알지비더블유 엘이디를 이용한 감성조명 시스템 제어 방법{METHOD OF CONTROLLING SENSIBILITY LIGHTING SYSTEM USING RGBW LED}

본 발명은 감성조명 시스템 제어 방법에 관한 것으로서, 보다 구체적으로는 FCM 클러스터링과 입자 군집 최적화 알고리즘을 이용한 데이터 중심 다항식 확장형 RBF 신경회로망을 기반으로 하여 RGBW LED를 이용한 감성조명 시스템을 제어하는 방법에 관한 것이다.

조명은 원하는 공간(영역)을 비추는 것으로서, 더욱 광범위하게는 '빛 공간' 안에 생활하는 인간의 정서와 행위에 여러 영향을 미치면서 공간을 형성하는 디자인 요소를 말한다. 다시 말해, 조명은 공간을 비추는 목적뿐 아니라 공간을 형성하는 디자인 요소로 활용될 수 있고, 조명에 의한 공간의 연출은 인간의 심리에 영향을 미치는 중요한 요소가 될 수 있기 때문에, 최근에는 빛을 발하는 단순 기능에서 벗어나 공간 안에 상황에 따라 알맞은 분위기를 조성하여 신체적 정신적 불균형을 보완하는 감성조명에 대한 관심이 증가하고 있다.

한편, 발광다이오드(Light Emitting Diode, LED)는 전자의 에너지 준위가 높은 곳에서 낮은 곳으로 이동하면서 특정한 파장의 빛을 발하는 고체발광소자로서, 일반 전자기기의 표시등이나 숫자표시에 사용됨으로써 우리 생활과 친숙해 졌다. 초창기에는 휘도가 낮고 광색의 한계가 있었으나 현재 새로운 재료가 개발되고 생산기술이 진보함에 따라 반영구적인 수명, 낮은 소비전력, 높은 신뢰성을 갖춘 반도체 소자로 각광받고 있다. 1993년 450㎚이하의 파장을 가진 고휘도 청색 LED가 개발되면서 기존의 적색 및 녹색 LED와 함께 빛의 3원색을 모두 낼 수 있게 되어 완전한 컬러의 표현이 가능해지기 시작했다. 이후 LED를 이용한 완전 컬러 전광판, 교통신호등, 간판, 백라이트유닛 등 다양한 응용 제품이 생겨나기 시작했고, 최근에는 LED가 정보기술과 녹색기술 산업으로 각광받고 관련 시장이 급속히 확산되고 있는 실정이다.

따라서, 이러한 LED를 광원으로 사용한 감성조명 시스템 및 이를 제어하는 것이 중요한 관심의 대상이 되고 있으며, 관련 연구가 진행되고 있으나(등록번호 제10-0693758호 참조) 아직 미비한 실정이다.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, FCM 클러스터링과 입자 군집 최적화 알고리즘을 이용한 데이터 중심 다항식 확장형 RBF 신경회로망에 기반하여 공간의 상황에 맞는 분위기로 LED 광원을 조절함으로써 효과적인 분위기를 연출하여 학습능력 및 업무능력을 향상시킬 수 있는, RGBW LED를 이용한 감성조명 시스템 제어 방법을 제공하는 것을 그 목적으로 한다.

또한, 본 발명은 RGB 3원색의 LED에 백색 LED(White LED)를 함께 사용함으로써 빛 공간의 형성을 위한 충분한 광량을 확보하여 공간의 상황에 맞는 감성분위기의 연출과 기능적 요소를 동시에 만족하는 것이 가능한, RGBW LED를 이용한 감성조명 시스템 제어 방법을 제공하는 것을 또 다른 목적으로 한다.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법은,

(1) 적색 광원, 녹색 광원, 청색 광원 및 백색 광원이 합성된 광원의 색 좌표 및 조도 데이터를 도출하는 단계;

(2) 방사형 기저함수 기반 신경회로망(Radial Basis Function Neural Network, 이하 'RBFNN'이라 함)에 상기 도출된 데이터를 입력하여 LED 출력 모델을 구하는 단계;

(3) 형용사 이미지 스케일을 단색 이미지 스케일과 매칭하여 각 형용사 이미지를 색 좌표 데이터로 변환하는 단계; 및

(4) 상기 단계 (3)에서 변환된 색 좌표와 사용자로부터 입력된 조도 데이터를 상기 LED 출력 모델에 입력하여 LED 동작 파라미터를 구하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.

바람직하게는, 상기 단계(2)는,

(2-1) 전반부 규칙인 FCM(Fuzzy C-Means) 클러스터링을 이용하여 상기 데이터와 특정 클러스터 중심과의 거리에 따라 소속 정도를 부여하여 상기 데이터를 분류하는 단계;

(2-2) 입자 군집 최적화(Particle Swarm Optimization, 이하 'PSO'라 함) 알고리즘을 이용하여 상기 LED 출력 모델 파라미터를 최적화하는 단계; 및(2-3) 최소자승법(Least Square Equation, 이하 'LSE'라 함)을 이용하여 후반부 규칙인 다항식의 파라미터를 동정하여 최종 출력하는 단계를 포함할 수 있다.

