CC BY-NC
12Применение методов оптимизации и машинного обучения при автоматизированном проектировании режимов работы систем управляемого светодиодного освещения
Ульянов Роман Сергеевич
аспирант, кафедра автоматизации и электроснабжения, Национальный исследовательский
Московский государственный строительный университет
129337, Россия, г. Москва, Ярославское шоссе, 26, каб. 204
Ulianov Roman Sergeevich
graduate student, Automation and Power Supply Department, National Research Moscow State University of
Civil Engineering
129337, Russia, g. Moscow, ul. Yaroslavskoe Shosse, 26, kab. 204
И [email protected] Шиколенко Илья Андреевич
аспирант, кафедра автоматизации и электроснабжения, Национальный исследовательский
Московский государственный строительный университет
129337, Россия, г. Москва, Ярославское шоссе, 26, каб. 204
Shikolenko Il'ya Andreevich
graduate student, Department of Automation and Power Supply, National Research Moscow State University
of Civil Engineering
129337, Russia, Moscow, str. Yaroslavskoe Shosse, 26, room No. 204
И [email protected] Величкин Владимир Александрович
кандидат технических наук
доцент, кафедра автоматизации и электроснабжения, Национальный исследовательский Московский
государственный строительный университет
129337, Россия, г. Москва, Ярославское шоссе, 26, оф 204
Velichkin Vladimir Aleksandrovich
PhD in Technical Science
Associate Professor, Department of Automation and Power Supply, National Research Moscow State
University of Civil Engineering
129337, Russia, g. Moscow, ul. Yaroslavskoe Shosse, 26, of. 204
Завьялов Владимир Андреевич
доктор технических наук
ранее профессор, кафедра электротехники и электропривода, Национальный исследовательский
Московский государственный строительный университет
129337, Россия, г. Москва, Ярославское шоссе, 26, оф 204
Zav'yalov Vladimir Andreevich
Doctor of Technical Science
Formerly Professor, Department of Electrical Engineering and Electric Drive, National Research Moscow State
University of Civil Engineering
129337, Russia, g. Moscow, ul. Yaroslavskoe Shosse, 26, of. 204
Статья из рубрики "Автоматизация проектирования и технологической подготовки производства"
Аннотация. Коллективом авторов статьи были рассмотрены вопросы направленные на повышение эффективности автоматизированного проектирования освещения в части перехода от методов принятия проектных решений в области выбора режимов освещения с упраляемым спектром базирующихся на экспертное оценке, к подходам, базирующимся на человеко-машинных принципах. В данной работе указанные выше подходы применяются к одной из базовых качественных характеристик излучения источников света, а именно спектральной плотности излучения. В частности, будут изложены методы выборы оптимальных параметров искусственных излучателей, а также методы их автоматизированной классификации. В процессе исследования будут рассмотрены методы машинного анализа и оптимизации целевой функции спектрального распределения источников излучения, основанные на применение широко распространённых специализированных библиотек языка программирования Python. Результатами проведенного исследования является концептуальное описание решения двух задач, которые впоследствии могут быть востребованы как часть комплексного процесса проектирования режимов работы систем управляемого светодиодного освещения. Первая задача - оптимизация выбора мощности излучения RGB компонент светодиодной лампы при условии приближения целевой функции спектрального распределения к эталонному источнику излучения. Вторая задача - автоматизированная классификация источников света в зависимости от их спектральной характеристики в целях предварительной подготовки исходных данных для проектирования или последующей эксплуатации систем освещения. В заключительной части статьи рассмотрен способ совместного применения указанных решений в рамках системного подхода и сделано предположение об актуальности более детальной проработки указанных решений.
Ключевые слова: Режим работы, светодиод, классификация, машинное обучение, оптимизация, спектр излучения, искусственное освещение, проектирование, САПР, идентичность
DOI: 10.25136/2306-4196.2017.5.24012 Дата направления в редакцию: 24-09-2017 Дата рецензирования: 17-09-2017
Данное научное исследование проводится при поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «УМНИК» по теме «Разработка интеллектуального модульного программно-аппаратного комплекса для генерирования программы управления регулируемыми системами освещения» в рамках договора № 11523ГУ/2017 от 19.05.2017 г.
