本技术涉及灯光设计的领域，尤其是涉及一种客厅灯光智慧调节方案的部署和控制方法。
背景技术：
1、在现代家居环境中，客厅作为日常活动的主要场所，其灯光系统扮演着极其重要的角色。灯光系统的设计不仅需要满足基本的照明需求，还应当考虑到用户在不同活动和环境下的个性化需求。用户可能需要在阅读、娱乐或休息等不同情境中切换至适宜的灯光模式，以增强舒适度和功能性。
2、随着技术的进步，家庭中的灯具种类和功能日益增多，这虽然在提供多样化照明选项方面具有优势，却也给用户在日常生活中调节灯光带来了不便。多功能的灯光系统需要用户进行复杂的操作，以选取最合适的照明设置，这在一定程度上减少了智能灯光系统的使用便利性。
3、在智能家居领域，为了解决上述问题，灯光控制系统逐渐融入了机器学习技术，通过分析用户行为数据，学习和预测用户的灯光偏好。然而，当前普适性的机器学习模型往往体积庞大，需要进行大量复杂的计算。这些计算在特征处理和模式识别过程中需要耗费相当的时间，使得系统的响应时间延长。考虑到灯光控制对实时反应的高要求，模型的计算延迟显著影响了用户体验。此外，大多数家用灯光控制系统所采用的本地控制芯片在算力上受限，难以快速处理复杂的模型计算，从而进一步放大了响应时间的问题。
技术实现思路
1、为了设计一个即便在计算能力有限的芯片上也能快速响应的灯光控制系统，在保证计算效率的同时，兼顾系统的功能性和用户的操作便捷性，本技术提供一种客厅灯光智慧调节方案的部署和控制方法。
2、第一方面，本技术提供的一种客厅灯光智慧调节方案的部署和控制方法，采用如下的技术方案。
3、一种客厅灯光智慧调节方案的部署和控制方法，包括以下步骤：
4、s1.收集客厅的图像数据并基于图像数据识别用户行为并上传云端；
5、s2.在云端加载基于用户大数据进行用户行为学习并根据用户行为来选择客厅灯光模式的预训练原始模型；
6、s3.确定用户行为对应于预训练初始模型的权重，并基于用户行为与权重的相关性确定需要修剪的权重；
7、s4.控制云端基于用户行为权重对预训练初始模型进行修剪得到轻量化控制模型；
8、s5.下载轻量化控制模型到本地并部署；
9、s6.获取客厅的实时图像数据并输入轻量化调节模型，基于轻量化调节模型的输出结果控制客厅灯光。
10、可选的，所述s3包括以下步骤：
11、s31.获取预训练初始模型的权重矩阵；
12、s32.遍历权重矩阵并取每个权重的绝对值；
13、s33.使用皮尔逊相关系数来评估权重与输入特征之间的线性关系，以得到各个权重与用户行为的相关性；
14、s34.基于反向传播算法计算每个权重对损失函数的梯度，其中，权重的梯度越大则表明其对损失函数的影响越大；
15、s35.根据计算出的相关性或梯度大小对权重进行排序；
16、s36.根据排序结果和预先设定的阈值确定需要修剪的权重。
17、可选的，所述s4包括以下步骤：
18、s41.将被识别为不重要的权重移除或置为零；
19、s42.分别移除神经元或卷积核并更新网络的结构的尝试，然后验证修剪结果，若验证通过则进行下一步，若验证不通过则回退操作；
20、s43.使用记录的用户行为数据对修剪后的模型进行微调，以恢复或提高模型的性能；
21、s44.在验证集和测试集上评估修剪后的模型性能，确保模型的预测准确性没有超过预设阈值。
22、可选的，所述s2中的预训练原始模型的预训练步骤包括：
23、s21.设定神经网络模型作为基础模型，并基于用户行为对应的输入向量设计输入层，基于用户行为和灯光调节方案的关联性设计隐藏层，并设计以softmax函数作为激活函数的输出层；
24、s22.将用户大数据整合为输入特征，并将其划分为训练集、验证集和测试集；
25、s23.基于训练集数据对模型进行训练并优化网络权重，其中，损失函数为交叉熵函数，评价指标为准确率，优化算法为梯度下降；
26、s24.基于验证集监控模型性能，其中，在监控过程中，当性能的提升低于预设幅度时停止训练。
27、可选的，所述s1包括以下子步骤：
28、s11.对客厅的图像数据进行抽帧，并对抽帧的图像进行实例分割；
29、s12.判断分割出来的实例是否处于活动状态，若是则定义为活跃目标；
30、s13.将客厅的图像数据分解为帧序列并进行预处理；
31、s14.将预训练好的resnet模型作为特征处理器，并将每个视频帧通过cnn模型传递，提取出空间特征；