더욱 바람직하게는, 상기 FCM 클러스터링은,

(2-1-1) 상기 클러스터의 개수 c(2≤c≤n)를 정하고 퍼지화계수 m(1<m<∞)을 선택하며, 초기 소속행렬(partition matrix) U ^(r) 를 초기화하는 단계;

(2-1-2) FCM 클러스터 중심 v _i (i=1, 2, …, c)을 계산하는 단계;

(2-1-3) 상기 FCM 클러스터 중심 v _i 과 상기 데이터와의 거리를 계산하는 단계;

(2-1-4) 상기 계산된 거리를 이용하여 새로운 소속행렬 U ^(r+1) 을 구하는 단계; 및

(2-1-5) 새로운 소속행렬과 이전 소속행렬의 차(△)가 임계값(ε)을 초과하면 r=r+1로 정하고 상기 단계 (2-1-2)부터 단계를 반복 수행하고, △≤ε이면 종료하는 단계를 포함할 수 있다.

더욱 바람직하게는, 상기 LED 출력 모델 파라미터는,

클러스터의 수, 퍼지화 계수, 다항식의 형태일 수 있다.

본 발명에서 제안하고 있는 RGBW LED를 이용한 감성조명 시스템 제어 방법에 따르면, FCM 클러스터링과 입자 군집 최적화 알고리즘을 이용한 데이터 중심 다항식 확장형 RBF 신경회로망에 기반하여 공간의 상황에 맞는 분위기로 LED 광원을 조절함으로써 효과적인 분위기를 연출하여 학습능력 및 업무능력을 향상시킬 수 있다.

또한, 본 발명에 따르면 RGB 3원색의 LED에 백색 LED(White LED)를 함께 사용함으로써 빛 공간의 형성을 위한 충분한 광량을 확보하여 공간의 상황에 맞는 감성분위기의 연출과 기능적 요소를 동시에 만족하는 것이 가능하다.

도 1은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법의 순서도.
도 2는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법의 개요도.
도 3은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, RGBW LED의 예를 도시한 도면.
도 4는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 광원의 색 좌표 및 조도 데이터를 도출하기 위한 하드웨어의 구성을 나타낸 블록도.
도 5는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 광원의 색 좌표 및 조도 데이터를 도출하기 위한 하드웨어의 배선도.
도 6은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 마스터 컨트롤러의 예를 도시한 도면.
도 7은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 기준전압 발생장치의 예를 도시한 도면.
도 8은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 정 전류 공급 장치의 예를 도시한 도면.
도 9는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 정 전류 공급 장치의 회로와 각 부분의 파형을 도시한 도면.
도 10은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 컬러센서의 예를 도시한 도면.
도 11은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 컬러센서를 이용하여 데이터를 취득하는 순서를 도시한 도면.
도 12는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 컬러미터의 예를 도시한 도면.
도 13은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S200의 RBFNN의 구조를 도시한 도면
도 14는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S200에 대한 세부 순서도.
도 15는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 일반적인 RBF 신경회로망의 구조를 도시한 도면.
도 16은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S210에 대한 세부 순서도.
도 17은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S220에 대한 세부 순서도.
도 18은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 형용사 및 단색 이미지 스케일을 도시한 도면.
도 19는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 형용사 이미지 스케일을 단색 이미지 스케일과 매칭한 상태를 도시한 도면.
도 20은 실시예 1에서, 컬러센서를 이용하여 획득한 광원의 색 좌표 데이터를 색 공간상에 표시한 결과를 도시한 도면.
도 21은 실시예 1에서, 컬러미터를 이용하여 획득한 광원의 색 좌표 데이터를 색 공간상에 표시한 결과를 도시한 도면.
도 22는 실시예 2에서, 형용사 이미지 스케일을 단색 이미지 스케일과 매칭한 후 도출된 x, y 좌표를 색 공간상에 표시한 결과를 도시한 도면.
도 23은 실시예 2에서, 색채분석도구를 도시한 도면.
도 24는 실시예 2에서, 이미지 매칭한 데이터를 색채분석도구와 비교한 결과를 도시한 도면.
도 25는 실시예 2에서, 학습영역 및 수업과목에 따른 조명의 색 좌표 데이터를 색 공간상에 표시한 결과를 도시한 도면.
도 26은 실시예 2에서, 조명의 표현범위를 도시한 도면.
도 27은 실시예 2에서, 조명의 색 공간 확대 실험에 사용된 W LED를 도시한 도면.
도 28 및 도 29는 실시예 2에서, 조명의 색 공간 확대 실험 결과를 도시한 도면.
도 30은 실시예 3에서, 각 LED 실험 데이터와 모델링 데이터의 성능 결과 비교한 도면.
도 31은 실시예 4에서, 추론된 감성언어를 입력하여 각 LED의 동작 전류를 출력하는 상태를 도시한 도면.
도 32 내지 도 35는 실시예 4에서, 실제 데이터와 모델링 데이터 출력의 비교 결과를 도시한 도면.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결' 되어 있다고 할 때, 이는 '직접적으로 연결' 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결' 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함' 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.