Abstract. The authors of the article examine issues related to increasing efficiency of computer-assisted design of lighting, in particular, transferring from design decision-making methods in the process of selecting lighting modes with the manageable spectrum based on the expert evaluation towards man-computer approaches. The authors of the given research apply the aforesaid approaches to one of the basic qualitative property of light emission, in particular, spectral radiant intensity. The authors describe methods for selecting optimal
properties of artificial light sources as well as methods of their automated classification. In the process of their research the authors analyze methods of computer-aded analysis and optimization of the target function of the lighting spectral distribution based on application of widely used specialized programming language libraries Python. As a result of the research, the authors offer a conceptual description of two solutions that can be used in a complex process of manageable LED lighting operations design. The first solution allows to optimize the process of selecting the LED-based lamp RGB component emission power in case of approximation of the spectral distribution target function to the emission source. The second solution offers an automated classification of lighting sources depending on their spectral properties in order to prepare initial data for desinging or operating lighting systems. In conclusion, the authors analyze how these two solutions can be used in their combination within the framework of the systems approach and make suggestions about how these solutions can be developed further.
Keywords: identity, operation, LED, classification, machine learning, optimization, emission spectrum, artificial lighting, designing, CAD
Введение.
В настоящее время все большее применение находят источники света на базе светоизлучающих диодов (СИД) и если на этапе их раннего массового внедрения наиболее остро стояли вопросы их стоимости и технологичности, то после приведения данных характеристик к приемлемым показателям, светотехническая в целом отрасль начала постепенно смещать акценты в сферу их функционального применения. Так в настоящее время все более активно развиваются, различные направления светодиодной техники в частности с применением белых светодиодов для изготовления ламп различного форм-фактора (ретро-лампы, лампы с удаленным люминофором, управляемые светодиодные лампы). В настоящее время рынок уже готов активно принять, управляемые источники света, основанные на белых светодиодах с различной
цветовой температурой излучения -Ш. Дополнительно определенный оптимизм в части развития систем светодиодного освещения с управляемым спектром излучения вселяет
прогноз перспектив развития систем человеко-ориентированного освещения которые также во многом наиболее рационально базировать на технологиях СИД.
В свете сказанного становится очевидной необходимость обоснованного выбора источников света сообразно решаемой перед системой освещения задаче. Однако решение данной задачи является сложным и трудоемким процессом, в виду её комплексного характера. Так в зависимости от требований заказчика, при проектировании освещения могут быть учтены не только базовые требования обеспечивающие необходимые условия безопасного и комфортного освещения, но также и определённые требования по эстетическому воздействию или незрительному воздействию освещения (например, в части управления подавлением выработки мелатонина). Данная статья продолжает развитие ранее выдвинутой коллективом авторов идеи применения в САПР новых методов проектирования, в части обследования, расстановки и выбора режимов работы осветительных приборов системы искусственного освещения и дополняет их двумя концепциями решения подзадач потенциально применимых при комплексном-системном подходе к организации систем освещения с управляемым спектром излучения.
Оптимизация мощности излучения светодиодной лампы для обеспечения
идентичности излучения эталонному источнику света.
Свет оказывает значимое воздействие на организм человека, создавая необходимые условия для выполнения действий связанных со зрительной активностью, а также участвует в регулировании циркадных ритмов человека путем подавления секреции
мелатонина J41. Современные светодиодные источники света имеют некоторые особенности, отличающие их излучение от традиционных источников света (ламп накаливания) близких по своему спектральному составу к непрерывному спектру излучения абсолютно черного тела, а также естественных эталонов дневного света. Однако в целях оказания наиболее благоприятного воздействия на организм излучение СИД должно быть с одной стороны приближенно к дневному свету по своему
спектральному составу J51, с другой стороны необходимо чтобы излучение в диапазоне длин волн максимально воспринимаемых пигментом меланопсином было согласовано с биологическими ритмами человека [6,7].
