LED 亮度智能调节方法研究

摘要：该文将循环神经网络与人体传感器数据相结合，实现LED显示器的自适应功率运行，是一种创新的方法。在实际试验验证中，该方法在复杂使用环境中显示出了良好的可行性和有效性。首先，通过人体传感器实时采集的数据序列，包括人体活动、密度和移动方向等信息，提供了LED显示器周围环境的详细描述。这些数据通过RNN进行处理和分析，可以提取出人体运动的模式和趋势，从而为LED显示器的自适应功率运行提供指导。其次，利用RNN对数据进行建模和预测，可以根据实时环境变化动态调整LED显示器的功率和亮度。当人流密集或活动频繁时，LED显示器可以自动增加亮度以提高可见性；相反，当人流稀少或活动减少时，LED显示器可以自动降低功率以节约能源。最后，实验结果表明，在各种复杂使用环境下，该方法能够有效地满足LED显示器的自适应功率运行功能要求。无论是在城市广场、商业中心还是体育场馆，LED显示器都能够根据实际需求进行智能调节，既满足了显示效果的要求，又实现了能源的有效利用和碳排放的降低。因此，该文提出的基于RNN和人体传感器数据处理的LED显示器自适应功率运行方法具有很高的实用性和可行性，对推动LED显示技术在各领域的低碳应用具有重要意义。

关键词：LED；低碳；深度学习

中图分类号：TP18文献标识码：A

文章编号：1009-3044（2024）35-0026-03开放科学（资源服务）标识码（OSID）：

0引言

LED屏幕已成为各种场景中的重要元素，并在城市景观、商业广告、体育场馆等领域得到广泛应用。然而，LED屏幕的广泛使用也带来了能源消耗和碳排放等环境问题。为了应对这一挑战，本文提出了一种创新的方法，即通过人体传感器获取LED周围环境中的人体数据，以实现LED屏幕的自适应低碳运行。具体而言，即利用循环神经网络（RNN）对收集到的人体环境数据进行分析和建模，从而实现LED屏幕的智能控制和节能优化。这一方法不仅可以降低LED屏幕的能耗和碳排放，还能够提高LED屏幕在不同场景下的适应性和可持续性。通过本文方法，可以更加有效地利用LED屏幕，并为实现低碳环保的城市发展作出贡献。

1LED功率自适应控制问题

近些年，随着LED显示技术的不断发展与硬件生产能力的大幅提升，显示终端在各领域的应用呈现出井喷式发展态势[1]。显示终端已然成为城市公共区域、铁路、公交、地铁、商超、连锁店、楼宇、电梯、会议室等场所的标配，并在公共信息传播、广告推广等方面发挥了重要作用。然而，当无人观看时，LED会长时间处于既定的高功率运行状态，这难以满足低碳运行的要求。为此，本文提出通过人体传感器等来感知LED周边的人体环境，并利用RNN模型生成控制指令[2-3]，使得在无人观看时LED能够切换至低功率运行状态，从而满足自适应功率运行的需求。

2控制模型

2.1RNN模型

RNN（RecurrentNeuralNetwork，循环神经网络）是一种具有记忆能力的神经网络模型，专门用于处理序列数据。RNN的主要特点是具有循环连接，这使得网络在每个时间步骤都可以接收上一个时间步骤的输出作为输入。这种内部循环的结构使得RNN能够处理长序列数据，并且具有一定程度的时间依赖性。RNN在自然语言处理、语音识别、机器翻译等领域取得了显著的成功，并成为序列数据处理的重要工具之一，如图1所示。

ai=ga（w）aaai-1+waxxi-1+ba（1）

y=gy（wyaai-1+wyxxi+by）（2）

式中：ai为第i次神经网络输出，y为在前一次神经网络输出基础上的最终优化结果。

在工程应用中，人体传感器通过实时监测数据序列捕捉到LED周围区域的人体活动和环境变化。这些数据序列包含了时间上的动态变化，例如人流密度、移动方向、活动频率和速度等，这些都是影响LED屏幕运行的关键因素。

利用循环神经网络（RNN）对这些数据序列进行处理和分析，可以从中提取出LED周边人体运动的模式和趋势。RNN的时间序列建模能力使其能够识别出潜在的行为规律，预测未来的人体运动，并与之相关地调整LED屏幕的运行。

通过将RNN应用于人体环境数据序列的处理，系统可以根据人流量和运动模式进行智能决策。例如，当检测到人流量较高或特定行为变化时，系统可以相应地调整LED屏幕的亮度、显示内容或其他运行参数，以确保在不影响观众体验的情况下实现能源节约和碳排放降低。

这种自适应控制机制使得LED屏幕能够在不同环境下实现最优运行，既满足了显示需求，又有效降低了能耗。这种智能化和可持续性的做法有助于推动LED屏幕在现代工程应用中的绿色发展。

