LED 亮度智能調(diào)節(jié)方法研究

摘要：該文將循環(huán)神經(jīng)網(wǎng)絡(luò)與人體傳感器數(shù)據(jù)相結(jié)合，實(shí)現(xiàn)LED顯示器的自適應(yīng)功率運(yùn)行，是一種創(chuàng)新的方法。在實(shí)際試驗(yàn)驗(yàn)證中，該方法在復(fù)雜使用環(huán)境中顯示出了良好的可行性和有效性。首先，通過(guò)人體傳感器實(shí)時(shí)采集的數(shù)據(jù)序列，包括人體活動(dòng)、密度和移動(dòng)方向等信息，提供了LED顯示器周圍環(huán)境的詳細(xì)描述。這些數(shù)據(jù)通過(guò)RNN進(jìn)行處理和分析，可以提取出人體運(yùn)動(dòng)的模式和趨勢(shì)，從而為L(zhǎng)ED顯示器的自適應(yīng)功率運(yùn)行提供指導(dǎo)。其次，利用RNN對(duì)數(shù)據(jù)進(jìn)行建模和預(yù)測(cè)，可以根據(jù)實(shí)時(shí)環(huán)境變化動(dòng)態(tài)調(diào)整LED顯示器的功率和亮度。當(dāng)人流密集或活動(dòng)頻繁時(shí)，LED顯示器可以自動(dòng)增加亮度以提高可見(jiàn)性；相反，當(dāng)人流稀少或活動(dòng)減少時(shí)，LED顯示器可以自動(dòng)降低功率以節(jié)約能源。最后，實(shí)驗(yàn)結(jié)果表明，在各種復(fù)雜使用環(huán)境下，該方法能夠有效地滿足LED顯示器的自適應(yīng)功率運(yùn)行功能要求。無(wú)論是在城市廣場(chǎng)、商業(yè)中心還是體育場(chǎng)館，LED顯示器都能夠根據(jù)實(shí)際需求進(jìn)行智能調(diào)節(jié)，既滿足了顯示效果的要求，又實(shí)現(xiàn)了能源的有效利用和碳排放的降低。因此，該文提出的基于RNN和人體傳感器數(shù)據(jù)處理的LED顯示器自適應(yīng)功率運(yùn)行方法具有很高的實(shí)用性和可行性，對(duì)推動(dòng)LED顯示技術(shù)在各領(lǐng)域的低碳應(yīng)用具有重要意義。

關(guān)鍵詞：LED；低碳；深度學(xué)習(xí)

中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）35-0026-03開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

0引言

LED屏幕已成為各種場(chǎng)景中的重要元素，并在城市景觀、商業(yè)廣告、體育場(chǎng)館等領(lǐng)域得到廣泛應(yīng)用。然而，LED屏幕的廣泛使用也帶來(lái)了能源消耗和碳排放等環(huán)境問(wèn)題。為了應(yīng)對(duì)這一挑戰(zhàn)，本文提出了一種創(chuàng)新的方法，即通過(guò)人體傳感器獲取LED周圍環(huán)境中的人體數(shù)據(jù)，以實(shí)現(xiàn)LED屏幕的自適應(yīng)低碳運(yùn)行。具體而言，即利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）對(duì)收集到的人體環(huán)境數(shù)據(jù)進(jìn)行分析和建模，從而實(shí)現(xiàn)LED屏幕的智能控制和節(jié)能優(yōu)化。這一方法不僅可以降低LED屏幕的能耗和碳排放，還能夠提高LED屏幕在不同場(chǎng)景下的適應(yīng)性和可持續(xù)性。通過(guò)本文方法，可以更加有效地利用LED屏幕，并為實(shí)現(xiàn)低碳環(huán)保的城市發(fā)展作出貢獻(xiàn)。