도 1은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법의 순서도이고, 도 2는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법의 개요도이다. 도 1 및 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법은, 적색 광원, 녹색 광원, 청색 광원 및 백색 광원이 합성된 광원의 색 좌표 및 조도 데이터를 도출하는 단계(S100), 방사형 기저함수 기반 신경회로망(Radial Basis Function Neural Network, 이하 'RBFNN' 이라 함)에 도출된 데이터를 입력하여 LED 출력 모델을 구하는 단계(S200), 형용사 이미지 스케일을 단색 이미지 스케일과 매칭하여 각 형용사 이미지를 색 좌표 데이터로 변환하는 단계(S300), 및 단계 (3)에서 변환된 색 좌표와 사용자로부터 입력된 조도 데이터를 LED 출력 모델에 입력하여 LED 동작 파라미터를 구하는 단계(S400)를 포함하여 구성될 수 있다.

단계 S100에서는, 적색 광원(R), 녹색 광원(G), 청색 광원(B) 및 백색 광원(W)이 합성된 광원의 색 좌표 및 조도 데이터를 도출한다. 즉, 컬러 센서 또는 컬러미터(Chroma Meter)와 하드웨어를 이용하여 실험적으로 광원(Beam)의 색 좌표 및 조도 데이터를 도출한다. 여기서 광원은 RGB에 W가 합성된 LED 광원이며, 도 3은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, RGBW LED의 예를 도시한 도면이다.

도 4는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 광원의 색 좌표 및 조도 데이터를 도출하기 위한 하드웨어의 구성을 나타낸 블록도이고, 도 5는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 광원의 색 좌표 및 조도 데이터를 도출하기 위한 하드웨어의 배선도이다. 도 4 및 도 5에 도시된 바와 같이, 하드웨어는 마스터 컨트롤러(Master Controller), 기준전압 발생장치(Reference generator), 정 전류 공급 장치(Constant Current power supply)를 포함할 수 있다.

마스터 컨트롤러(Master Controller)는 전체 회로의 중심이 되어 흐름을 제어하고 측정기에서 측정된 데이터를 취합하여 PC에 전송하며, LED의 정 전류 제어를 위한 Reference를 설정하는 역할을 하며, 도 6은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 마스터 컨트롤러의 예를 도시한 도면이다.

기준전압 발생장치(Reference generator)는 LED의 정 전류 제어를 위한 기준전압을 생성하기 위한 구성으로서, 도 7은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 기준전압 발생장치의 예를 도시한 도면이다. 기준전압 발생장치는 각각 개별의 RGBW LED를 위한 4채널의 독립된 DAC(Digital to Analog Converter)회로를 내장하고, 0∼4V의 기준전압을 생성한다. 이러한 기준전압은 정 전류 공급 장치(Constant Current power supply)의 Current mirror에 의한 전류측정 전압과 비교된다. RGB LED는 1㎃당 200㎷의 기준전압을, W LED는 1㎃당 66.7㎷의 기준전압을 생성한다.

정 전류 공급 장치(Constant Current power supply)는 실질적인 정 전류 공급의 동작을 수행하기 위한 구성으로서, 기준전압에 의해 LED 전류를 제한하며, 도 8은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 정 전류 공급 장치의 예를 도시한 도면이고, 도 9는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 정 전류 공급 장치의 회로와 각 부분의 파형을 도시한 도면이다. 도 9에 도시된 바와 같이, Current mirror를 기본으로 전류측정 저항(R6)에 발생하는 전압강하와 기준전압이 비교기(U1A)에서 비교되어 최종적으로 스위치(Q1)가 도통되게 된다. R2는 MOSFET의 바이어스 저항이며, R3는 비교기(U1A)의 off-set 보정을 위한 저항이다. 사용된 비교기의 off-set은 5㎷(max)로서, 회로에서의 R3값은 하기의 수학식 1에서와 같이 구하고 결과로 얻어진 479.8㏀이하의 적당한 값의 저항을 선택하며, 안정된 동작을 확보할 수 있고 충분한 바이어스를 위해 47㏀을 사용하는 것이 바람직하다. 백색 LED의 경우 RGB LED에 비해 3배의 전류가 흐르는 관계로 20㏀을 사용하는 것이 바람직하다.

상기와 같이 구성된 하드웨어와 컬러 센서를 이용하여 RGBW 광원의 색 좌표 및 조도 데이터를 도출할 수 있는데, 도 10은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 컬러센서의 예를 도시한 도면이고, 도 11은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 컬러센서를 이용하여 데이터를 취득하는 순서를 도시한 도면이다.

