机器学习在室内智能照明工程中的应用研究

发布时间：2020-12-04 20:51

　　照明系统作为建筑的重要组成部分,正随着智能建筑的兴起而迅速发展。照度计算是照明系统工程中的必要环节,可用于照明系统设计,室内照度校验和灯具的控制,而传统的照度计算方法——利用系数法由于利用系数查表过程复杂,给照明系统的设计和控制带来了不便。机器学习作为人工智能中的研究热点,善于解决分类和回归问题,在照明工程中也有了广泛的应用。本文将机器学习方法应用到照明工程中,使用机器学习方法改进了利用系数法,在保证计算精度的同时简化灯具利用系数计算过程,并基于聚类算法和改进的照度计算方法设计了一种室内智能照明控制系统。主要研究内容包括以下三个部分:（1）针对传统利用系数法中灯具利用系数查表法过程复杂且计算结果不精确的问题,提出了使用机器学习方法拟合灯具的利用系数表,以改进照度计算方法。以YG1-1型荧光灯管的利用系数为数据集,分别建立了基于神经网络的利用系数计算模型、基于支持向量机的利用系数计算模型和基于随机森林的利用系数计算模型,使用交叉验证和控制变量法进行模型超参数的调节。同时对三种模型的计算精确度进行比较,找出最优的模型。使用训练好的模型进行灯具利用系数的计算,以简化计算过程,提高计算精度。（... 

【文章来源】：苏州科技大学江苏省

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 问题的提出及研究意义
        1.1.1 问题的提出
        1.1.2 研究意义
    1.2 国内外研究和发展现状
        1.2.1 照明相关研究
        1.2.2 机器学习相关研究
    1.3 研究内容
第二章 照明系统工程
    2.1 照明概述
    2.2 照度计算
        2.2.1 点照度计算
        2.2.2 平均照度计算
    2.3 利用系数
        2.3.1 利用系数计算
        2.3.2 利用系数计算中存在的问题
    2.4 智能照明控制
    2.5 本章小结
第三章 机器学习算法
    3.1 梯度下降
    3.2 神经网络
        3.2.1 感知器
        3.2.2 反向传播神经网络
        3.2.3 反向传播算法
    3.3 决策树与随机森林
    3.4 支持向量机
    3.5 DBSCAN
    3.6 本章小结
第四章 基于机器学习的利用系数计算方法
    4.1 数据处理
        4.1.1 实验数据
        4.1.2 归一化
        4.1.3 交叉验证
    4.2 基于神经网络的利用系数计算方法
        4.2.1 模型结构
        4.2.2 单隐层神经网络超参数选择
        4.2.3 双隐层神经网络超参数选择
    4.3 基于支持向量机和随机森林的利用系数计算方法
        4.3.1 基于支持向量机的利用系数计算模型
        4.3.2 基于随机森林的利用系数计算模型
    4.4 对比实验及结果分析
    4.5 本章小结
第五章 利用系数计算模型优化
    5.1 初始权值优化
        5.1.1 Xavier权重初始化
unitball初始化">        5.1.2 positive_unitball初始化
        5.1.3 PSO初始化
        5.1.4 对比实验
    5.2 更新算法优化
        5.2.1 梯度下降的缺点
        5.2.2 学习率衰减
        5.2.3 动量
        5.2.4 Adam优化算法
        5.2.5 对比实验
    5.3 网络结构优化
    5.4 对比实验及结果分析
    5.5 本章小结
第六章 基于DBSCAN算法的智能照明系统
    6.1 改进DBSCAN算法
        6.1.1 DBSCAN存在的问题
        6.1.2 改进方法
        6.1.3 实现方法
    6.2 系统框架
    6.3 控制器设计
        6.3.1 控制器简介
        6.3.2 环境搭建
        6.3.3 控制方式
        6.3.4 控制电路
    6.4 仿真测试结果
    6.5 本章小结
第七章 总结
参考文献
图表目录
致谢
作者简历



本文编号：2898223