1LED功率自適應(yīng)控制問(wèn)題

近些年，隨著LED顯示技術(shù)的不斷發(fā)展與硬件生產(chǎn)能力的大幅提升，顯示終端在各領(lǐng)域的應(yīng)用呈現(xiàn)出井噴式發(fā)展態(tài)勢(shì)[1]。顯示終端已然成為城市公共區(qū)域、鐵路、公交、地鐵、商超、連鎖店、樓宇、電梯、會(huì)議室等場(chǎng)所的標(biāo)配，并在公共信息傳播、廣告推廣等方面發(fā)揮了重要作用。然而，當(dāng)無(wú)人觀看時(shí)，LED會(huì)長(zhǎng)時(shí)間處于既定的高功率運(yùn)行狀態(tài)，這難以滿足低碳運(yùn)行的要求。為此，本文提出通過(guò)人體傳感器等來(lái)感知LED周邊的人體環(huán)境，并利用RNN模型生成控制指令[2-3]，使得在無(wú)人觀看時(shí)LED能夠切換至低功率運(yùn)行狀態(tài)，從而滿足自適應(yīng)功率運(yùn)行的需求。

2控制模型

2.1RNN模型

RNN（RecurrentNeuralNetwork，循環(huán)神經(jīng)網(wǎng)絡(luò)）是一種具有記憶能力的神經(jīng)網(wǎng)絡(luò)模型，專門用于處理序列數(shù)據(jù)。RNN的主要特點(diǎn)是具有循環(huán)連接，這使得網(wǎng)絡(luò)在每個(gè)時(shí)間步驟都可以接收上一個(gè)時(shí)間步驟的輸出作為輸入。這種內(nèi)部循環(huán)的結(jié)構(gòu)使得RNN能夠處理長(zhǎng)序列數(shù)據(jù)，并且具有一定程度的時(shí)間依賴性。RNN在自然語(yǔ)言處理、語(yǔ)音識(shí)別、機(jī)器翻譯等領(lǐng)域取得了顯著的成功，并成為序列數(shù)據(jù)處理的重要工具之一，如圖1所示。

ai=ga（w）aaai-1+waxxi-1+ba（1）

y=gy（wyaai-1+wyxxi+by）（2）

式中：ai為第i次神經(jīng)網(wǎng)絡(luò)輸出，y為在前一次神經(jīng)網(wǎng)絡(luò)輸出基礎(chǔ)上的最終優(yōu)化結(jié)果。

在工程應(yīng)用中，人體傳感器通過(guò)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)序列捕捉到LED周圍區(qū)域的人體活動(dòng)和環(huán)境變化。這些數(shù)據(jù)序列包含了時(shí)間上的動(dòng)態(tài)變化，例如人流密度、移動(dòng)方向、活動(dòng)頻率和速度等，這些都是影響LED屏幕運(yùn)行的關(guān)鍵因素。

利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）對(duì)這些數(shù)據(jù)序列進(jìn)行處理和分析，可以從中提取出LED周邊人體運(yùn)動(dòng)的模式和趨勢(shì)。RNN的時(shí)間序列建模能力使其能夠識(shí)別出潛在的行為規(guī)律，預(yù)測(cè)未來(lái)的人體運(yùn)動(dòng)，并與之相關(guān)地調(diào)整LED屏幕的運(yùn)行。

通過(guò)將RNN應(yīng)用于人體環(huán)境數(shù)據(jù)序列的處理，系統(tǒng)可以根據(jù)人流量和運(yùn)動(dòng)模式進(jìn)行智能決策。例如，當(dāng)檢測(cè)到人流量較高或特定行為變化時(shí)，系統(tǒng)可以相應(yīng)地調(diào)整LED屏幕的亮度、顯示內(nèi)容或其他運(yùn)行參數(shù)，以確保在不影響觀眾體驗(yàn)的情況下實(shí)現(xiàn)能源節(jié)約和碳排放降低。

這種自適應(yīng)控制機(jī)制使得LED屏幕能夠在不同環(huán)境下實(shí)現(xiàn)最優(yōu)運(yùn)行，既滿足了顯示需求，又有效降低了能耗。這種智能化和可持續(xù)性的做法有助于推動(dòng)LED屏幕在現(xiàn)代工程應(yīng)用中的綠色發(fā)展。