Ввиду того, что в процессе эволюции зрительная система человека в целом и спектральная чувствительность органов зрения в частности формировались под
воздействием естественного дневного света J81, возможно сделать предположение об актуальности имитации спектра излучения дневного света в системах искусственного освещения.
В данной работе решение данной задачи представлено в концептуальном виде на примере оптимизации спектра излучения управляемой светодиодной лампы с возможностью независимого регулирования по трем каналам излучения R- красный G-зеленый B-синий.
Ввиду того, что в рамках данной статьи не стоит задача анализа характеристик конкретной светотехнической продукции, а также ввиду ограниченности доступных
коллективу авторов на момент выполнения исследования средств измерения J91, в данной работе не будет приведена конкретная марка светодиодной лампы. Спектр излучения данной лампы при активации RGB (справа налево) каналов излучения представлен на рисунке 1. В качестве эталонного источника была выбрана спектральная характеристика весьма распространенного стандартизованного источника дневного света - D65. В рамках проводимого исследования каждая из RGB компонент представлялась в качестве независимого источника света.
Рисунок 1. Спектр излучения лампы.
Для обеспечения унификации при проведении исследования излучение источников света рассматривалось в диапазоне длин волн от 380 до 780 нм.
Данные по каждому из источников излучения (ИИ) были представлены в виде вектора
длинной 400 элементов, где первый элемент — это условная мощность излучения источника в области длинны волны 400 нм, второй элемент - 401 нм, третий 402 - нм и соответственно последний элемент - 780 нм.
Учитывая характер распределения излучения очевидно, что для каждой из отдельных составляющих RGB существенная часть данного вектора будет заполнена нулевыми значениями.
В таблице 1 представлен срез данных демонстрирующая характер распределения плотности излучения ИИ. На пересечении строк и столбцов таблицы представлена условная мощность излучения в точке.
Таблица 1. Срез спектральной характеристики ИИ
ИИ 456 нм 457 нм 458 нм 459 нм 460 нм ... 611 нм 612 нм 613 н
D65 117.4904 117.5708 117.6512 117.7316 117.812 89.40906 89.21902 89.0289
B 6.8000 5.1000 2.5500 5.1000 2.550 0.00000 0.00000 0.0000С
G 0.0000 0.0000 0.0000 0.0000 0.000 0.00000 0.00000 0.0000С
R 0.0000 0.0000 0.0000 0.0000 0.000 12.70000 10.20000 10.2000
В рамках данной статьи наиболее наглядно будет выглядеть графическое распределение спектральной характеристики, представленное на рисунке 2. В данном случае все ИИ приведены к единому относительному масштабу, масштабирование проводилось относительно максимальной величины излучения для каждого источника. В данном случае RGB составляющие показаны вместе на одной кривой.
Рисунок 2. Спектральное распределение излучения ИИ
Некоторые отличия от распространённой колоколообразной формы идеальных кривых спектрального распределения можно объяснить, как отмеченным ранее несовершенством доступной измерительной техники, так и особенностями конструкции светодиодной лампы. Тем не менее в рамках данного исследования эти отклонения не носят критически значимого характера.
Для обеспечения идентичности масштаба необходимой для оптимизации мощности излучения, условная мощность излучения ИИ была на основании спектральной характеристики была приведена к условной мощности характерной для светового потока в 100 лм. Затем в рамках данной условной задачи для мощности излучения RGB составляющих ИИ были применены следующие соотношения масштабов (близкие к реальным): R = G*0.62, B= G*0.44.
Определив исходные данные рассмотрим целевую функцию. С одной стороны, очевидно, что:
где:
^гдЬ) - спектральная плотность распределения лампы
wb,wg,wr - соответственно весовые коэффициенты мощности излучения для ИИ
- спектральные плотности распределения мощности ИИ.
