改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法在智能燈光控制系統(tǒng)中的應(yīng)用

郭 瞻，肖祖銘

（景德鎮(zhèn)學(xué)院機(jī)械電子工程學(xué)院，江西 景德鎮(zhèn) 333000）

1 引言

近年來，隨著科學(xué)技術(shù)的飛速發(fā)展和人們生活水平的不斷提高，人們對(duì)家居生活中的智能性和舒適感越來越注重[1]。智能家居作為物聯(lián)網(wǎng)領(lǐng)域最重要的應(yīng)用，為人們提供了更加便利、經(jīng)濟(jì)、環(huán)保和安全的生活環(huán)境。在許多智能家居應(yīng)用系統(tǒng)中，智能燈光控制系統(tǒng)很好地反映了人們對(duì)生活質(zhì)量和細(xì)節(jié)的追求[2]。因此，對(duì)有效地提高智能燈光系統(tǒng)自主控制能力的數(shù)據(jù)融合處理方法進(jìn)行研究具有重要的實(shí)際意義。

目前，國內(nèi)外研究人員對(duì)智能燈光相關(guān)技術(shù)進(jìn)行了大量的研究，并取得了很多成果，但大部分研究集中在智能燈光控制算法和設(shè)計(jì)方案上，對(duì)智能燈光系統(tǒng)數(shù)據(jù)融合方法的相關(guān)研究較少。在文獻(xiàn)[3]中，提出了一種基于單個(gè)神經(jīng)元的自適應(yīng)psd算法用于智能燈光控制系統(tǒng)中。該系統(tǒng)可實(shí)時(shí)修正系統(tǒng)誤差，并與傳感器/致動(dòng)器相結(jié)合，形成自適應(yīng)控制。通過仿真驗(yàn)證了該算法的性能。在文獻(xiàn)[4]中，在物聯(lián)網(wǎng)技術(shù)的基礎(chǔ)上，提出了一種采用PI控制的燈光控制方法。測試結(jié)果表明，該系統(tǒng)具有較高的光采集精度和較強(qiáng)的控制過程靈敏度。在文獻(xiàn)[5]中，在ZigBee技術(shù)的基礎(chǔ)上，提出了一種智能燈光控制系統(tǒng)設(shè)計(jì)，該系統(tǒng)可以通過Zig?Bee 技術(shù)遠(yuǎn)程控制燈的開關(guān)和調(diào)節(jié)光強(qiáng)度，該系統(tǒng)具有操作方便、節(jié)能、體積小、響應(yīng)速度快、安裝方便的優(yōu)點(diǎn)。

在文獻(xiàn)[6]中，在GPRS和ZigBee技術(shù)的基礎(chǔ)上，提出一種智能燈光控制系統(tǒng)設(shè)計(jì)，智能終端通過GPRS與上位機(jī)通信，通過Zig?bee技術(shù)與LED控制器進(jìn)行通信，LED控制器根據(jù)接收信息通過PWM技術(shù)調(diào)節(jié)LED燈亮度。

試驗(yàn)結(jié)果表明，系統(tǒng)配置靈活、方便。但是，上述研究并不能判斷人的靜態(tài)狀態(tài)，其適應(yīng)性有待提高。這些研究為多傳感器數(shù)據(jù)融合方法在智能照明控制中的應(yīng)用提供了理論依據(jù)。

基于此，提出了一種將BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)與改進(jìn)遺傳算法（Improved Genetic Algorithm，IGA）相結(jié)合的多信息融合算法用于智能燈光控制系統(tǒng)中。使用IGA 獲得一組次優(yōu)解，并將其作為BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的初始權(quán)值和閾值。通過仿真驗(yàn)證了該方法的優(yōu)越性。

2 系統(tǒng)概述

遠(yuǎn)程無線智能照明控制系統(tǒng)由終端（PC）、嵌入式控制器、傳感采集控制器、燈光驅(qū)動(dòng)控制器等組成，系統(tǒng)整體結(jié)構(gòu)，如圖1所示。

圖1 系統(tǒng)框架Fig.1 System Framework

2.1 嵌入式控制器

嵌入式控制器（也稱為中央處理器）作為智能燈光控制系統(tǒng)的核心控制器，主要完成接收并處理終端節(jié)點(diǎn)采集的數(shù)據(jù)信息。通過ZigBee技術(shù)與燈光驅(qū)動(dòng)控制器通信調(diào)節(jié)LED燈亮度[7]。

2.2 采集控制器

通過傳感器對(duì)環(huán)境信息進(jìn)行采集，通過ZigBee技術(shù)與嵌入式控制器通信傳輸采集信息，是系統(tǒng)的基本組成部分[8]。

2.3 燈光驅(qū)動(dòng)控制器

燈光驅(qū)動(dòng)器接收嵌入式控制器發(fā)送的控制信號(hào)。根據(jù)接收到的信號(hào)，對(duì)燈光驅(qū)動(dòng)控制器輸出的PWM 信號(hào)進(jìn)行調(diào)節(jié)[9]。

2.4 遠(yuǎn)程控制系統(tǒng)

