊计算，采用模糊算子作为连乘算子：,k为输入参数数目；输出层计算获取模糊神经网络的输出值,其中，、为第i个子集中在模糊神经网络中的对应下标的权重系数；其中采用粒子群算法PSO对网络的学习算法部分进行优化，具体包括：进行误差计算：，其中为网络期望输出，为网络实际输出，e为期望输出和实际输出的误差；进行系数修正：，其中，为神经网络系数，α为网络学习速率，为网络输入参数，为输入参数隶属度连乘积；进行参数修正：，，β为另一网络学习速率，、分别为隶属度函数的中心和宽度。

全文数据：

权利要求：

百度查询： 广东海洋大学 一种基于宽度学习的城市照明系统调节方法、装置和存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD