CN106499656A - 一种风扇风速智能控制方法 - Google Patents

Abstract

本发明提供一种风扇风速智能控制方法，具体为：获取若干组包含人员信息、环境信息和风扇工作模式的样本，将人员信息和环境信息作为BP神经网络的输入，风扇工作模式作为BP神经网络的输出，利用鸡群算法优化的BP神经网络的连接阈值和权值建立最优参数的鸡群神经网络模型，通过最优参数鸡群神经网络模型运算后输出风扇的工作模式，使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式，本发明能够使电扇自动地运行在符合周围人物信息和环境信息的工作模式上，极大程度地方便了人民的生活。

Description

一种风扇风速智能控制方法

技术领域

本发明属于智能算法技术领域，特别涉及一种风扇风速智能控制方法。

背景技术

目前，在世界上风扇从发明开始已经经历了一百多年的时间，是炎热夏季的宠儿。随着社会的发展，人们对于生活的质量越来越高，空调逐渐进入人们的生活中。由于经常使用空调对用户的身体造成了一定的影响，使得随着空调的普及也不能使风扇遭到社会的淘汰。传统的风扇一般智能化程度比较低，只能实现简单功能，比如：定时功能。在使用风扇时，人们有时在离开时会忘记关闭风扇，这时风扇会一直转动，浪费电能。在炎热的夏季夜晚，为了有一个舒适的睡眠，人们往往喜欢一晚上都吹着风扇睡觉，然而晚上温度变化比较大，在温度下降时，风扇转速依然不变，可能会影响人们的身体健康。

发明内容

为了解决上述问题，本发明提供的方案为：一种风扇风速智能控制方法，具体包括以下步骤(1)～(5)：

(1)通过装置摄像头获取风扇工作范围内人员的年龄P、性别S以及人数R；利用温湿度传感器检测环境的温度T和湿度D；

(2)设置风扇风速V为d个等级，风扇运行模式β为g个模式，风扇动作模式为2个模式，分别为：摆头模式、固定模式；根据风扇风速等级和运行模式可设定为d×g种工作模式；

(3)根据步骤(1)中采集到的人数R来确定风扇的动作模式，若R≥2时，风扇动作模式为摆头模式；若R＝1时，风扇动作模式为固定模式；

(4)获取h组包含人员信息、环境信息和风扇工作模式的样本，将人员信息和环境信息A_k＝(P_k,S_k,T_k,D_k)作为BP神经网络模型的输入，风扇工作模式作为BP神经网络的输出，利用鸡群算法优化BP神经网络连接阈值和权值建立最优参数鸡群神经网络模型，其中0＜h，分别为第k个样本电扇的风速等级和运行模式的方式，0＜a＜d，0＜b＜g，0＜k＜h；

(5)将实时采集的人员信息和环境信息(P,S,T,D)作为步骤(4)中最优参数鸡群神经网络模型输入，则最优参数鸡群神经网络模型运算后输出风扇的工作模式，使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式。

本发明的一种风扇风速智能控制方法，所述步骤(2)中风扇工作模式设定的具体方法为：风扇风速设置为3个等级，分别为：微风、自然风和强风，风扇运行模式设置2个模式，分别为：连续模式、间断模式；根据风速等级和运行模式可将风扇的工作模式设定为{连续微风、连续自然风、连续强风、间断微风、间断自然风、间断强风}6种模式。

本发明的一种风扇风速智能控制方法，所述步骤(4)中的BP神经网络结构为4-6-1，利用鸡群算法优化BP神经网络连接阈值和权值得到最优参数鸡群神经网络模型的具体方法为：

(4.1)初始化鸡群算法，定义鸡群算法中的公鸡N_R、母鸡N_H、小鸡N_C等参数；并对样本Z_k＝(A_k,B_k)进行规范化处理：

(4.2)将规范化后样本Z_k的人物信息和环境信息A_k作为BP神经网络的输入对其进行预测输出得到预测输出值将BP神经网络的预测输出与期望输出y_k的误差作为鸡群算法的适应度函数，确定鸡群算法的适应度函数如下:

上式中fit为适应度值；

(4.3)根据A_k的适应度函数排序鸡群适应度值，建立鸡群的等级制度，将鸡群分成数个子群并确定母鸡和小鸡的对应关系，初始化子群中个体当前最好位置p_best和全局个体最好位置g_best，即每个子群中适应度值最低的个体和全局适应度值最低的个体；鸡群算法中的公鸡、母鸡、小鸡各个参数的位置更新表达式分别为：

上式为公鸡N_R的位置更新公式，其中randn(0,σ²)为均值为0，标准差为σ²的一个高斯分布；

上式为母鸡N_H的位置更新公式，其中rand为[0,1]之间均匀分布的随机数；r₁为第i只母鸡自身所在群中的公鸡；r₂为整个鸡群中公鸡和母鸡中随机选取的任意个体，且r₁≠r₂；

x_i,j(t+1)＝ω·x_i,j(t)+F·(x_m,j(t)-x_i,j(t))+C·(x_r,j(t)-x_i,j(t))