遠(yuǎn)程控制系統(tǒng)的功能是為用戶提供可視界面，以方便用戶遠(yuǎn)程控制和管理系統(tǒng)。

3 數(shù)據(jù)融合算法

數(shù)據(jù)融合中經(jīng)常應(yīng)用的就是BP神經(jīng)網(wǎng)算法，因此它具有強(qiáng)大的局部搜索功能、自學(xué)習(xí)功能和自適應(yīng)功能，但其收斂速度慢，容易陷入局部最優(yōu)值[10]。因此，引入IGA對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化[11]。

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由兩部分組成：正向傳播和反向傳播[12]。根據(jù)實(shí)際輸出與預(yù)期輸出之間的差異來調(diào)整網(wǎng)絡(luò)權(quán)重和閾值，使輸出接近期望值。網(wǎng)絡(luò)拓?fù)洌鐖D2所示。

圖2 BP網(wǎng)絡(luò)拓?fù)銯ig.2 BP Network Topology

設(shè)置輸入層-隱藏層-輸出層數(shù)n-l-m、輸入層輸入值Xn和輸出層輸出值Ym、網(wǎng)絡(luò)權(quán)值ωij和ωjk等。網(wǎng)絡(luò)是自變量到因變量的非線性映射，如圖2所示。采用大量樣本進(jìn)行訓(xùn)練[13]。訓(xùn)練步驟如下：

（1）初始化相關(guān)參數(shù)，包括輸入層節(jié)點(diǎn)數(shù)n、隱藏層節(jié)點(diǎn)數(shù)l、輸出層節(jié)點(diǎn)數(shù)m、層連接權(quán)值ωij和ωjk、隱藏層閾值a和輸出層閾值b。

（2）隱藏層Hj輸出的計(jì)算［14］，如式（1）所示。

在式中，f該層的激活功能。

（3）輸出層輸出O k計(jì)算[15]，如式（2）所示。

（4）誤差計(jì)算，如式（3）所示。

式中：O、Y—實(shí)際輸出和期望輸出。

（5）根據(jù)更新的權(quán)值和閾值[16]，如式（4）所示。

式中：η—學(xué)習(xí)率。

（6）確定算法是否符合迭代結(jié)束條件，如果不符合，返回（2）。

3.2 IGA

3.2.1 編碼方式

GA采用二進(jìn)制編碼，使用GA優(yōu)化權(quán)值可能會(huì)導(dǎo)致解碼重復(fù)和過長，對(duì)網(wǎng)絡(luò)訓(xùn)練的效率和準(zhǔn)確性有較大影響[17]。因此，文中選擇實(shí)數(shù)編碼，每個(gè)個(gè)體都被視為由四部分ωij、ωjk、a、b組成的實(shí)數(shù)串，編碼長度[18]，如式（5）所示。

式中：l_d—編碼長度。

實(shí)數(shù)直接表示解集的權(quán)重和閾值，對(duì)GA編碼方法進(jìn)行優(yōu)化。

3.2.2 優(yōu)化遺傳算子

在遺傳算法的應(yīng)用中，交叉算子p和變異算子q的選擇是非常重要的。

在遺傳算法中，交叉算子p和變異算子q是固定的，那么當(dāng)一個(gè)高適應(yīng)度的個(gè)體出現(xiàn)在一個(gè)群體中時(shí)，該個(gè)體可以在群體中快速繁殖，迭代幾次后，它將占滿種群的位置，這種收斂性往往導(dǎo)致遺傳算法早熟。

因此，采用適應(yīng)度方差判斷是否存在早熟[19]，如式（6）所示。

式中：N—種群數(shù)；fi—第i個(gè)個(gè)體的個(gè)體適應(yīng)度；fagv—個(gè)體適應(yīng)度的平均值。

這里采用自適應(yīng)的交叉概率和變異概率，交叉和突變的可能性與個(gè)體適應(yīng)度有關(guān)。改進(jìn)的方程[20]，如式（7）和式（8）所示。

式中：pi和qi—第i個(gè)個(gè)體的自適應(yīng)交叉概率和變異概率；fi—第i個(gè)個(gè)體的個(gè)體適應(yīng)度。

綜上所述，采用自適應(yīng)交叉、變異概率優(yōu)化GA。在迭代的早期階段，選擇固定的交叉概率和變異概率以最小化算法的計(jì)算復(fù)雜度。通過適應(yīng)度方差進(jìn)行監(jiān)測，最大限度的提高算法的有效性。

3.3 IGA-BP神經(jīng)網(wǎng)絡(luò)算法步驟

（1）對(duì)種群進(jìn)行編碼和初始化，設(shè)染色體大小為N；迭代初值t=0；最大迭代次數(shù)為t0；誤差精度為ε1；適應(yīng)度方差閾值為ε2。將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值。ωij、ωjk、a、b連接成一個(gè)長串。依次對(duì)應(yīng)著不同的權(quán)重和閾值，并以實(shí)數(shù)編碼。

