买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市嘉力电气技术有限公司

摘要：本发明涉及数据处理的技术领域，公开了一种LED模组光强控制方法及系统。所述LED模组光强控制方法包括：获取待控制的LED模组的初始光强数据以及对应的LED灯珠初始状态信息，并对所述初始光强数据进行光强类型的分类，得到分类后的光强数据；在预设的数据库中匹配与所述分类后的光强数据对应的亮度调节特征，得到各个亮度调节特征数据；本发明通过获取各个LED灯珠的初始状态信息及其对应的光强，并对这些光强数据进行分类，使得光强控制更为精确，可以针对不同类型的光强需求制定适当的控制策略。

主权项：1.一种LED模组光强控制方法，其特征在于，所述LED模组光强控制方法，包括以下步骤：获取待控制的LED模组的初始光强数据以及对应的LED灯珠初始状态信息，并对所述初始光强数据进行光强类型的分类，得到分类后的光强数据；其中，所述待控制的LED模组中至少包括多个LED灯珠；所述获取待控制的LED模组的初始光强数据以及对应的LED灯珠初始状态信息，并对所述初始光强数据进行光强类型的分类，得到分类后的光强数据，包括：对所述初始光强数据进行数据清洗，得到数据清洗后的初始光强数据；其中，所述初始光强数据至少包括亮度数据、色温数据和色彩饱和度数据；对数据清洗后的初始光强数据进行归一化处理，得到归一化处理后的初始光强数据；对归一化处理后的初始光强数据进行统计分析，得到初始光强数据的分布特性；其中，所述初始光强数据的分布特性至少包括均值、方差、偏度、峰度、最大值和最小值；对归一化处理后的初始光强数据进行特征提取，得到第一特征数据和第二特征数据；其中，所述第一特征数据至少包括平均幅值、标准差和均方根值；所述第二特征数据至少包括功率谱密度、频率分布和谐波成分；对初始光强数据的分布特性、第一特征数据和第二特征数据进行聚类分析，得到多个初始光强特征；对多个初始光强特征进行平滑处理，消除多个初始光强特征中的短期波动，得到平滑后的光强特征数据；利用预设的光强类型分类模型对所述平滑后的光强特征数据进行光强类型分类，得到分类后的光强数据；其中，所述预设的光强类型分类模型为经过提前训练得到的机器学习模型；所述机器学习模型的训练过程，包括：采集多个不同环境条件下的LED模组光强训练数据；其中，所述LED模组光强训练数据至少包括亮度训练数据、色温训练数据和色彩饱和度训练数据；获取预设的机器学习模型；其中，所述预设的机器学习模型至少包括输入层、多重特征提取层、特征嵌入层、融合层、多层全连接网络层和多级分类层，所述多级分类层至少包括初级分类器和细化分类器；将所述LED模组光强训练数据输入到输入层进行预处理，得到预处理后的LED模组光强训练数据；将预处理后的LED模组光强训练数据逐层输送至多重特征提取层，得到多维特征向量；将提取的多维特征向量输入至特征嵌入层，对多维特征向量进行高维嵌入，得到多个高维嵌入特征；将高维嵌入特征输入至融合层，对各个高维嵌入特征进行融合处理，得到综合光强特征向量；将综合光强特征向量输入至多层全连接网络层，对综合光强特征向量进行逐层提取和特征组合，得到光强特征表示；将光强特征表示输入至多级分类层，通过多级分类层中的初级分类器对光强特征表示进行初步分类，得到初步分类结果，并通过多级分类层中的细化分类器对初步分类结果进行细化分类，得到光强类型标签；在训练过程中，结合预设的实际光强类型标签，通过预设的反向传播算法不断迭代优化模型的损失函数，调整模型参数，直至损失函数收敛，得到训练后的机器学习模型，作为光强类型分类模型；其中，所述光强类型分类模型用于对所述平滑后的光强特征数据进行光强类型分类，得到分类后的光强数据；在预设的数据库中匹配与所述分类后的光强数据对应的亮度调节特征，得到各个亮度调节特征数据；基于预设的光强类型权重，对各个亮度调节特征数据进行调节特征多模态融合，得到融合结果，并基于所述融合结果，生成所述初始光强数据对应的光强控制指令；获取待控制的LED模组的变频电源的当前工作状态信息，并基于待控制的LED模组的变频电源的当前工作状态信息，动态调整所述光强控制指令，得到调整后的光强控制指令；基于调整后的光强控制指令和所述LED灯珠初始状态信息，对LED灯珠的初始状态进行调整，生成光强控制的调节结果，并基于所述光强控制的调节结果，对待控制的LED模组进行光强控制调节。

全文数据：

权利要求：

百度查询： 深圳市嘉力电气技术有限公司 一种LED模组光强控制方法及系统