При этом необходимо, чтобы разница между спектральной характеристикой лампы и эталонного источника были минимальными. В данном случае для обеспечения определенной независимости результата целевой функции от масштаба исходных данных для целевой функции была принята следующая формула:
|/(гдЬ)-/(Д65)| /(£>65)
mm
где:
f(D65) - спектральная плотность распределения источника D65
для упрощения процедуры минимизации целевой функции воспользуемся готовыми программными разработками реализованными в библиотеке scipy.optimize Оптимизации в данном случае будут подлежать весовые коэффициенты при функциях спектральных распределений ИИ. Учитывая, ограниченней накладываемые на коэффициенты весов физической природой процесса, для оптимизации необходимо применять методы, предполагающие ограничение аргумента, с одной стороны областью неотрицательных значений, с другой стороны разумными пределами мощности, в данном случае были приняты ограничения в диапазоне от 0 до 1 (100%). В рамках используемой библиотеки представлены три метода поддерживающие оптимизацию с ограничениями аргумента: Sequential Least SQuares Programming optimization algorithm (SLSQP), L-BFGS-B, Truncated Newton algorithm (TNC).
Результаты оптимизации целевой функции по каждому из трех алгоритмов представлены в таблице 2.
Таблица 2. Результаты работы алгоритма оптимизации.
Показатель SLSQP L-BFGS-B TNC
Целевая функция 0.5848510726139161 0.58485890975147781 0.5849879754009486
wb 0.44395136 0.44188506 0.45042302
wg 0.74228265 0.74074713 0.74234659
wr 0.69531804 0.69514211 0.69500065
Как видно из таблицы, различия между методами незначительны, далее будут приняты результаты оптимизации по алгоритму - SLSQP.
Рассмотрим полученные результаты в графическом виде (рисунок 3)
Спектральное распределение (масштабированное)
о.о<н
в
X (I
Т
5 о ооз
ЭБ Л
I-£
| 0.002 <Е
п
X 3
С.
а*
5 0,001
о т
Ь
ома
¡ню 450 ЯК) »0 650 700 750
Дп^НЙ ВОЛНЫ [иц)
Рисунок 3. Спектральное распределение излучения ИИ после оптимизации.
Безусловно ввиду изначальных ограничений светодиодов, установленных в лампе, невозможно достижение полного соответствия кривых, однако ввиду четкой детерминированности и математической обоснованности результата, предполагается возможным выдвинуть гипотезу о том, что полученная характеристика, превзойдет большинство вариантов установленных вручную оператором, при условии, что он полагается исключительно на субъективные ощущения. Сравним координаты цветности источников. Для D65 характерны следующие координаты цветности в цветовом пространстве CIE 1931 для случая стандартного наблюдателя: x=0.31271, у=0.32902, аналогично для излучения искусственного ИИ получим следующие координаты: x=0.2883 0.3694, что можно приблизительно трактовать как значение цветовой температуры соответствующее области около 7500 К. Безусловно отклонение значительное, однако оно с одной стороны всё-таки позволяет отнести полученное излучение к классу дневного освещения, а с другой стороны полученный результат вполне вероятно может быть улучшен при соответствующем изменении целевой функции, за счет добавления в нее параметров связанных с критерием идентичности цветовой температуры ИИ.
Схожим образам, возможно оптимизировать и управление интенсивностью излучения (освещенностью в помещении) от светильников, в том числе с учетом их оптимального расположения. Объединение данных условий может оказать синергетический эффект.
Автоматическая классификация ИИ с помощью их спектральных характеристик.
В ранее опубликованной работе коллектива авторов статьи предлагалась концепция интеллектуального модульного ПАК для генерации программы управления
регулируемыми системами освещения данной концепцией предполагался сбор
данных непосредственно на объекте строительства в целях верификации исходных данных и принятых предварительных проектных решений. Учитывая потенциально значительные объемы световых точек, которые могут быть предусмотрены проектом, целесообразно автоматизировать максимально возможное количество операций (с учетом, технико-экономического обоснования). Одной из таких операций является классификация источника света, данная операция может применять как на этапе подготовки исходных данных, так и в процессе дальнейшей эксплуатации системы освещения в рамках жизненного цикла объекта строительства.
