[發明專利]基于LoRa技術的多功能LED智能路燈系統

有效

• 申請號: 201810432316.6
• 申請日: 2018-05-08
• 公開（公告）號: CN108419339B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 彭力;邢睿智;方超;邊棟;董君怡;董子豪
• 申請（專利權）人: 江南大學
• 主分類號: H05B45/10
• 分類號: H05B45/10;H05B45/12;H05B47/19;H05B47/12;H05B47/13
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 耿丹丹

1.一種基于LoRa技術的多功能LED智能路燈系統，其特征在于，包括：

檢測模塊，所述檢測模塊檢測環境的光照亮度變化以及行人、車輛的活動狀況；

主處理器，所述主處理器根據檢測模塊檢測到的數據控制路燈；

LoRa無線通信模塊，所述LoRa無線通信模塊與GPRS模塊和主處理器相連，把從web端接收到的指令發送到主處理器，實現對路燈的遠程控制，同時檢測模塊檢測到的數據傳送至服務器；以及

系統終端，所述系統終端接收通過LoRa無線通信模塊傳輸的測模塊檢測到的數據，經數據處理將所測數據在網頁顯示，Web界面提供查看路燈狀態、路燈開關、遠程調節亮度、統計分析能耗和故障監控的可視化操作；

所述主處理器根據檢測模塊檢測到的數據控制路燈的算法是帶補償的模糊神經網絡算法；

所述帶補償的模糊神經網絡算法包括輸入層、模糊化層、補償模糊推理層和反模糊化層；

所述輸入層的各個節點直接與輸入向量相連接，輸入量包括了時間、地點、光照強度、行人、車輛；所述模糊化層的每一個節點代表一個語言變量值，其作用是計算各輸入向量屬于各語言變量值模糊集合的隸屬函數；所述補償模糊推理層的每一個節點代表一條模糊規則，其作用是匹配模糊規則、計算出每條規則的適用度，并進行補償運算；所述反模糊化層給出輸出量開燈信息；

層與層之間是依據模糊邏輯系統的語言變量、補償模糊推理方法、以及反模糊化函數所構建；

網絡的參數確定方法：

(1)隸屬度函數的參數確定

輸入空間x的論域為輸出空間y的論域為那么對輸入空間x的模糊分割可按以下的原則進行：在y隨x變化而變化劇烈的子空間對x細分，在y隨變化而變化平緩的子空間對x粗分；具體來說，可分析y隨x的變化情況，用x在某子空間變化時y的極值點和拐點數，兩個端點既不作極值點，也不作拐點，多少來確定y在該子空間的變化劇烈程度，極值點和拐點數越多的子空間，對x的模糊分割越多，反之亦然；首先根據樣本確定x和y的論域內近似極值點和拐點數N，及其對應的輸入向量的值，其中i表示輸入層節點i＝1，…n，k表示極值和拐點對應的模糊分割點k＝1，…，N+2；然后將該輸入向量作為每維輸入變量的模糊分割點，那么每維輸入變量的模糊分割數為N+2；

由于模糊分割點可能不是輸入論域中的均分點，采用高斯、鈴形函數作隸屬函數，對網絡中各參數初值的選擇非常苛刻，否則網絡訓練會陷入混亂狀態，達不到輸出誤差精度要求，故這里選用三角函數作為隸屬函數；

其中，a_ij，b_ij，c_ij的選擇應滿足

隸屬函數中的參數值確定后，不再進行修正；

(2)模糊規則數的確定

設第二層中，各輸入變量對應的模糊分割的節點數已確定，分別為m_i,其中，i＝1，2，…n，那么網絡模型的規則數，即第三層節點數為：M＝m₁×m₂×…×m_n；顯然，若輸入變量多，且各輸入變量的模糊分割較多，則M是一個很大的數，這必定延長模型的計算速度，由此可知，若能減小M的值，就可大大提高模型的計算速度；

通過分析可知，在逼近每一個樣本的計算中，對模型每一個輸入變量，其對應的模糊語言變量值的隸屬度函數中最多有兩個不為零，規則層即第三層的輸出最多有2ⁱ個不為零，i＝1，2，…n，這表示最多有2ⁱ條規則有效；在計算模型的輸出時，可只保留這幾個節點，略去其他節點，或者說其他節點不參與計算；為了計算這幾個節點的位置，首先作如下假設，設在逼近每一個樣本的計算中，網絡輸入為x_i，i＝1，2，…n，第二層的輸出為那么有

若則以其為輸入端的第三層中相應節點的輸出值為零，這時可不計算第三層中該節點值，即略去該節點；

若則以其為輸入端的第三層中相應節點的輸出值不為零，此時需計算第三層中該節點值；第三層這些節點的位置大小可由下式來表示：

式中

p⁽³⁾—第三層節點輸出值不為零的節點位置大小；

m_i—第一層各節點的模糊分割數；

—第二層節點輸出值不為零的節點位置，由隸屬函數選取規則知，第一層每個節點的隸屬函數值最多有兩個不為零，則i＝1，2，…n，j＝1，2；

按上面的方法確定網絡結構后，在逼近每一個樣本的計算中，規則總數最多為M'＝2ⁱ，i＝1,2,…n；所以提出的第三層中的節點較少，從而減少了計算量，提高了計算速度；

(3)最后一層的參數值確定

所述模糊神經網絡本質上也是一種多層前饋網絡，故可以仿照前饋網絡用誤差反傳的方法來設計調整參數的學習算法；

設取誤差代價函數為：

式中：

y_di——網絡的期望輸出；

y_i——網絡的實際輸出；

E_i——誤差函數；

下面給出用誤差反傳算法來計算

然后利用一階梯度尋優算法來調節

在求得所需的一階梯度后，最后給出參數調整的學習算法為

i＝1,2,…r j＝1,2,…m

式中β——學習率，其中，0β1；

學習算法：

具有n個輸入、1個輸出的補償模糊邏輯系統的m條if-then規則，可表示如下：

then y is B^k

i＝1,2,…n；k＝1,2,…m

其中是論域U上的模糊集；B^k是論域V上的模糊集；x_i和y是語言變量；

對于論域U中一個輸入模糊子集A′，根據第k個模糊規則，能夠在輸出論域V中產生一個輸出模糊子集B′；模糊推理采用代數積(·)運算，則由模糊推理規則所導出的V上的模糊集合B’為

模糊蘊涵采用積運算R_p＝A→B

即μ_A→B(x,y)＝μ_A(x)μ_B(y)

定義補償運算為

其中n為輸入向量的維數，γ為補償度，γ∈[0,1]；

采用單值模糊化μ'_A(x)＝1，則

由此可定義反模糊化函數為

因此，該系統由三角形隸屬函數、補償模糊推理以及改進型重心反模糊化器構成；

目標函數為：

采用動態調整步長的梯度下降法訓練系統的輸入、輸出隸屬函數的參數以及補償運算的補償度；其相應的迭代公式為：

由于補償度γ∈[0,1]，不妨設

所以，t為訓練步數；

至此，整個網絡的構建和訓練學習就完成了，可以用于路燈系統的控制。