【技術實現步驟摘要】
本專利技術屬于發光二極管(led)，涉及遺傳算法、dnn神經網絡和熒光粉led出光效果預測領域，提供一種基于遺傳算法優化dnn神經網絡的熒光粉led出光效果預測方法。
技術介紹
1、現階段，熒光粉led作為一種高效、節能的照明光源，在現代照明領域中得到了廣泛應用。熒光粉led的出光效果受到多種因素(熒光粉的種類、濃度、粒徑、厚度等)的共同影響，其中熒光粉led出光效果的預測對于優化led設計、提高生產效率和降低成本具有十分重要的意義。傳統的預測方法往往依賴于經驗公式或簡單的數學模型，存在精度低、適應性差等問題。
2、深度學習是機器學習下的一個分類，近年來在機器視覺和圖像處理等領域得到迅速發展。常見的深度學習網絡模型有生成對抗網絡、卷積神經網絡、深度神經網絡、循環神經網絡和深度信念網絡等。深度學習在數據中學習輸入和輸出規則，這有助于人們在各種應用中建立非分析模型。深度神經網絡(deep?neural?networks，dnn)是深度學習領域中的一種技術，可以處理需要高度科學嚴謹性和精度的復雜問題。dnn可以提取數據隱藏在統計規律里的特征，并通過學習過程將其作為網絡參數存儲。然而dnn神經網絡的網絡結構(如層數、每層神經元數量)和超參數(如學習率、權重衰減系數)的選擇通常比較困難。傳統的方法是基于經驗或者手動調整，這需要大量的實驗和時間。同時，dnn神經網絡在訓練過程中，尤其是使用基于梯度的優化算法(如隨機梯度下降)時，容易陷入局部最優解。
3、遺傳算法是一種基于生物進化原理的全局優化算法，通過模擬自然界遺傳
技術實現思路
1、為了克服現有技術存在的缺點與不足，本專利技術提供一種基于遺傳算法優化dnn神經網絡的熒光粉led出光效果預測方法，可以有效的解決現有技術中預測模型效率低、誤差大、普適性差等問題。本專利技術能夠準確預測熒光粉led的出光效果。該方法結合了遺傳算法的全局搜索能力和dnn網絡的強大學習能力，能夠快速有效地找到最優的模型參數，提高預測的準確性和可靠性。
2、為實現上述目的，本專利技術采用以下技術方案：
3、一種基于遺傳算法優化dnn神經網絡的熒光粉led出光效果預測方法，所述的預測方法首先，建立熒光粉層的仿真模型，采集并構建數據集；其次，構建dnn神經網絡模型；第三，利用遺傳算法對dnn網絡的超參數進行優化；第四，完成模型迭代優化；最后，使用優化后的dnn網絡對熒光粉led的出光效果進行預測。具體包括以下步驟：
4、s1建立熒光粉led的仿真模型，通過改變熒光粉層的結構參數來構建深度神經網絡所需的數據集，并對其進行預處理。具體如下：
5、在光學系統仿真軟件中按照熒光粉led結構的幾何參數建立仿真結構模型；所述的熒光粉led結構包括基板、散熱板、led芯片和熒光粉層，導入上述各層相關材料參數完成模型的搭建。
6、所述的數據集是通過改變導入模型中熒光粉層的結構參數，多次仿真測試來獲得熒光粉led出光效果；所述的熒光粉層的結構參數包括厚度、濃度、粒徑大小，出光效果的評估參數包括色溫、光效和均勻度。
7、所述的預處理為標準化處理。所述的標準化處理采用的是z-score標準化算法，對于序列t1,t2,t3,…,tn進行如下變換：
8、
9、式中，表示樣本平均值；表示樣本標準差；n表示樣本總量；ti表示第i個樣本值；
10、計算產生的新序列z1,z2,z3,…,zn符合均值為0，方差為1的分布，并且沒有量綱。
11、s2建立dnn正向深度神經網絡模型。采用s1中預處理后的數據集，將數據集按照一定比例劃分為訓練集和測試集。訓練集用來訓練神經網絡，測試集用來檢測神經網絡的訓練效果。
12、s3基于全連接層建立正向深度神經網絡主體結構。所述的正向深度神經網絡主體結構包含一個輸入層、若干隱藏層和一個輸出層。每層包含若干結點。
13、所述輸入層指的是熒光粉層的結構參數，包括熒光粉層的濃度、厚度、粒徑大小；所述輸出層指的是熒光粉led出光效果，包括色溫、均勻度和光效。
14、基于數據集中熒光粉層的結構參數和出光效果的數據數量確定輸入層和輸出層結點個數。隱藏層的層數、每層神經元數量及學習率作為超參數可通過遺傳算法進行優化。
15、s4通過遺傳算法對正向神經網絡結構的超參數進行優化。所述的遺傳算法優化包括編碼、確定適應度函數、選擇、交叉、變異及迭代優化，最終獲得最優的超參數組合。
16、s4-1超參數編碼。采用實數編碼，將這些超參數組合成一個向量作為一個個體。每個個體由一組實數向量表示，向量的長度等于dnn網絡的超參數數量。
17、s4-2初始化種群。設定種群規模，隨機生成等規模的個體來組成初始種群。
18、s4-3正向網絡計算。對于s4-2種群中的每個個體(即一組dnn參數)，將訓練數據輸入dnn深度神經網絡進行正向網絡計算，得到網絡的輸出。