В настоящее время существует множество инструментов, позволяющих автоматизировать процедуру классификации данных, при этом многие задачи имеют схожие способы
решения, таким образом, например, обзор данных средств, представленный в
исследовательской работе коллектива из МГТУ им. Баумана-^12!, во многом актуален и для данной работы несмотря на различные сферы применения. Для решения задачи классификации был выбран язык общего назначения Python и разработанная для него распространенная библиотека машинного-обучения scikit-learn, в частности набор
алгоритмов для классификации Random Forest Classifier («Случайный лес») t13!. Ввиду того, что задача классификации источников света по разным параметрам на основании спектральной характеристики - достаточно обширная тема, выходящая за рамки данной статьи, в настоящей работе будет рассмотрен только демонстрационный пример, отражающий данную концепцию.
Для наглядности демонстрации рассмотрим задачу двуклассной классификации, по условиям задачи будет необходимо разработать модель, способную по спектральным характеристикам ИИ различить люминесцентную лампу и лампу на базе СИД.
Набор данных состоит из обучающей и тестовой выборки соотношение объектов в выборке представлено в таблице 3.
Таблица 3. Распределение элементов в наборе данных.
Группа ИИ Кол-во элементов. Учебная выборка (шт.) Кол-во элементов. Контрольная выборка (шт.)
Светодиодные лампы 30 11
Люминесцентные лампы 30 11
Спектральные характеристики ИИ по одному для каждой из групп представлены на рисунке 4.
'SO 400 430 5ЯС WO W «О 700
к_
-*-%-
850 «0 +50 ИЮ да! Я» ей) Г'.Т'
Рисунок 4. Спектральные характеристики светодиодная лампа (сверху), люминесцентная
лампа (снизу).
Для удобства классификации спектральные характеристики ИИ были приведены к единой форме в виде 300 признаков являющихся по сути условной мощностью излучения в дискретном диапазоне длин волн от 390 до 690 нм. Целевой меткой для каждой из записей является отнесение к одному из двух классов ИИ: 0 -СИД лампа, 1 -люминесцентная лампа.
Срез таблицы данных обучающей выборки представлен в таблице 4
Таблица 4 Срез данных обучающей выборки.
390 391 392 ... 688 689 690 Метка
0.63750 0.0 1.699999 0.0 0.0 0.0 0
39.0637 41.8491 47.0 2.0 2.0 2.0 0
4.0 4.0 4.0 6.0 6.0 6.0 0
8.93622 8.0 7.0 7.0 7.0 7.0 0
2.0 3.0 4.0 4.0 4.0 4.0 0
10.0 9.0 10.03232 2.222462 2.0 2.0 0
6.0 7.0 7.688888 2.0 2.0 2.0 1
0.0 1.0 1.0 2.0 0.0 0.0 1
Для классификации применялась модель «Случайный лес» с количеством «решающих деревьев» равным 300, максимальная глубина «дерева» составляет 5. Результаты предсказания модели обученной на данной выборке применительно к контрольной выборке представлены в таблице 5.
Таблица 5 Результаты работы модели.
№ позиции 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Пред. класс 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 0 1 1 1
Факт. класс 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
Точность предсказания 0.86
Как видно модель, обученная на демонстрационном наборе данных, обеспечивает достаточно высокую точность предсказания. Отдельно необходимо отметить, что ввиду, того что в выборке присутствуют ИИ различного качества излучения и назначения, например, RGB СИД лампы, лампы белого света, компактные люминесцентные лампы и трубчатые - с электромагнитным и электронным ПРА. Учитывая схожесть спектральных характеристик для некоторых типов светодиодных и люминесцентных ламп, даже опытному специалисту может быть затруднительно провести ручную классификацию с более высокими показателями точности.
Также возможно проведение классификации по другим параметрам излучения ламп: по индексу цветопередачи, интенсивности излучения, цветовой температуры, воздействию на секрецию мелатонина и др.
Автоматическая классификация кривой силы света осветительных приборов.
Другим возможным примером применения технологий машинного обучения, для облегчения задачи светотехнического проектирования является решение задачи классификации источников света на основании их распределения интенсивности излучения в пространстве или по-другому на основании так называемых кривых сил света (КСС) осветительного прибора. С одной стороны, необходимо отметить, что в нормативных документах четко прописана методика, позволяющая на основании аналитических процедур классифицировать определить кривые силы света на основании
соответствующего коэффициента и углового диапазона максимальной силы света i14!.
