0 引　言

现代航海科技的飞速发展，船舶已成为联系世界各国的主要运输方式，其内部环境的舒适度与安全性成为了航运业关注的焦点^[1]。船舶舱室作为船员与乘客长时间停留的空间，其照明系统不仅仅是提供基础照明的工具，更是影响工作效率、居住体验及航行安全的关键因素之一。随着智能控制技术的飞速发展^[2]，船舶舱室照明亮度的自动调节系统应运而生，标志着船舶内部环境管理迈向了新的智能化时代。船舶舱室照明亮度的自动调节系统，通过集成先进的传感器技术、数据分析算法与高效节能的LED照明设备，能够根据舱室内的实际光照条件、时间变化、人员活动情况及特定区域的功能需求^[3]，智能调节照明亮度，实现个性化、舒适化、高效照明管理。

基于此，梁波等^[4]提出利用动态优化与智能控制照明亮度调节方法。通过在不同时间、空间环境下，分析现场数据，获得能见度变化规律；构建以可视化、光强等为依据的按需照明与动态优化模型；分割照明场景并与模糊径向基神经网络算法相结合，建立智能调控模型，实现照明亮度调节。照明场景的合理分割是建立智能调控模型的关键，划分不够精细或不合理，会导致模型在特定场景下的调节性能下降。Chen 等^[5]提出了利用支持向量机的照明亮度调节方法。在智能照明系统中增加地理信息技术进行定位，结合支持向量机算法构建一套智能照明调节系统，实时控制与监测照明灯，完成照明亮度调节。支持向量机算法的训练和预测效果依赖于输入数据的质量，数据不准确或存在噪声，将直接影响照明亮度的调节精度。张玉杰等^[6]提出利用改进麻雀搜索算法的照明亮度调节方法。首先，在麻雀搜索算法引入Logistic混沌初值、柯西变异和历史最佳位置函数，结合自然光分布以及多个光源间的耦合效应，构建适合度函数，通过DIALux evo专业灯光模拟软件，获得自然光强传递矩阵与自然光强分布，完成照明亮度调节。改进麻雀搜索算法中的参数设置不当导致算法收敛速度过慢，难以达到预期的调节效果。郭敬等^[7]提出利用遗传模拟退火的照明亮度调节方法。采用遗传模拟退火算法优化求解各控制参数，以寻找全局最优解，通过遗传操作将最优个体代入最优解，根据迭代数和种群适应度，不断调整遗传概率，通过人工神经网络照明亮度模型，求解照度分布，评价照明舒适度，实现调节。遗传模拟退火算法中不恰当的交叉率，突变率参数设置会导致算法陷入局部最优解，影响调节效果。

因此，提出模糊神经网络下船舶舱室照明亮度自动调节方法。使用自适应加权算法清洗收集的船舶舱室照度数据，依据距离平方反比定律和余弦定律确定不同角度的照明亮度，结合模糊神经网络调整变量，修正输出误差，完成船舶舱室照明亮度自动调节。

1 船舶舱室照明亮度自动调节 1.1 船舶舱室亮度数据清洗与估计

为了获取准确的船舶舱室亮度数据，对船舶舱室内外环境亮度、点光源、照射光强信息进行实时采集，并清洗获取的数据，以此得到相对准确的船舶舱室亮度估计值。而传统方法往往忽视了这一步骤，导致直接使用未经处理的亮度数据，可能包含噪声、异常值或不一致性，影响自动调节系统的准确性和可靠性，从而削弱照明系统对环境变化的响应能力，降低船员工作环境的舒适度和安全性。因此，本文通过自适应加权算法消除船舶舱室内环境亮度、点光源、照射光强等数据中的干扰数据，降低计算误差^{[8 − 9]}。多个传感器采集的数据用$ {X_1},{X_2},...,{X_n} $表示，设定权重系数为$ Q $，则经过清洗后的数据如下：

$ X' = \sum\limits_{i = 1}^m {{Q_i}{X_i}}。$

(1)

式中：$ {Q_i} $为第$ i $个数据的权重系数；$ {X_i} $为第$ i $个数据；$ m $为数据数量。

数据清洗后，对船舶舱室亮度数据进行估计，设每个传感器的方差为$ \sigma $，则总方差$ {\sigma ^2} $的表达式如下：

$ {\sigma ^2} = E\left[ {{{\left( {X - X'} \right)}^2}} \right] 。$

(2)