19、s4-4計算適應度函數。根據預先定義的適應度函數評估和計算個體的適應度。
20、所述的適應度函數是計算個體對應的dnn深度神經網絡模型在測試集上的預測誤差，即均方誤差mse。將適應度函數定義為1/(1+mse)，適應度值越高，表示個體的性能越好。mse函數的定義如下：
21、
22、其中，x表示預測值，y表示真實值，n表示批次大小，xn表示第n個樣本點的預測值，yn表示第n個樣本點的真實值。如果將n個樣本的mse損失相加，能夠得到整個數據集上的dnn深度神經網絡模型的性能指標。mse越小，表示dnn深度神經網絡模型的預測越接近實際值。
23、s4-5選擇操作。采用輪盤賭選擇法，根據s4-4獲得的適應度值，計算個體選擇的概率選擇適應度更高的個體組成父代進入下一代訓練。其中，p(g1)表示個體g1被選擇的概率，f(g1)表示個體g1的適應度值，表示種群中所有個體樣本適應度之和。
24、s4-6交叉操作。采用單點交叉方法，隨機選擇一個交叉點，將兩個父代個體在交叉點處進行交換，產生兩個新的子代個體。
25、s4-7變異操作。對子代個體的每個參數以一定的概率進行隨機變異，變異概率根據經驗進行設置，隨機選擇變異個體和變異的位置，形成新的個體。
26、s4-8種群更新。將經過交叉和變異后的子代個體與部分未參與繁殖的父代個體(精英保留策略)組合，形成新的種群。
27、s4-9重復步驟s4-3至s4-8，直到滿足停止條件，即為獲得最優的超參數組合。本文檔來自技高網...
【技術保護點】
1.一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測方法，其特征在于，所述的預測方法包括以下步驟：
2.根據權利要求1所述的一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測方法，其特征在于，所述的S1：在光學系統仿真軟件中按照熒光粉LED結構的幾何參數建立仿真結構模型；數據集是通過改變導入模型中熒光粉層的結構參數，多次仿真測試來獲得熒光粉LED出光效果。
3.根據權利要求2所述的一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測方法，其特征在于，所述的S1中：
4.根據權利要求2所述的一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測方法，其特征在于，所述的S3中，輸入層包括熒光粉層的濃度、厚度、粒徑大小；所述輸出層指的是熒光粉LED出光效果，包括色溫、均勻度和光效。
5.根據權利要求4所述的一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測方法，其特征在于，所述的S4包括以下步驟：
6.根據權利要求5所述的一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測
7.根據權利要求5所述的一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測方法，其特征在于，所述的S4-9中，停止條件為適應度值不再明顯改善或達到預設的最大迭代次數。
8.根據權利要求7所述的一種基于遺傳算法優化DNN神經網絡的熒光粉LED出光效果預測方法，其特征在于，適應度值不再明顯改善指的是本輪與上一輪的誤差小于5％。
...【技術特征摘要】
1.一種基于遺傳算法優化dnn神經網絡的熒光粉led出光效果預測方法，其特征在于，所述的預測方法包括以下步驟：
2.根據權利要求1所述的一種基于遺傳算法優化dnn神經網絡的熒光粉led出光效果預測方法，其特征在于，所述的s1：在光學系統仿真軟件中按照熒光粉led結構的幾何參數建立仿真結構模型；數據集是通過改變導入模型中熒光粉層的結構參數，多次仿真測試來獲得熒光粉led出光效果。
3.根據權利要求2所述的一種基于遺傳算法優化dnn神經網絡的熒光粉led出光效果預測方法，其特征在于，所述的s1中：
4.根據權利要求2所述的一種基于遺傳算法優化dnn神經網絡的熒光粉led出光效果預測方法，其特征在于，所述的s3中，輸入層包括熒光粉層的濃度、厚度、粒徑大小；所述輸出層指的是熒光粉led出光效果，包括色溫、均勻度和光效。
...
【專利技術屬性】
技術研發人員：蘇瑩，曹暾，毛藝靜，王騰飛，王榕梓，廉盟，賈婧媛，
申請(專利權)人：大連理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。