Также необходимо отметить, что квалифицированный специалист, может не прибегая к формулам аналитического определения типа КСС, провести его классификацию основываясь исключительно на эмпирическом подходе.
Тем не менее целесообразно проверить возможность качественного решения данной задаче с помощью инструментария машинного обучения. Ввиду наличия аналитической формулы приемлемым результатам классификации можно принять исключительно 100% соответствие определенных моделью типов КСС их фактическому типу. Из
представленного набора данных были выбраны осветительные приборы с КСС следующих типов: Г, Д, Л. Данные типы КСС имеют существенные отличия и могут быть достоверно классифицированы специалистом даже при беглом визуальном анализе без необходимости применения математического аппарата.
Количество элементов в выборке, используемой для исследования распределено следующим образом (таблица 6):
Таблица 6. Количество элементов в наборе для классификации КСС.
Тип выборки/ Тип КСС Концентрированная (К), шт. Косинусная (Д), шт. Полуширокая (Л), шт.
Обучающая 39 39 28
Контрольная 12 12 9
В качестве признаков используется сила света при азимутальном угле равном нулю и в диапазоне полярных углов от 0 до 180, с шагом 10. В качестве меток типов КСС применялись следующие значения: 1 - К, 3 - Д, 4 - Л. Для процедуры классификации также применялась модель Random Forest Classifier, с предварительно проведенным масштабированием сил света каждой записи таблицы, таким образом значения сил света в каждом стоке находились в диапазоне от 0 до 1.
Результаты классификации представлены в следующем виде (предсказано, фактическое):
(1, 1), (1, 1), (1, 1), (1, 1), (1, 1), , (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1),
(3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3),
(4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4)
Таким образом в данном случае, модели удалось достигнуть требуемой 100% точности предсказания, сопоставимые с результатами характерными для эмпирического и аналитического решения задачи.
Применение полученных решений с позиции автоматизированного проектирования.
Кратко рассмотрим перспективы практической применения полученных результатов в целях совершенствования существующих подходов проектирования.
1. Оптимизация спектральной характеристики излучения. Данная функция может быть востребована при разработке сценариев управления системой освещения в том числе с учетом достигаемого экономического и биологического эффекта. В настоящее время при решении данной задачи специалисту в подавляющем большинстве случаев приходится ориентироваться на грубые эмпирические методы или же проводить трудоемкую аналитическую оценку. Полученные результаты показали приемлемое качество оптимизации излучения источника света с целью
достижения максимально возможной в рамках технических и конструктивных ограничений идентичности требуемому эталону, при этом трудоемкость данного метода существенно ниже за счет применения методов автоматической оптимизации.
2. Классификация ИИ по их спектру. Данная функция может быть востребована в качестве вспомогательной функции в случае предварительной обработки исходных данных источников света, таким образом в случае непредставлении производителем необходимых данных о типе источника света, применение средств машинного обучения может значительно упростить процедуру их корректной идентификации проектировщиком, что может быть критично для тех случаев, когда искусственное освещение должно быть организованно с применением конкретных типов ИИ.
3. Классификация осветительных приборов по КСС. В случае способа применения методов машинного обучения аналогичного указанному в демонстрационном примере, решение задачи с применением методов машинного обучения не имеет существенных преимуществ перед существующей аналитической методикой при условии автоматизации вычислений. Однако при развитии данной идеи, возможно обучение модели для более тонкой классификации КСС в рамках поддиапазонов, когда заложенный в нормативе тип КСС может быть дополнительно разбит пользователем на подгруппы, применение которых будет наиболее адекватно для каждого конкретного случая. В таком случае процедура перенастройки модели может оказаться существенно менее затратной по сравнению с разработкой аналитических критериев и не потребует от пользователя высокой классификации в области математического анализа.
Заключение.