式中：$ E $为期望亮度值。

由于多个传感器采集的数据具有独立性，因此，在同一时间对具有相同参数的传感器采集的船舶舱室数据进行估计。第$ i $个传感器采集的数据平均值是：

$ {\bar X_i} = \frac{1}{m}\sum\limits_{j = 1}^m {{X_j},j = 1,2,...,n}。$

(3)

其估计值、总方差的表达式如下：

$ X' = \sum\limits_{i = 1}^m {{Q_i}{{\bar X}_i}}，$

(4)

$ {\sigma ^2} = E\left[ {{{\left( {X - \bar X'} \right)}^2}} \right] 。$

(5)

选择最佳的权重系数$ Q_i^* $，则$ {\bar \sigma ^2} $存在最小值：

$ \bar \sigma _{\min }^2 = \frac{{Q_i^*}}{m}。$

(6)

从式(6)可知，随着$ m $的增加，传感器的总方差会变小，获得数据则会更准确。

在实际应用过程中，若选择过多的历史数据虽然可以提高系统的容错性能，但同时会降低运行效率和照明灯的响应速度。因此，选择一系列离散时间序列$ t $作为传感器数据估计真实值：

$ X'\left( t \right) = \sum\limits_{i = 1}^m {{Q_i}\left( t \right){X_i}\left( t \right)}。$

(7)

通过上述分析可知，采用自适应加权融合算法连续运算时间序列上的相关光源数据，获得最佳的权重系数与最小方差亮度估计数据，以此有效提升数据的质量，为自动调节系统提供精准的基础，确保照明系统能够根据实际需求做出更加智能、合理的调节。

1.2 模糊神经网络下船舶舱室照明亮度自动调节

通过自适应加权算法消除了船舶舱室内环境亮度、点光源、照射光强等数据中的干扰数据，接下来计算船舶舱室照度参数，作为后续模糊神经网络的输入，通过模糊神经网络输出参数调节结果，实现亮度调节。结合不同船舶舱室生活与工作区域情况，计算其照度，保证满足不同船舶舱室的亮度需求。

依据余弦定律求解点光源的照度^[10]，点光源$ S $照射水平面生成的照明亮度$ {E_h} $如下：

$ {E_h} = \frac{{{I_\theta }}}{{{R^2}}}\cos \theta = \frac{{{I_\theta }\cos \theta }}{{{{\left(\displaystyle {\frac{h}{{\cos \theta }}} \right)}^2}}} = \frac{{{I_\theta }{{\cos }^2}\theta }}{{{h^2}}}。$

(8)

点光源$ S $的垂直面照明亮度$ {E_v} $的表达式为：

$ {E_v} = \frac{{{I_\theta }}}{{{R^2}}}\sin \theta = \frac{{{I_\theta }\sin \theta }}{{{{\left(\displaystyle {\frac{h}{{\cos \theta }}} \right)}^2}}} = \frac{{{I_\theta }{{\cos }^2}\theta \sin \theta }}{{{h^2}}}。$

(9)

式中：$ h $为光源到水平面的高度。

船舶舱室照明系统受到多种因素影响，如外界光线变化、舱室使用需求等，这些因素往往具有模糊性和不确定性。传统神经网络往往难以直接处理模糊性和不确定性较高的输入数据，且参数调整缺乏直观性，使得在复杂多变的照明环境中难以精确调控。相比之下，模糊神经网络凭借其强大的模糊处理能力，能够直接对模糊输入进行推理，同时通过网络学习不断优化模糊规则和隶属度函数，实现更为精准的照明亮度调节。因此，通过船舶舱室照度计算确定不同区域所需的光照强度，并将船舶舱室照度参数输入至模糊神经网络^[11]中展开照明亮度控制调节，实现既节能又满足人员需求的效果。

将计算得到的照度参数$ {E_h} $和$ {E_v} $作为模糊神经网络的输入，并对输入的照度参数$ {E_h} $和$ {E_v} $进行模糊化处理，转换为模糊语言变量^{[12 -13]}：

$ {\mu _A}\left( {{E_h},{E_v}} \right) = \exp \left( { - \frac{{{{\left( {{E_h}{E_v} - c} \right)}^2}}}{{2{\sigma ^2}}}} \right)。$

(10)

式中：$ {\mu _A}\left( {{E_h},{E_v}} \right) $为模糊隶属度函数；$ c $为模糊集的中心。

根据专家知识或经验建立模糊规则库，如果$ {E_h} $和$ {E_v} $过低，则输出“增加亮度”。如果$ {E_h} $和$ {E_v} $过高，则输出“减少亮度”。

