-
Описан метод синтезирования спектра излучения настраиваемого многоцветного источника света (НМИС) (tunable colour light source). НМИС представляет собой способный имитировать различные спектральные распределения СД источник света, который можно использовать, например, для реализации спектров различных стандартных излучений МКО. Синтезирование спектра излучения сводится, в сущности, к приведению спектра излучения НМИС в соответствие с желательным спектром. Кроме того, это относится к так называемым задачам с ограничениями, т.к. результирующий спектр формируется посредством сложения взвешенных спектров используемых источников света (например, одноцветных СД), и «отрицательный свет» при этом отсутствует. Поэтому нельзя воспользоваться обычными методами оптимизации, такими как метод наименьших квадратов. Прогрессивный метод синтезирования, в основу которого был положен метод оптимизации с ограничениями, был разработан и проверен на лабораторном образце НМИС, предназначенном для использования в целях калибровки. Разработанный метод синтезирования, который описан в данной статье, приводит к хорошим результатам, однако сравнение его с более простыми методами демонстрирует возможность успешного использования и этих методов.
Подробнее
-
1. Bizjak, G., Lindemann, M., Sperling, A., et al. Tunable LED colour source // CIE Symp., 2010.
2. Fryc, I., Brown, S.W., Eppeldauer, G.P., et al. LED-based spectrally tunable source for radiometric, photometric and colorimetric applications // Opt. Eng. – 2005. – Vol. 44, No. 11. – P. 111309–111309–8.
3. Wu, C, C,, Hu, N.C., Fong, Y.C., et al. Optimal pruning for selecting LEDs to synthesize tunable illumination spectra // Light. Res. Technol. – 2012. – Vol. 44, No. 4. – P. 484–497.
4. Luo, M.R., Xu, L., Wang, H. An LED based spectrum design for surgical lighting // Proc. 28th CIE Sess., 2015.
5. Lawson, C.L., Hanson, R.J. 23. Linear least squares with linear inequality constrains. Solving least squares problems // Society for industrail and applied mathematics, 1995. P. 158–173.
6. Tosic, I., Frossard, P. Dictionary learning // IEEE Signal Process. Mag. – 2011. – Vol. 28, No. 2. – P. 27–38.
7. Chun, S., Kim, J.C., Lee, C.S. Optimization for spectrally tunable lighting control // Proc. 28th CIE Sess., 2015. P. 2046– 2055.
8. Bro, R., Jong, S.D. A fast non-negativity-constrained least squares algorithm, // J. Chemom. – 1997. – Vol. 11, No. 5. – P. 393– 401.
9. Cantarella, J., Piatek, M. Tsnnls: A solver for large sparse least squares problems with non-negative vaiables // Comput. Res- Repos: CoRR, 2004.
10. Solve nonnegative least-squares constrains problem – lsqnonneg. MATLAB – Maths Works Deutschland, [Online]. Accessible: http://www.mathworks.com/help/matlab/ ref/lsqnonneg.html?requestedDomain=www. mathworks.com. [Accessed: 2-nov-2015].
11. Moore, E.H. On the reciprocal of the general algebraic matrix // Bulletin of the American Mathematical Society. – 1920. – Vol. 26, No. 9. – P. 394–395.
12. Bjerhammar, A. Application of calculus of matrices to method of least squares; with special references to geodetic calculations // Trans. Roy. Inst. Tech. Stockholm. 49. – 1951.
13. Penrose, R. A generalized inverse for matrices // Proc. of the Cambridge Philosophical Society. – 1955. – Vol. 51. – P. 406–413.
Подробнее