2.2人体运动特征提取

利用雷达等先进传感器技术获取人体运动数据，包括但不限于人的位置、速度、方向和活动模式。雷达能够以高精度和实时性捕捉人体运动的细微变化，不受光照、天气和时间等因素的限制，因此在各种复杂环境下都具有出色的适用性。通过分析雷达获取的数据，可以深入了解人体在LED显示器周围的活动情况，从而更精准地调整LED显示器的功率和亮度。此外，与其他传感器数据结合使用，如红外线传感器、摄像头等，可以进一步提高环境感知的全面性和准确性，为LED显示器的自适应功率运行提供更加可靠的支持。

获取人体运动数据并将其数据化显示通常涉及以下步骤：

1）传感器部署：部署雷达、红外线传感器、摄像头等传感器设备以覆盖目标区域，并确保它们能够准确捕捉到人体运动的相关信息。

2）数据采集：传感器实时采集人体运动数据，包括位置、速度、方向等信息。这些数据可以直接以数字形式记录，或者通过图像处理等方式转换成数字数据。

3）数据处理：对采集到的数据进行处理和分析，以提取有用的特征和模式。这可能涉及数据清洗、滤波、特征提取等操作，以确保数据的质量和可用性。

4）数据模型建立：利用机器学习或深度学习技术建立模型，对人体运动数据进行分析和预测。常用的模型包括循环神经网络（RNN）、卷积神经网络（CNN）等，这些模型能够从数据中学习到人体运动的规律和趋势。

5）数据化显示：将处理后的人体运动数据以可视化的形式呈现出来，通常通过LED显示器或其他显示设备展示。可以根据需要设计不同的界面和图表，以直观地展示人体运动的情况，如人群密度、运动方向等。

通过以上步骤，可以将实时获取的人体运动数据转化为数字化的形式，从而实现对人体运动的监测和数据化提取显示。

2.3优化器和损失函数

本文模型选用Adam（AdaptiveMomentEstimation）优化器[4]，它是一种基于梯度的自适应优化算法，可以根据每个参数的历史梯度信息和平均值自适应地调整学习率。其基本思想是利用梯度的一阶矩和二阶矩来调整每个参数的学习率（learningrate，lr），从而使模型训练更加高效和准确。

输入值xi由人体传感器获取的电磁波信号归一化转换得到：

RNN网络可以使传感器数据的处理过程变得更加简单，它的输入是任意样本点的状态，而输出是一个接近真实情况的预测，即它可以被看作一种具有非常强大拟合能力的数据处理模型。

通过y[j，k]的取值可以获取LED周边是否有人体运动观看，进而给出LED的控制指令：有人观看时高功率运行，无人观看时低功率运行。

3数值实验

实验在PyCharm环境中，使用以TensorFlow为后端的深度学习库Keras来搭建并训练模型。对全卷积网络（FCN）和传统CNN网络进行了对比实验。初始学习率lr=0.001，利用Keras中的ReduceLROnPla⁃teau模块进行学习率控制[5]：设置为若5个epoch后验证集loss不变，则以衰减因子factor=0.5衰减更新学习率，如下所示：

lr*=lr×factor（7）

其中：lr*为更新后的学习率，lr为更新前的学习率。

在信噪比0.8情况下各个模型的准确率如下：

1）FCN准确率

2）CNN准确率

3）RNN准确率

根据表中的数据，本文引用的模型相比基准模型有显著提高，特别是在极低信噪比环境下仍能保持91.5%的准确率，这表明该模型在复杂环境下的鲁棒性和优越性。这种高准确率反映了模型在人体运动特征识别方面的出色表现，说明其能够有效区分不同的人体运动模式，并且对噪声和干扰有较强的抵抗能力。这一结果对于实时监测和识别人体运动非常重要，尤其是在需要精确判断人体行为的场景下，如安防监控、交通管理等领域。因此，本文所提出的模型在人体运动特征识别方面具有良好的性能和应用前景。

4结束语

本文采用RNN网络进行实验，并取得了较为理想的结果。实验结果表明，本模型能够满足当前传感器数据处理的需求，在实现LED自适应功率运行要求方面表现出良好的性能。然而，在模型计算效率以及准确率方面，仍存在进一步提升的空间。在未来的研究中，将考虑结合多传感器，并探索利用脉冲神经网络等方法，以提高模型的计算效率和准确性。

参考文献：

[1]黄锡珉.液晶显示技术发展轨迹[J].液晶与显示，2003，18（1）：1-6.

[2]李晓佳，赵国生，汪洋，等.面向CNN和RNN改进的物联网入侵检测模型[J].计算机工程与应用，2023，59（14）：242-250.

[3]余金锁.基于注意力的CNN＿RNN人体行为识别算法研究[D].无锡：江南大学，2022.

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

[5]闫琳英.基于Keras的图像分类模型的研究与应用[J].价值工程，2023，42（35）：78-80.

【通联编辑：代影】