32、s15.将cnn提取的特征序列输入到注意力层，其中，所述注意力层被设计用于对活跃目标进行聚焦；
33、s16.将处理后的特征序列输入到rnn模型中，判断得到人物动作类型和人物互动目标，其中，每个时间步到输入是对应帧到cnn特征；
34、s17.基于人物动作类型和人物互动目标在数据库中匹配得到用户行为。
35、可选的，所述用户行为为特征向量，该特征向量包括时间特征、空间特征、动作类型特征、人物的交互对象特征。
36、可选的，所述s33包括以下步骤：
37、s331.提取预训练初始模型中与所选特征相关联的权重；其中，输入向量为x＝[x1，x2，…xa]，xi为检测到用户活动特征；神经网络的第i个隐藏层有bi个神经元，权重矩阵为w[i]，偏差向量为ci；对于i个隐藏层的第j个神经元，权重向量为ωji与特征xi相关；
38、s332.使用库函数提取权重值；
39、s333.计算ωji与特征xi的皮尔逊相关系数其中，xi是特征的样本值，是样本值的平均值，ωi是对应的权重值，是权重值的平均值；
40、s334.根据计算出的皮尔逊相关系数判断哥哥权重与用户行为的相关性。
41、可选的，所述s34包括以下步骤：
42、s341.定义交叉熵函数为损失函数；
43、s342.对输入数据执行一次正向传播，得到模型输出；
44、s343.使用反向传播算法计算损失函数对每个权重的梯度。
45、可选的，所述s15中注意力层的训练步骤包括：
46、s151.对从cnn提取的特征序列进行标准化，以确保特征序列在相同的尺度上；
47、s152.将特征封装为时间步长的形式；
48、s153.选择加权注意力模型；
49、s154.为所选的注意力模型初始化参数，其中，所述模型初始化参数包括权重矩阵和偏差向量；
50、s155.将特征序列通过注意力层进行一次正向传播，获得模型的输出以显示模型当前对输入特征序列的注意力分配；
51、s156.定义交叉熵函数为损失函数以评估注意力层的输出与期望聚焦的目标之间的差异；
52、s157.进行反向传播，根据损失函数计算梯度，并更新注意力层的参数；
53、s158.在训练数据上验证注意力层的聚焦效果，基于效果验证的结果调整注意力模型的参数。
54、综上所述，本技术包括以下至少一种有益技术效果：
55、1、轻量化模型通常具有较少的参数和较低的计算需求，使得它们能够在资源受限的设备上运行。
56、2、通过对用户行为的学习和分析，系统能够提供个性化的灯光调节方案，满足用户在不同场景下的特定需求，如阅读、观影、聚会等，从而提升用户的居住体验。
57、3、利用图像识别技术和机器学习模型，系统能够自动识别客厅中的活动和环境变化，无需用户手动调节，实现真正的智能化控制。
1.一种客厅灯光智慧调节方案的部署和控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述s3包括以下步骤：
3.根据权利要求2所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述s4包括以下步骤：
4.根据权利要求3所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述s2中的预训练原始模型的预训练步骤包括：
5.根据权利要求4所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述s1包括以下子步骤：
6.根据权利要求5所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述用户行为为特征向量，该特征向量包括时间特征、空间特征、动作类型特征、人物的交互对象特征。
7.根据权利要求6所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述s33包括以下步骤：
8.根据权利要求7所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述s34包括以下步骤：
9.根据权利要求8所述的客厅灯光智慧调节方案的部署和控制方法，其特征在于，所述s15中注意力层的训练步骤包括：