В данной работе были представлены две концепции, направленные на улучшение процедуры автоматизированного проектирования систем искусственного освещения, базирующиеся на оценке спектральных характеристик ИИ. Несмотря на возможную актуальность применения данных концепций по отдельности, наибольшего эффекта возможно достичь при их совместном применении, в том числе в рамках упомянутой выше концепции интеллектуального модульного ПАК, что особенно актуально учитывая комплексный характер решаемой задачи. Так, например, автоматизированный подбор спектральных характеристик, должен быть увязан с критериями комфорта и безопасности отраженными в существующей нормативной документации, при этом необходимо учесть требования по энергосбережению, перспективы биологического воздействия выбранных режимов работы систем освещения, расположение осветительных приборов и простоту последующей эксплуатации систем освещений, а также с процедурой программирования вычислительных систем на этапе пуско-наладки. Основываясь на изложенном выше материале представленной работы, можно сделать заключение об актуальности дальнейшего развития концепции как в части разработки ее отдельных элементов, так и их объединения в рамках системного подхода.
Библиография
1. Goswami I. Explore and control LED-based tunable-white lighting // LEDs magazine. 2016. №91 С.45-47.
2. Human Centric Lighting: Going Beyond Energy Efficiency // lightingeurope.org Publications-2013. URL:
http://www.lightingeurope.org/images/pubNcations/general/Market_Study-Human_Centric_Lighting._Final_July_2013.pdf (дата обращения: 18.08.2017).
3- Ульянов Р.С., Шиколнеко И.А., Величкин В.А., Завьялов В.А. Перспективы применения в САПР новых методов проектирования, в части обследования, расстановки и выбора режимов работы осветительных приборов системы искусственного освещения. // Кибернетика и программирование. — 2017.-№ 1.-С.94-106
4. DIN SPEC 5031-100:2015-08. Optical radiation physics and illuminating engineeringPart 100: Non-visual effects of ocular light on human beings-Quantities, symbols and action spectra. — 2015. — 33 с.
5. Корсакова Е. А., Слезин В. Б., Шульц Е. В., Аладов А. А., Закгейм А. Л., Мизеров М. Н. Воздействие белого света с варьируемой цветовой температурой на электроэнцефалограмму человека // ВНМТ. 2012. №4. С.30-33
6. Дейнего В. Н., Капцов Валерий Александрович Гигиена зрения при светодиодном освещении. Современные научные представления // Гигиена и санитария. 2014. № 5. С.54-58
7. Дейнего В. Н., Капцов Валерий Александрович Свет энергосберегающих и светодиодных ламп и здоровье человека // Гигиена и санитария. 2013. №6. С.81-84
8. Никифоров Сергей Физические аспекты восприятия полупроводникового света человеческим глазом // Компоненты и Технологии. 2008. №89. С.84-94
9. Public Lab contributors. Public Lab: Smartphone spectrometer [Электронный ресурс]. / Public Lab contributors. — 2017. URL: http://publiclab.org/wiki/smartphone-spectrometer (дата обращения: 10.08.2017).
10. The Scipy community. Optimization (scipy.optimize) [Электронный ресурс]. / The Scipy community. — 2017. URL:
https ://docs.scipy.org/doc/scipy/reference/tutorial/optimize.html (дата обращения: 17.08.2017).
11. Величкин В.А. Завьялов В.А., Ульянов Р.С., Шиколенко И.А. Концепция интеллектуального модульного ПАК для генерации программы управления регулируемыми системами освещения. / В, и др. // Естественные и технические науки. — 2017. - № 6. — С. 141-143.
12. Белоножко П. П., Белоус В. В., Карпенко А. П., Храмов Д. А. Инструментальные средства для автоматизированной количественной оценки метакомпетенций учащихся. Обзор // НАУКА и 0БРАЗ0ВАНИЕ-2016.-№ 6.-С. 9-42. 13.
13. Sklearn.ensemble.RandomForestClassifier [Электронный ресурс]. / Scikit-learn developers.-2017. URL: http://scikit-
learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html (дата обращения: 18.08.2017).
14. ГОСТ Р 54350-2011. Приборы осветительные. Светотехнические требования и методы испытаний. М.: Стандартинформ, — 2011. — 37 с.