도 11에 도시된 바와 같이, 프로그램에 의해 선택적으로 RGBW LED를 점등하면서, 컬러센서가 광원(Beam)의 3원색 분포를 측정하고, 이를 등색함수를 이용하여 색 좌표 데이터로 변환함으로써 광원 데이터를 도출할 수 있다. 보다 구체적으로, 컬러센서는 550msec 주기로 광원의 3원색 분포를 측정하여, 통신을 이용해 마스터 컨트롤러로 전송하고 최종적으로 PC에 저장되도록 설계되는 것이 바람직하며, 이때 RGBW LED는 최대전류의 1/10, 1/12인 2㎃, 5㎃의 간격으로 변화시키며 컬러센서로 데이터를 취득하는 것이 바람직하다. 컬러센서로 측정된 3원색 분포 데이터는 하기의 수학식 2와 같이 정규화시킨 뒤, 수학식 3의 CIE1931 등색함수를 이용하여 3자극치의 X, Y, Z로 변환하고 수학식 4를 이용하여 정규화함으로써 색 좌표 데이터를 도출한다.

한편, 하드웨어와 컬러미터(Chroma Meter)를 이용하여서도 RGBW 광원의 색 좌표 및 조도 데이터를 도출할 수 있으며, 도 12는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 컬러미터의 예를 도시한 도면이다. 프로그램에 의해 선택적으로 LED를 점등하고, 컬러미터를 통해 데이터를 취득하여, 통신을 통해 마스터 컨트롤러로 전송하고, 최종적으로 PC에 전송, 저장되는 것은 컬러센서와 동일한 반면, 이때 RGB LED는 0~20㎃까지 1㎃간격으로, W LED는 20~60까지 10㎃간격으로 점등하는 것이 바람직하다.

단계 S200에서는, 단계 S100에 의해 도출된 데이터를 RBFNN에 입력하여 LED 출력 모델을 구하며, 도 13은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S200의 RBFNN의 구조를 도시한 도면이다. 도 13에 도시된 바와 같이, 단계 S200의 RBFNN은 조건부에 기존의 가우시안 함수가 아닌 FCM 클러스터링 방법을 사용한다. FCM 알고리즘은 각 클러스터에 데이터의 소속 정도를 퍼지집합으로 출력하는 방사형의 형태를 가지고 있어 활성함수로써 사용하기에 적합하여 가우시안 함수의 역할을 대체하여 사용할 수 있다. 결론부에서는 일차선형, 2차선형, 변형된 2차 선형을 사용하며, 규칙 후반부 다항식의 계수를 동정하기 위한 후반부 파라미터 동정은 LSE를 사용한다.

이하에서는, 단계 S200에 대해 도 14 내지 도 17을 참조하여 더욱 상세하게 설명하도록 한다.

도 14는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S200에 대한 세부 순서도이다. 도 14에 도시된 바와 같이, 단계 S200은, 전반부 규칙인 FCM(Fuzzy C-Means) 클러스터링을 이용하여 데이터와 특정 클러스터 중심과의 거리에 따라 소속 정도를 부여하여 데이터를 분류하는 단계(S210), 입자 군집 최적화(Particle Swarm Optimization, 이하 'PSO'라 함) 알고리즘을 이용하여 LED 출력 모델 파라미터를 최적화하는 단계(S220), 및 최소자승법(Least Square Equation, 이하 'LSE'라 함)을 이용하여 후반부 규칙인 다항식의 파라미터를 동정하여 최종 출력하는 단계(S230)를 포함할 수 있다.

일반적으로, RBF 신경회로망은 3개의 층(입력층, 은닉층, 출력층)을 가진 신경회로망으로서, n차원의 입력 벡터 x=[x1, x2, …,xn] ^T 는 은닉층을 통해 비선형식으로 변환되고, 은닉층을 통해 얻어진 활성 레벨들은 출력층에 위치한 뉴런에 의해서 최종적으로 선형 형태로 변환되며, 도 15는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 일반적인 RBF 신경회로망의 구조를 도시한 도면이다.

도 15와 같은 구조로 되어 있는 일반적인 RBF 신경회로망 구조는 짧은 학습시간과 일반화(generality) 능력 그리고 단순화(simplicity) 능력이 다른 알고리즘과 비교해서 우수한 성능을 보이고, 데이터를 분류하는 작업과 비선형 시스템의 모델링 등에 사용된다. 일반적으로 널리 사용되는 방사형 기저함수 형태는 하기의 수학식 5와 같이 가우시안 형태로 표현될 수 있고, 수학식 5는 은닉층의 활성함수가 동일한 분포상수를 갖는 형태인 하기의 수학식 6과 같이 다시 정의할 수 있다.