上式为小鸡N_C的位置更新公式，其中m为第i只小鸡对应的母鸡；F(F∈[0,2])为跟随系数，r为第i只母鸡自身所在群中的公鸡；C＝0.4为学习因子；ω∈(0.4,0.9)为小鸡的自我学习系数，其更新公式为：

(4.4)根据小鸡、母鸡和公鸡的位置更新公式分别更新小鸡、母鸡和公鸡的位置并计算每个个体的适应度函数值，依据适应度函数值更新个体当前最好位置p_best和鸡群全局最好位置g_best；当更新n次后或满足迭代停止条件即适应度函数为0，停止迭代并输出最优值；将最优值赋值给BP神经网络的连接权值和阀值，得到最优参数鸡群神经网络模型。

附图说明

图1为一种风扇风速智能控制方法的流程图；

图2为三层BP神经网络模型图；

具体实施方式

以下将结合图1，对本方明的技术方案进行详细说明。

本发明提供一种风扇风速智能控制方法，其总体思路是获取若干组包含人员信息、环境信息和风扇工作模式的样本，将人员信息和环境信息作为BP神经网络的输入，风扇工作模式作为BP神经网络的输出，利用鸡群算法优化的BP神经网络算法的连接阈值和权值建立最优参数鸡群神经网络模型，最后通过最优参数鸡群神经网络模型运算后输出风扇的工作模式，使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式；具体实施包括以下步骤(1)～(5)：

(1)通过装置摄像头获取风扇工作范围内人员的年龄P、性别S以及人数R；利用温湿度传感器检测环境的温度T和湿度D；

(2)设置风扇风速V为d个等级，风扇运行模式β为g个模式，风扇动作模式为2个模式，分别为：摆头模式、固定模式；根据风扇风速等级和运行模式可设定为d×g种工作模式；具体设置方式如下：

(2.1)风扇风速设置为3个等级，分别为：微风、自然风和强风，风扇运行模式设置2个模式，分别为：连续模式、间断模式；根据风速等级和运行模式可将风扇的工作模式设定为{连续微风、连续自然风、连续强风、间断微风、间断自然风、间断强风}6种模式。

(3)根据步骤(1)中采集到的人数R来确定风扇的动作模式，若R≥2时，风扇动作模式为摆头模式；若R＝1时，风扇动作模式为固定模式；

(4)获取h组包含人员信息、环境信息和风扇工作模式的样本，将人员信息和环境信息A_k＝(P_k,S_k,T_k,D_k)作为BP神经网络模型的输入，风扇工作模式作为BP神经网络的输出，利用鸡群算法优化BP神经网络连接阈值和权值建立最优参数鸡群神经网络模型，其中0＜h，分别为第k个样本电扇的风速等级和运行模式的方式，0＜a＜d，0＜b＜g，0＜k＜h；具体实现为：

(4.1)确定BP神经网络结构为4-6-1，初始化鸡群算法，定义鸡群算法中的公鸡N_R、母鸡N_H、小鸡N_C等参数；并对样本Z_k＝(A_k,B_k)进行规范化处理：

(4.3)将规范化后样本Z_k的人物信息和环境信息A_k作为BP神经网络的输入对其进行预测输出得到预测输出值将BP神经网络的预测输出与期望输出y_k的误差作为鸡群算法的适应度函数，确定鸡群算法的适应度函数如下:

上式中fit为适应度值；

(4.4)根据A_k的适应度函数排序鸡群适应度值，建立鸡群的等级制度，将鸡群分成数个子群并确定母鸡和小鸡的对应关系，初始化子群中个体当前最好位置p_best和全局个体最好位置g_best，即每个子群中适应度值最低的个体和全局适应度值最低的个体；鸡群算法中的公鸡、母鸡、小鸡各个参数的位置更新表达式分别为：

上式为公鸡N_R的位置更新公式，其中randn(0,σ²)为均值为0，标准差为σ²的一个高斯分布；

上式为母鸡N_H的位置更新公式，其中rand为[0,1]之间均匀分布的随机数；r₁为第i只母鸡自身所在群中的公鸡；r₂为整个鸡群中公鸡和母鸡中随机选取的任意个体，且r₁≠r₂；

x_i,j(t+1)＝ω·x_i,j(t)+F·(x_m,j(t)-x_i,j(t))+C·(x_r,j(t)-x_i,j(t))

上式为小鸡N_C的位置更新公式，其中m为第i只小鸡对应的母鸡；F(F∈[0,2])为跟随系数，r为第i只母鸡自身所在群中的公鸡；C＝0.4为学习因子；ω∈(0.4,0.9)为小鸡的自我学习系数，其更新公式为：