2.2人體運(yùn)動(dòng)特征提取

利用雷達(dá)等先進(jìn)傳感器技術(shù)獲取人體運(yùn)動(dòng)數(shù)據(jù)，包括但不限于人的位置、速度、方向和活動(dòng)模式。雷達(dá)能夠以高精度和實(shí)時(shí)性捕捉人體運(yùn)動(dòng)的細(xì)微變化，不受光照、天氣和時(shí)間等因素的限制，因此在各種復(fù)雜環(huán)境下都具有出色的適用性。通過(guò)分析雷達(dá)獲取的數(shù)據(jù)，可以深入了解人體在LED顯示器周圍的活動(dòng)情況，從而更精準(zhǔn)地調(diào)整LED顯示器的功率和亮度。此外，與其他傳感器數(shù)據(jù)結(jié)合使用，如紅外線傳感器、攝像頭等，可以進(jìn)一步提高環(huán)境感知的全面性和準(zhǔn)確性，為L(zhǎng)ED顯示器的自適應(yīng)功率運(yùn)行提供更加可靠的支持。

獲取人體運(yùn)動(dòng)數(shù)據(jù)并將其數(shù)據(jù)化顯示通常涉及以下步驟：

1）傳感器部署：部署雷達(dá)、紅外線傳感器、攝像頭等傳感器設(shè)備以覆蓋目標(biāo)區(qū)域，并確保它們能夠準(zhǔn)確捕捉到人體運(yùn)動(dòng)的相關(guān)信息。

2）數(shù)據(jù)采集：傳感器實(shí)時(shí)采集人體運(yùn)動(dòng)數(shù)據(jù)，包括位置、速度、方向等信息。這些數(shù)據(jù)可以直接以數(shù)字形式記錄，或者通過(guò)圖像處理等方式轉(zhuǎn)換成數(shù)字?jǐn)?shù)據(jù)。

3）數(shù)據(jù)處理：對(duì)采集到的數(shù)據(jù)進(jìn)行處理和分析，以提取有用的特征和模式。這可能涉及數(shù)據(jù)清洗、濾波、特征提取等操作，以確保數(shù)據(jù)的質(zhì)量和可用性。

4）數(shù)據(jù)模型建立：利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)技術(shù)建立模型，對(duì)人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)。常用的模型包括循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等，這些模型能夠從數(shù)據(jù)中學(xué)習(xí)到人體運(yùn)動(dòng)的規(guī)律和趨勢(shì)。

5）數(shù)據(jù)化顯示：將處理后的人體運(yùn)動(dòng)數(shù)據(jù)以可視化的形式呈現(xiàn)出來(lái)，通常通過(guò)LED顯示器或其他顯示設(shè)備展示?？梢愿鶕?jù)需要設(shè)計(jì)不同的界面和圖表，以直觀地展示人體運(yùn)動(dòng)的情況，如人群密度、運(yùn)動(dòng)方向等。

通過(guò)以上步驟，可以將實(shí)時(shí)獲取的人體運(yùn)動(dòng)數(shù)據(jù)轉(zhuǎn)化為數(shù)字化的形式，從而實(shí)現(xiàn)對(duì)人體運(yùn)動(dòng)的監(jiān)測(cè)和數(shù)據(jù)化提取顯示。

2.3優(yōu)化器和損失函數(shù)

本文模型選用Adam（AdaptiveMomentEstimation）優(yōu)化器[4]，它是一種基于梯度的自適應(yīng)優(yōu)化算法，可以根據(jù)每個(gè)參數(shù)的歷史梯度信息和平均值自適應(yīng)地調(diào)整學(xué)習(xí)率。其基本思想是利用梯度的一階矩和二階矩來(lái)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率（learningrate，lr），從而使模型訓(xùn)練更加高效和準(zhǔn)確。

輸入值xi由人體傳感器獲取的電磁波信號(hào)歸一化轉(zhuǎn)換得到：

RNN網(wǎng)絡(luò)可以使傳感器數(shù)據(jù)的處理過(guò)程變得更加簡(jiǎn)單，它的輸入是任意樣本點(diǎn)的狀態(tài)，而輸出是一個(gè)接近真實(shí)情況的預(yù)測(cè)，即它可以被看作一種具有非常強(qiáng)大擬合能力的數(shù)據(jù)處理模型。