여기서, x _kj 는 j번째 입력 데이터, v _ij 은 j번째 입력의 i(i=1, …, K)번째 RBF의 중심, σ _i 는 i번째 은닉층 노드에서 RBF의 활성화 영역을 결정하는 분포상수이며 일반적으로 은닉층을 구성하는 모든 노드들은 '1'의 값을 가진다.

또한, 네트워크의 출력 y(x)는 각각의 활성화 레벨의 선형 조합으로써 하기의 수학식 7과 같이 계산된다.

이와 같이, 일반적인 RBF 신경회로망에서 은닉층의 형태와 수는 신경회로망 설계의 초점이 되고, 입력공간에서의 은닉층의 분포는 네트워크의 기능에서 중요한 관련이 있으며, 각각의 은닉층에서의 파라미터의 최적화는 본질적으로 가장 중요하기 때문에, 은닉층에서의 개발이 결정적인 RBF 신경회로망 설계에 있어서 중요한 특징으로 부각된다.

단계 S210에서는, 이러한 기존의 RBFNN와는 달리 가우시안 함수가 아닌 FCM(Fuzzy C-Means) 클러스터링 방법을 이용하여 얻어진 소속행렬을 활성함수로써 사용하고, 보다 구체적으로, 전반부 규칙인 FCM 클러스터링을 이용하여 데이터와 특정 클러스터 중심과의 거리에 따라 소속 정도를 부여하여 데이터를 분류한다.

도 16은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S210에 대한 세부 순서도이다. 도 16에 도시된 바와 같이, 단계 S210은, 클러스터의 개수 c(2≤c≤n)를 정하고 퍼지화계수 m(1<m<∞)을 선택하며, 초기 소속행렬(partition matrix) U ^(r) 를 초기화하는 단계(S211), FCM 클러스터 중심 v _i (i=1, 2, …, c)을 계산하는 단계(S212), FCM 클러스터 중심 v _i 과 데이터와의 거리를 계산하는 단계(S213), 계산된 거리를 이용하여 새로운 소속행렬 U ^(r+1) 을 구하는 단계(S214), 및 새로운 소속행렬과 이전 소속행렬의 차(△)가 임계값(ε)을 초과하면 r=r+1로 정하고 상기 단계 S212부터 단계를 반복 수행하고, △≤ε이면 종료하는 단계(S215)를 포함할 수 있다.

단계 S211에서는, 클러스터의 개수 c(2≤c≤n)를 정하고 퍼지화계수 m(1<m<∞)을 선택하며, 초기 소속행렬(partition matrix) U ^(r) 를 초기화하며, 하기의 수학식 8로 정의할 수 있다.

여기서, u _ij 는 소속행렬의 파라미터를 나타내고, r(r=0, 1, …)은 알고리즘 반복 횟수를 나타낸다.

단계 S212에서는, 하기의 수학식 9 내지 수학식 11을 이용하여 FCM 클러스터 중심 v _i (i=1, 2, …, c)을 계산한다.

여기서, u _ik 는 0과 1 사이의 소속을 나타내는 정도의 값으로 i번째 클러스터에 속해져 있는 x _k 의 k번째 데이터의 소속 정도를 나타내며, v _i 는 i번째 클러스터 중심 벡터를 나타낸다. m은 소속행렬(partition matrix)의 애매함의 정도에 대한 영향을 나타내는 퍼지화 계수를 나타내는데, 이 값은 m∈[1, ∞)와 같은 범위를 가진다.

단계 S213에서는, 단계 S212에 의해 계산된 FCM 클러스터 중심 v _i 과 데이터와의 거리를 하기의 수학식 12를 이용하여 계산한다.

단계 S214에서는, 단계 S213에 의해 계산된 거리와 하기의 수학식 13을 이용하여 새로운 소속행렬 U ^(r+1) 을 구한다.

단계 S215에서는, 하기의 수학식 14에 의하여 새로운 소속행렬과 이전 소속행렬의 차()를 계산하고, 계산된 가 임계값()을 초과하면 r=r+1로 정하고 단계 S212부터 단계를 반복 수행하고, ≤이면 종료한다.

[수학식 14]

여기서, 는 임계값이다.

단계 S220에서는, PSO 알고리즘을 이용하여 LED 출력 모델 파라미터를 최적화한다. 즉, PSO 알고리즘을 이용하여 LED 출력 모델의 성능 향상에 주요한 역할을 하는 중요 파라미터, 예컨대, 클러스터의 수(모델의 규칙의 수), FCM 클러스터링 방법에서의 클러스터 중심점과 분포상수, 규칙 후반부 다항식의 형태를 최적화하며, 도 17은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 단계 S220에 대한 세부 순서도이다.