根据输入的模糊语言变量和模糊规则库进行模糊推理，得到模糊输出^[14-15]，并将模糊输出转换为具体的亮度调节值：

$ y = \frac{{\displaystyle\sum\limits_{i = 1}^m {{\mu _i}\left( {{E_h},{E_v}} \right) \cdot {y_i}} }}{{\displaystyle\sum\limits_{i = 1}^m {{\mu _i}\left( {{E_h},{E_v}} \right)} }}。$

(11)

式中：$ y $为去模糊化后的输出值；$ {\mu _i}\left( {{E_h},{E_v}} \right) $为第$ i $个模糊集的隶属度；$ {y_i} $为第$ i $个模糊集对应的输出值。

根据去模糊化后的输出值$ y $，调节船舶舱室的照明亮度，由此实现船舶舱室照明亮度自动调节。

2 船舶舱室照明亮度自动调节实验

为了验证所提方法的自动调节性能，选择遗传模拟退火算法、改进麻雀搜索算法，进行对比实验。实验地点为驾驶舱、机舱、船员宿舍、乘客舱、储藏室、休息区等10个不同区域，其中1～4号为工作区域，5～10号为生活休息区域。相关参数如表1所示。

从图1可知，随着时间的推移，所提方法尽管耗电量有所上升，但相对于其他2种方法始终保持在较低水平。说明所提方法在调节船舶舱室照明亮度时，能够有效控制能耗，避免不必要的能源浪费。与所提方法相比，遗传模拟退火方法、改进麻雀搜索方法的耗电量明显较高，波动较大。证明二者在调节照明亮度时，需要更多的能源支持，从而导致能耗增加。综上，说明所提方法能够实现船舶舱室照明亮度自动调节，既保证舱室内的照明需求，又避免因过度照明而产生的能源浪费。

为了进一步证明所提算法的照明效果，通过照度与显色性作为评价指标，保证各区域的安全性与舒适性，3种方法的照度与显色指数比较，如图2和图3所示。

从图2可知，所提方法的照度值在1～4号舱室都保持在400～500 lx，能够有效地为工作人员提供稳定且适宜的照明环境，增强工作区域安全性；5～10号舱室在300 lx以下，保证了基本照明亮度，且减少资源浪费。遗传模拟退火方法与改进麻雀搜索方法的区域照度效果较差，不论是工作区域还是生活区域数值都处于100～350 lx，虽然生活休息区域具有较好的照明效果，但工作区域照度较差，会导致驾驶员的视觉疲劳，增加驾驶过程中的不确定性和风险。总而言之，所提方法对船舶舱室照明亮度自动调节性能较佳，能够满足各区域要求，保证工作区域安全性与生活休息区域舒适性。

由图3可知，所提方法的显色指数均大于90，具有高显色性，能够高度还原舱室内物体的颜色，使色彩看起来鲜艳且自然，帮助驾驶员在进行需要高度色彩识别任务时，做出更为准确的判断。与其他2种方法相比，遗传模拟退火方法的显色指数相对较低，在颜色还原方面表现一般，虽然不会造成严重的颜色失真，但在需要高度色彩识别的工作场景中，会影响对物体颜色的准确判断。改进麻雀搜索方法与遗传模拟退火方法相比，在3、8、9号舱室中的显色指数较高，而在其他舱室中则较低。综上，所提方法可以实现船舶舱室照明亮度自动调节，舱室内物体颜色还原度高，有助于提升舱室的整体视觉舒适度和工作效率。

舱室工作区域的一些设备操作关乎整体船舶的安全性，照明亮度是重点关注的问题，为此选用工作区域设备操作间，通过3种方法进行验证，如图4所示。

由图4可知，所提方法整个控制区域被均匀且适度地照亮，设备细节清晰可见。证明所提方法能够提高操作者的工作效率，降低因视线不清导致的误操作风险，保障船舶的行驶安全。遗传模拟退火方法与改进麻雀搜索方法虽然改善了照明条件，但亮度分布不够均匀，或者在某些区域存在过亮或过暗的情况，影响操作人员的视线和判断力，会出现误操作的风险。综上所述，所提方法能够较好地调节船舶舱室照明亮度，避免误操作，保障船舶行驶安全。

3 结　语

随着航海技术的不断进步与智能化船舶的发展，船舶舱室照明系统的创新日益受到重视。传统固定亮度的照明方式已难以满足现代航海对安全、舒适及能效的多重需求。因此，提出了模糊神经网络下船舶舱室照明亮度自动调节方法。采用自适应加权算法清洗照度数据，结合距离平方反比定理与余弦定理，确定舱室各区域光照强度，并利用模糊神经网络调整校正输出误差，实现照明亮度自动调节。