通過(guò)y[j，k]的取值可以獲取LED周邊是否有人體運(yùn)動(dòng)觀看，進(jìn)而給出LED的控制指令：有人觀看時(shí)高功率運(yùn)行，無(wú)人觀看時(shí)低功率運(yùn)行。

3數(shù)值實(shí)驗(yàn)

實(shí)驗(yàn)在PyCharm環(huán)境中，使用以TensorFlow為后端的深度學(xué)習(xí)庫(kù)Keras來(lái)搭建并訓(xùn)練模型。對(duì)全卷積網(wǎng)絡(luò)（FCN）和傳統(tǒng)CNN網(wǎng)絡(luò)進(jìn)行了對(duì)比實(shí)驗(yàn)。初始學(xué)習(xí)率lr=0.001，利用Keras中的ReduceLROnPla?teau模塊進(jìn)行學(xué)習(xí)率控制[5]：設(shè)置為若5個(gè)epoch后驗(yàn)證集loss不變，則以衰減因子factor=0.5衰減更新學(xué)習(xí)率，如下所示：

lr*=lr×factor（7）

其中：lr*為更新后的學(xué)習(xí)率，lr為更新前的學(xué)習(xí)率。

在信噪比0.8情況下各個(gè)模型的準(zhǔn)確率如下：

1）FCN準(zhǔn)確率

2）CNN準(zhǔn)確率

3）RNN準(zhǔn)確率

根據(jù)表中的數(shù)據(jù)，本文引用的模型相比基準(zhǔn)模型有顯著提高，特別是在極低信噪比環(huán)境下仍能保持91.5%的準(zhǔn)確率，這表明該模型在復(fù)雜環(huán)境下的魯棒性和優(yōu)越性。這種高準(zhǔn)確率反映了模型在人體運(yùn)動(dòng)特征識(shí)別方面的出色表現(xiàn)，說(shuō)明其能夠有效區(qū)分不同的人體運(yùn)動(dòng)模式，并且對(duì)噪聲和干擾有較強(qiáng)的抵抗能力。這一結(jié)果對(duì)于實(shí)時(shí)監(jiān)測(cè)和識(shí)別人體運(yùn)動(dòng)非常重要，尤其是在需要精確判斷人體行為的場(chǎng)景下，如安防監(jiān)控、交通管理等領(lǐng)域。因此，本文所提出的模型在人體運(yùn)動(dòng)特征識(shí)別方面具有良好的性能和應(yīng)用前景。

4結(jié)束語(yǔ)

本文采用RNN網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，并取得了較為理想的結(jié)果。實(shí)驗(yàn)結(jié)果表明，本模型能夠滿足當(dāng)前傳感器數(shù)據(jù)處理的需求，在實(shí)現(xiàn)LED自適應(yīng)功率運(yùn)行要求方面表現(xiàn)出良好的性能。然而，在模型計(jì)算效率以及準(zhǔn)確率方面，仍存在進(jìn)一步提升的空間。在未來(lái)的研究中，將考慮結(jié)合多傳感器，并探索利用脈沖神經(jīng)網(wǎng)絡(luò)等方法，以提高模型的計(jì)算效率和準(zhǔn)確性。

參考文獻(xiàn)：

[1]黃錫珉.液晶顯示技術(shù)發(fā)展軌跡[J].液晶與顯示，2003，18（1）：1-6.

[2]李曉佳，趙國(guó)生，汪洋，等.面向CNN和RNN改進(jìn)的物聯(lián)網(wǎng)入侵檢測(cè)模型[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（14）：242-250.

[3]余金鎖.基于注意力的CNN＿RNN人體行為識(shí)別算法研究[D].無(wú)錫：江南大學(xué)，2022.

[4]KINGMADP，BAJ，HAMMADMM.Adam：amethodforsto?chasticoptimization[EB/OL].[2023-10-20].2014：1412.6980.https：//arxiv.org/abs/1412.6980v9.

[5]閆琳英.基于Keras的圖像分類模型的研究與應(yīng)用[J].價(jià)值工程，2023，42（35）：78-80.

【通聯(lián)編輯：代影】