PSO는 자연선택의 진화 메커니즘이 아닌 새떼와 물고기 떼와 같은 생체군집의 사회적 행동 양식을 바탕으로 하고 있으며, PSO 역시 군집기반 알고리즘으로 병렬처리 특징을 가지며, 군집과 개체는 Swarm과 Particle로 표현된다. PSO의 각 개체의 최적의 해를 얻기 위해 다차원 탐색공간을 날아다니며, 그들 자신과 이들 이웃의 경험에 대한 정보를 이용하여 최적의 위치로 이동해 간다. PSO는 이론의 간결성, 구현의 용이성, 연산의 효율성과 같은 특징을 보이며, 짧은 계산시간 안에 최적의 해를 생성할 수 있고, 다른 확률적 방법보다 안정적인 수렴특징을 나타낸다.

단계 S221에서는, n개의 입자를 탐색 공간 내에서 랜덤하게 생성한다. 초기 입자들은 'pbest'로 설정하고 이들이 초기 군집을 구성하며, 각 입자의 각 이동속도(velocity)를 [-Vmax Vmin] 내에서 랜덤하게 생성한다. 초기 입자 중 최적의 적합도를 갖는 입자를 'gbest'로 선정한다.

단계 S222에서는, 하기의 수학식 15에 의해 관정하중(Inertia weight) 값을 계산하고, 제한조건 [Vmax Vmin]을 확인하며 수학식 16에 의해 j번째 입자의 이동속도를 계산한다.

단계 S223에서는, 하기의 수학식 17에 의해 입자의 위치 정보가 조절된다.

여기서,

단계 S224에서는, 새로운 입자들의 적합도를 계산한다. 이전 'pbest'와 비교되며 'pbest'를 재설정한다. 최적의 위치정보를 갖는 'pbest'를 'gbest'로 재설정한다.

단계 S225에서는, 종료 조건을 만족하면 탐색과정을 종료하고, 그렇지 않으면 단계 S222부터 반복한다.

단계 S226에서, 최종적으로 생성된 'gbest'는 최적의 위치정보를 갖는다.

단계 S230에서는, LSE를 이용하여 후반부 규칙인 다항식의 파라미터를 동정하여 최종 출력한다. 보다 구체적으로, RBFNNs의 은닉층의 노드 수와 중심점을 FCM 클러스터링 방법을 사용하여 결정하였으며, RBF의 활성함수로는 FCM의 소속행렬을 적용하였고, 은닉층과 출력층 사이의 다항식 파라미터는 LSE를 이용하여 표현하였다. 후반부 다항식은 하기의 표 1에서와 같이 4개의 다항식을 사용하는 것이 바람직하다. LSE는 오차 제곱의 합이 최소가 되도록 계수를 추정하여 주고, 전역 모델의 학습을 한 번에 구하여 내어 오류역전파 알고리즘을 사용할 때와 달리 학습시간을 최소화할 수 있는 특징을 가진다.

단계 S300에서는, 형용사 이미지 스케일을 단색 이미지 스케일과 매칭하여 각 형용사 이미지를 색 좌표 데이터로 변환한다. 이미지스케일은 색채가 가지고 있는 이미지에서 느껴지는 심리를 바탕으로 감성을 구분하는 기준을 만든 객관적 통계로서, 디자인 등에 총체적인 의미를 부여하는 시스템으로 감각과 과학을 결합시킨 것이며, 도 18은 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 형용사 및 단색 이미지 스케일을 도시한 도면이다. 도 18에 도시된 바와 같이, 형용사 이미지 스케일 및 단색 이미지 스케일은 각각 세로방향으로 부드러운(Soft), 딱딱한(Hard), 가로방향으로 동적인(Dynamic), 정적인(Static)의 동일한 기준 축으로 이루어진 공간 내에서 고유의 위치를 가지고 있기 때문에 추상적인 이미지를 구체적인 색채로 또는 구체적인 색을 추상적 이미지로 전환(이미지 매칭)하여 해석할 수 있다.

도 19는 본 발명의 일실시예에 따른 RGBW LED를 이용한 감성조명 시스템 제어 방법에서, 형용사 이미지 스케일을 단색 이미지 스케일과 매칭한 상태를 도시한 도면이다. 도 19에 도시된 바와 같이, 형용사 이미지 스케일을 단색 이미지 스케일과 매칭한 후, 각 형용사 이미지에 대한 3원색의 분포 데이터를 획득할 수 있다. 이 후, 획득된 데이터를 수학식 2에 의해 정규화시킨 뒤, 수학식 3의 CIE1931 등색함수를 이용하여 3자극치의 X, Y, Z로 변환하고 수학식 4를 이용하여 정규화함으로써 색 좌표 데이터를 도출할 수 있다.

단계 S400에서는, 단계 S300에 의해 변환된 색 좌표와 사용자로부터 입력된 조도 데이터를 LED 출력 모델에 입력하여 LED 동작 파라미터를 구한다.

본 발명은 이하의 실시예에 의하여 더욱 상세히 설명되나, 본 발명이 이하의 실시예에 의해 어떤 식으로든 제한되는 것은 아니다.