(4.5)根据小鸡、母鸡和公鸡的位置更新公式分别更新小鸡、母鸡和公鸡的位置并计算每个个体的适应度函数值，依据适应度函数值更新个体当前最好位置p_best和鸡群全局最好位置g_best；当更新n次后或满足迭代停止条件即适应度函数为0，停止迭代并输出最优值；将最优值赋值给BP神经网络的连接权值和阀值，得到最优参数鸡群神经网络模型。

(5)将实时采集的人员信息和环境信息(P,S,T,D)作为步骤(4)中最优参数鸡群神经网络模型输入，则最优参数鸡群神经网络模型运算后输出风扇的工作模式，使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (3)

1.一种风扇风速智能控制方法，其特征在于包括以下步骤：

(1)通过装置摄像头获取风扇工作范围内人员的年龄P、性别S以及人数R；利用温湿度传感器检测环境的温度T和湿度D；

(2)设置风扇风速V为d个等级，风扇运行模式β为g个模式，风扇动作模式为2个模式，分别为：摆头模式、固定模式；根据风扇风速等级和运行模式可设定为d×g种工作模式；

(3)根据步骤(1)采集到的人数R来确定风扇的动作模式，若R≥2时，风扇动作模式为摆头模式；若R＝1时，风扇动作模式为固定模式；

(4)获取h组包含人员信息、环境信息和风扇工作模式的样本，将人员信息和环境信息A_k＝(P_k,S_k,T_k,D_k)作为BP神经网络模型的输入，风扇工作模式作为BP神经网络的输出，利用鸡群算法优化BP神经网络连接阈值和权值建立最优参数鸡群神经网络模型，其中0＜h，分别为第k个样本电扇的风速等级和运行模式的方式，0＜a＜d，0＜b＜g，0＜k＜h；(5)将实时采集的人员信息和环境信息(P,S,T,D)作为步骤(4)中的最优参数鸡群神经网络模型输入，则最优参数鸡群神经网络模型运算后输出风扇的工作模式，使风扇能够自动地工作在符合实时采集到人员信息和环境信息的工作模式。

2.根据权利要求1所述的一种风扇风速智能控制方法，其特征在于，所述步骤(2)中的风扇的工作模式设定的具体方法为：

风扇风速设置为3个等级，分别为：微风、自然风和强风；风扇运行模式设置2个模式，分别为：连续模式、间断模式；根据风速等级和运行模式可将风扇的工作模式设定为{连续微风、连续自然风、连续强风、间断微风、间断自然风、间断强风}6种模式。

3.根据权利要求1所述的一种风扇风速智能控制方法，其特征在于，所述步骤(4)BP神经网络结构为4-6-1，利用鸡群算法优化BP神经网络连接阈值和权值得到最优参数鸡群神经网络模型的具体方法为：

(3.1)初始化鸡群算法，定义鸡群算法中的公鸡N_R、母鸡N_H、小鸡N_C等参数；并对样本Z_k＝(A_k,B_k)进行规范化处理：

(3.2)将规范化后样本Z_k的人物信息和环境信息A_k作为BP神经网络的输入对其进行预测输出得到预测输出值将BP神经网络的预测输出与期望输出y_k的误差作为鸡群算法的适应度函数，确定鸡群算法的适应度函数如下:

式(2)中fit为适应度值；

(3.3)根据A_k的适应度函数排序鸡群适应度值，建立鸡群的等级制度，将鸡群分成数个子群并确定母鸡和小鸡的对应关系，初始化子群中个体当前最好位置p_best和全局个体最好位置g_best，即每个子群中适应度值最低的个体和全局适应度值最低的个体；鸡群算法中的公鸡、母鸡、小鸡各个参数的位置更新表达式分别为：

式(3)为公鸡NR的位置更新公式，其中randn(0,σ²)为均值为0，标准差为σ²的一个高斯分布；

式(4)为母鸡N_H的位置更新公式，其中rand为[0,1]之间均匀分布的随机数；r₁为第i只母鸡自身所在群中的公鸡；r₂为整个鸡群中公鸡和母鸡中随机选取的任意个体，且r₁≠r₂；

x_i,j(t+1)＝ω·x_i,j(t)+F·(x_m,j(t)-x_i,j(t))+C·(x_r,j(t)-x_i,j(t)) 式(5)

式(5)为小鸡N_C的位置更新公式，其中m为第i只小鸡对应的母鸡；F(F∈[0,2])为跟随系数，r为第i只母鸡自身所在群中的公鸡；C＝0.4为学习因子；ω∈(0.4,0.9)为小鸡的自我学习系数，其更新公式为：

(3.4)根据式(3)、(4)、(5)分别更新小鸡、母鸡和公鸡的位置并计算每个个体的适应度函数值，依据适应度函数值更新个体当前最好位置p_best和鸡群全局最好位置g_best；当更新n次后或满足迭代停止条件即适应度函数为0，停止迭代并输出最优值；将最优值赋值给BP神经网络的连接权值和阀值，得到最优参数鸡群神经网络模型。