15. ML_light_sources_classification [Электронный ресурс]. / bosonbeard. — 2017. URL: https ://github.com/bosonbeard/ML_light_sources_classification/tree/master/2nd_class_ of_lum_by_LIDC (дата обращения: 17.09.2017).
References (transliterated)
1. Goswami I. Explore and control LED-based tunable-white lighting // LEDs magazine. 2016. №91 S.45-47.
2. Human Centric Lighting: Going Beyond Energy Efficiency // lightingeurope.org Publications-2013. URL:
http://www.lightingeurope.org/images/publications/general/Market_Study-
Human_Centric_Lighting._Final_July_2013.pdf (data obrashcheniya: 18.08.2017).
3. Ul'yanov R.S., Shikolneko I.A., Velichkin V.A., Zav'yalov V.A. Perspektivy primeneniya v SAPR novykh metodov proektirovaniya, v chasti obsledovaniya, rasstanovki i vybora rezhimov raboty osvetitel'nykh priborov sistemy iskusstvennogo osveshcheniya. // Kibernetika i programmirovanie. — 2017.-№ 1.-S.94-106
4. DIN SPEC 5031-100:2015-08. Optical radiation physics and illuminating engineeringPart 100: Non-visual effects of ocular light on human beings-Quantities, symbols and action spectra. — 2015. — 33 s.
5. Korsakova E. A., Slezin V. B., Shul'ts E. V., Aladov A. A., Zakgeim A. L., Mizerov M. N. Vozdeistvie belogo sveta s var'iruemoi tsvetovoi temperaturoi na elektroentsefalogrammu cheloveka // VNMT. 2012. №4. S.30-33
6. Deinego V. N., Kaptsov Valerii Aleksandrovich Gigiena zreniya pri svetodiodnom osveshchenii. Sovremennye nauchnye predstavleniya // Gigiena i sanitariya. 2014. №5. S.54-58
7. Deinego V. N., Kaptsov Valerii Aleksandrovich Svet energosberegayushchikh i svetodiodnykh lamp i zdorov'e cheloveka // Gigiena i sanitariya. 2013. №6. S.81-84
8. Nikiforov Sergei Fizicheskie aspekty vospriyatiya poluprovodnikovogo sveta chelovecheskim glazom // Komponenty i Tekhnologii. 2008. №89. S.84-94
9. Public Lab contributors. Public Lab: Smartphone spectrometer [Elektronnyi resurs]. / Public Lab contributors. — 2017. URL: http://publiclab.org/wiki/smartphone-spectrometer (data obrashcheniya: 10.08.2017).
10. The Scipy community. Optimization (scipy.optimize) [Elektronnyi resurs]. / The Scipy community. — 2017. URL:
https ://docs.scipy.org/doc/scipy/reference/tutorial/optimize.html (data obrashcheniya: 17.08.2017).
11. Velichkin V.A. Zav'yalov V.A., Ul'yanov R.S., Shikolenko I.A. Kontseptsiya intellektual'nogo modul'nogo PAK dlya generatsii programmy upravleniya reguliruemymi sistemami osveshcheniya. / V, i dr. // Estestvennye i tekhnicheskie nauki. — 2017. -№ 6. — S. 141-143.
12. Belonozhko P. P., Belous V. V., Karpenko A. P., Khramov D. A. Instrumental'nye sredstva dlya avtomatizirovannoi kolichestvennoi otsenki metakompetentsii uchashchikhsya. Obzor // NAUKA i 0BRAZ0VANIE-2016.-№ 6.-S. 9-42. 13.
13. Sklearn.ensemble.RandomForestClassifier [Elektronnyi resurs]. / Scikit-learn developers.-2017. URL: http://scikit-
learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html (data obrashcheniya: 18.08.2017).
14. GOST R 54350-2011. Pribory osvetitel'nye. Svetotekhnicheskie trebovaniya i metody ispytanii. M.: Standartinform, — 2011. — 37 s.
15. ML_light_sources_classification [Elektronnyi resurs]. / bosonbeard. — 2017. URL: https ://github.com/bosonbeard/ML_light_sources_classification/tree/master/2nd_class_ of_lum_by_LIDC (data obrashcheniya: 17.09.2017).