광원의 데이터 도출 실험

(1) 컬러센서를 이용한 광원의 데이터 도출

TCS3200을 550msec 주기로 RGBW LED의 3원색 분포를 측정하여, 통신을 이용해 마스터 컨트롤러로 전송하였다. RGBW LED는 최대전류의 1/10, 1/12인 2㎃, 5㎃의 간격으로 변화시키며 17303개의 데이터를 도출하였다. 도출된 데이터를 수학식 2에 의해 정규화시킨 뒤, 수학식 3의 CIE1931 등색함수를 이용하여 3자극치의 X, Y, Z로 변환하고 수학식 4를 이용하여 정규화하여 색 좌표 데이터를 도출한 후, 이를 색 공간상에 표시하였고, 그 결과를 표 2 및 도 20에 나타내었다.

(2) 컬러미터(Chroma meter)를 이용한 광원의 데이터 도출

프로그램에 의해 RGB LED를 0~20㎃까지 1㎃간격으로, W LED는 20~60까지 10㎃간격으로 점등하면서, CL-200A를 이용하여 46305개의 데이터를 도출한 후, 이를 색 공간상에 표시하였고, 그 결과를 표 3 및 도 21에 나타내었다.

표 3을 고려할 때, 기능적 측면의 충분한 광량 확보라는 일면의 효과와 풍부한 감성의 표현을 위한 넓은 색 공간 확보라는 이면의 목적이 서로 상충함을 확인하였으며, 이는 필요에 따라 적절히 RGB와 W LED의 혼합비율을 선정해야만 한다는 것을 알 수 있었다.

감성언어의 추론

감성공학 분야에서 연구된 컬러이미지스케일(Color image scale)과 형용사이미지스케일(Adjective image scale)을 이용하여 감성언어를 색(Color)으로 추론하고 추론된 색의 3원색 분포를 알아낸 뒤 최종적으로 색 좌표를 구하기 위해 하기와 같이 실험을 진행하였다.

(1) 이미지 매칭을 통한 데이터 도출

형용사 이미지 스케일을 단색 이미지 스케일과 매칭한 후 표본 64개를 대상으로 3원색의 분포와 x, y 좌표를 도출한 후, 이를 색 공간상에 표시하였고, 그 결과를 표 4와 표 5 및 도 22에 나타내었다. 또한 이 중 16개의 표본에 대하여 도 23에 도시된 색채분석도구의 표준 컬러와 비교하였고, 그 결과를 도 24에 나타내었다.

한편, 색채분석도구는 도 23에 도시된 바와 같이, 색상(Hue), 명도(Value), 채도(Chroma)의 3가지 속성에 의한 색채표현을 색상(Hue)과 색조(Tone)로 단순화시켜 색채 분포 분석을 보다 용이하게 한 색표이다. 즉, 기존에 개발된 여러 유형의 색상 색조체계를 발전시켜, 한국인의 감각을 수용하면서도, 세계적 범용성을 고려하는 방향으로 작성된 것으로서, 총 120색은 110개의 유채색과 10개의 무채색으로, 110개의 유채색은 10개의 색상과 11개의 색조로 구성된다.

(2) 학습영역 및 수업과목에 따른 조명 데이터 도출

조명의 색 온도가 사람의 심리상태나 뇌파에 미치는 영향을 기반으로 수험생이나 학생들이 더욱 효율적으로 학습할 수 있도록 영역 및 과목에 적합한 색 온도를 정의한 후 표 6에 따른 색 좌표 환산식을 이용하여 학습영역에 따른 과목별 적합한 조명의 색 좌표 데이터를 도출하여 이를 색 공간상에 표시하였고, 그 결과를 표 7 및 도 25에 나타내었다.

(3) 조명의 색 공간 확대 실험

실시예 1에 의한 광원 데이터의 색 공간상 위치와 실시예 2의 형용사 이미지들의 색 공간상 위치의 비교를 통해 조명이 표현할 수 있는 감성언어의 표현 범위를 정의하면, 도 26과 같이, 풍부한 감성언어의 표현에는 조명 자체의 넓은 색 공간을 요구하기 때문에, 풍부한 감성언어의 표현을 위한 조명의 색 공간 확대 실험을 하기와 같이 진행하였다.

즉, W LED를 도 27에 도시된 LED로 변경하고, RGB LED는 기존 1개에서 3개로 수량을 늘렸다. W LED는 색 공간상의 중심점 이동을 목적으로 더 낮은 색 온도의 LED를 사용하여 광원 데이터를 도출하였고, 그 결과를 도 28 및 도 29에 도시하였다.

도 28 및 도 29에 도시된 바와 같이, RGB LED를 1개에서 3개로 증가시키고, 낮은 색 온도의 W LED를 사용함으로 인해 색 공간의 크기와 중심점이 더 크고 오른쪽으로 옮겨졌음을 확인하였다.