（2）確定適應(yīng)度函數(shù)，對(duì)個(gè)體的適應(yīng)度值進(jìn)行計(jì)算[21]。

（3）是否終止，如果個(gè)體適應(yīng)值小于ε1或等于迭代次數(shù)t

（4）遺傳操作。選擇算子使用輪盤賭選擇。適應(yīng)值越大，染色體越可能傳遞給下一代。設(shè)置初始交叉算子p和變異算子q分別為0.8和0.01。適應(yīng)度方差E<ε2時(shí)，引入了自適應(yīng)交叉和自適應(yīng)變異算子，經(jīng)過遺傳產(chǎn)生新一代個(gè)體。在遺傳操作結(jié)束時(shí)，迭代計(jì)數(shù)器加1，以生成新一代種群嗎，轉(zhuǎn)到（3）。

（5）通過BP神經(jīng)網(wǎng)絡(luò)誤差調(diào)整權(quán)重和閾值。

（6）判斷是否結(jié)束，將網(wǎng)絡(luò)誤差與預(yù)設(shè)值進(jìn)行比較，如果小于，則完成訓(xùn)練，完成數(shù)據(jù)融合網(wǎng)絡(luò)訓(xùn)練。否則，轉(zhuǎn)到（5）。

IGA-BP神經(jīng)網(wǎng)絡(luò)流程圖，如圖3所示。

圖3 IGA-BP神經(jīng)網(wǎng)絡(luò)流程Fig.3 Improve BP Neural Network Process

4 仿真結(jié)果與分析

4.1 參數(shù)設(shè)置

為了驗(yàn)證融合算法的優(yōu)越性，文中從收斂性、網(wǎng)絡(luò)能耗和網(wǎng)絡(luò)延遲三個(gè)方面比較了該算法與GA-BP、GA 和BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合性能。在（100×100）m區(qū)域內(nèi)隨機(jī)分布傳感器，通信半徑為50m，節(jié)點(diǎn)數(shù)為（10～100）個(gè)，一個(gè)節(jié)點(diǎn)為匯聚節(jié)點(diǎn)，坐標(biāo)（0，0），采用Matlab仿真驗(yàn)證融合算法的優(yōu)越性。

4.2 收斂性分析

為了進(jìn)行多次收斂測試實(shí)驗(yàn)，設(shè)置25個(gè)傳感器、50個(gè)傳感器、75個(gè)傳感器和100個(gè)傳感器環(huán)境。IGA-BP算法和GA-BP算法的迭代次數(shù)比較，如圖4所示。智能燈光系統(tǒng)中傳感器少且集中，通常有10到50個(gè)傳感器。從圖4可以看出，隨著迭代次數(shù)的增加，兩種短發(fā)的適用度值都不斷上升，直到穩(wěn)定并收斂。這說明這兩種算法在多傳感器情況下是可行的。當(dāng)節(jié)點(diǎn)數(shù)低于75時(shí)，IGA-BP算法具有較高的適應(yīng)度值，這說明IGA-BP算法更適用于智能家居中的多傳感器數(shù)據(jù)融合。

圖4 不同節(jié)點(diǎn)數(shù)收斂性對(duì)比Fig.4 Comparison of Discharge Current Under Different

4.3 網(wǎng)絡(luò)能耗分析

使用IGA-BP、GA-BP、GA 和BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)能耗隨傳感器節(jié)點(diǎn)變化的曲線，如圖5所示。由圖5可知，隨著傳感器節(jié)點(diǎn)的不斷增加，幾種算法能耗都呈現(xiàn)下降趨勢，但I(xiàn)GA-BP算法的下降速度最快，能耗最低。能耗的關(guān)系為IGA-BP

圖5 網(wǎng)絡(luò)能耗Fig.5 Network Energy Consumption

4.4 網(wǎng)絡(luò)延時(shí)分析

IGA-BP、GA-BP、GA 和BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)延時(shí)隨傳感器節(jié)點(diǎn)的變化曲線，如圖6所示。從圖6可以看出，隨著傳感器節(jié)點(diǎn)的不斷增加，幾種算法平均時(shí)延都呈上升趨勢，但是IGA-BP算法的網(wǎng)絡(luò)延遲增長最慢，延遲最短。延時(shí)關(guān)系如下：IGA-BP

圖6 網(wǎng)絡(luò)延時(shí)對(duì)比Fig.6 Comparison of Discharge Current Under Different

表1 算法性能分析Tab.1 Rehabilitation Robot Parameter Table

5 結(jié)論

這里提出了一種將BP 神經(jīng)網(wǎng)絡(luò)和IGA 相結(jié)合的多信息融合算法用于智能燈光控制系統(tǒng)，利用IGA得到一組次優(yōu)解，用作訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值。結(jié)果表明，該算法顯著提高了收斂性、網(wǎng)絡(luò)能耗和網(wǎng)絡(luò)延時(shí)等方向，均檢測時(shí)間為4.11s，檢測準(zhǔn)確率為100%。考慮到當(dāng)前的實(shí)驗(yàn)設(shè)備和數(shù)據(jù)規(guī)模，用于智能照明系統(tǒng)的數(shù)據(jù)融合算法研究仍處于起步階段，下一步的重點(diǎn)是逐步改進(jìn)和完善數(shù)據(jù)融合算法。