모델의 성능 평가

본 발명에 따른 FCM 클러스터링 방법 및 PSO 알고리즘을 이용한 RBFNN을 이용하여 구축한 모델의 성능을 평가하기 위해 하기와 같이 실험을 진행하였다. 즉, 모델은 컬러센서(CASE 1)와, 컬러미터(CASE 2)를 통해 얻어진 색 좌표 및 조도 데이터를 입력으로 하여 표 8에 나타낸 정보를 이용하여 모델을 구축하였다.

*여기서, T는 표 1에 나타낸 다항식 형태.

클러스터의 수(RBF 신경회로망의 은닉층 수)를 변경하면서 하기의 수학식 18에 따른 RMSE(Root Mean Square Error)를 이용하여 컬러센서의 데이터와 컬러미터의 데이터를 사용한 모델의 성능지수를 도출하였으며, 그 결과를 표 9에 나타내었다. 한편, 컬러미터는 W LED가 20㎃이상 되어야 측정이 가능하므로 동일한 환경에서의 평가를 위해 컬러센서, 컬러미터 모두 W LED가 20㎃일 때의 데이터를 기준으로 평가하였다. 입력은 x,y 좌표값과 조도값(lx)값을 입력으로 하고 RGBW LED 4개의 전류를 출력으로 하여 모델링하였다.

여기서, y(x)는 주어진 실제 출력 데이터이고 (x)는 모델의 출력 데이터를 의미한다.

표 9에서 나타낸 바와 같이, CASE 1은 컬러센서 데이터를 사용한 모델의 성능을 나타낸 것으로, 성능평가는 전체 1331개의 데이터를 학습 데이터 799개(60%)와 테스트 데이터 532개(40%)로 랜덤하게 분할하여 실시하였다. 표 9에서 나타낸 바와 같이, 모델의 성능은 클러스터의 수가 증가하면 좋아지는 결과를 보이나, 컬러미터 보다는 안 좋은 성능임을 확인하였으며, 이는 8bit 해상도인 컬러센서 자체의 낮은 해상도에서 기인한 것으로 보인다.

CASE 2는 컬러미터 데이터를 사용한 모델의 성능으로서, 컬러센서보다 월등히 좋은 성능을 나타내었으며, 이는 높은 해상도의 정밀하고 안정된 측정이 가능한 컬러미터에서 기인한 것으로 보인다. 또한 컬러미터를 이용한 측정을 통해 조도(lx)데이터를 얻고 이를 이용한 모델링에서 출력과 모델과의 에러 값이 줄어드는 것을 확인하였으며, 은닉층 노드 수의 증가에 따라 성능이 좋아지는 것을 확인하였다.

한편, CASE 3은 CASE 2의 컬러미터 데이터가 실제 시스템에 도입하기엔 성능지수가 좋지 않은 점을 고려하여 성능을 향상시키고자 데이터의 간격을 1㎃로 저장하여 더욱 정교한 데이터로 모델링하여 성능을 향상시키는 실험에 대한 결과를 나타낸 것으로서, 이때 실험은 전체 데이터 전체 9261개로 학습데이터 5557개(60%)와 테스트데이터 3704(40%)로 분할하여 실시하였다. 표 8에서 나타낸 것과 같이 CASE 3을 이용한 성능지수가 많이 좋아진 것을 확인하였다.

더욱이, CASE 3의 데이터를 선택하여 더 좋은 성능을 내기 위하여 2차 선형식과 변형된 2차 선형식을 이용하여 클러스터의 수에 따른 성능지수에 대한 결과를 표 10에 나타내었고, 이를 알고리즘의 성능지수를 검증하기 위해 RGB의 모델링 결과를 실제 데이터와 비교하였으며, 그 결과를 도 30에 나타내었다.

모델의 검증

실시예 2의 "색 공간 확대 실험"의 결과로 도출된 데이터를 가지고 모델링을 하였다. 모델의 실제동작을 통해 전체 감성언어 64개에 대한 17개의 표본과 수업과목에 대한 검증을 실시하였다.

즉, 도 31과 같이 추론된 감성언어를 입력하여 각 LED의 동작 전류를 출력하고, 이를 실제 LED에 도통시킨 뒤 색 좌표를 측정함으로써 추론된 감성언어의 색 좌표와 직접적인 비교 검증을 실시하였고, 그 결과를 도 32 내지 도 35에 나타내었다.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.

S100: 적색 광원, 녹색 광원, 청색 광원 및 백색 광원이 합성된 광원의 색 좌표 및 조도 데이터를 도출하는 단계
S200: 방사형 기저함수 기반 신경회로망(RBFNN)에 도출된 데이터를 입력하여 LED 출력 모델을 구하는 단계
S300: 형용사 이미지 스케일을 단색 이미지 스케일과 매칭하여 각 형용사 이미지를 색 좌표 데이터로 변환하는 단계
S400: 변환된 색 좌표와 사용자로부터 입력된 조도 데이터를 LED 출력 모델에 입력하여 LED 동작 파라미터를 구하는 단계