太阳光模拟器是一种利用人造可控光源模拟太阳光光辐射特性的仪器。其研究设计需要达到的参数指标包括 AM0或AM1.5大气条件下的太阳光光谱分布、太阳光总辐照度、模拟系统辐照不均匀度、模拟系统辐照不稳定度等。在许多领域的科研检测实验中都会用到太阳光模拟器，例如用于航空航天领域、建筑行业中材料耐辐射老化实验、太阳能电池光伏性能检测、农业科学中研究植物发育和培育良种、人体医学方面的光疗技术等领域。过去常见的太阳光模拟器光源通常以氙灯、卤素灯等为主，随着发光二极管（Light Emitting Diode，简称LED）研究的日益深入，技术日趋成熟，产品类型也越来越多样化，越来越多的太阳光模拟器以LED作为控制光源替代过去的传统光源。LED与过去传统光源相比较，具有很多优势和特点，比如其寿命长、发光效率高、光强稳定、可精确控制、启动时间短、不同波长产品丰富等，这些优点大大提高了太阳光模拟器的稳定性和精准度。所以基于LED的太阳光模拟器具有非常丰富的研究价值与良好的研究前景。本文将选取多种不同类型的LED，利用智能算法的优越性和可靠性对LED太阳光模拟器模型进行非线性系统辨识，得到一种光谱匹配度高、稳定性强的LED太阳光模拟器模型。　　本文由太阳光模拟器光谱匹配的需求关系出发，提出三个研究重点，包括关于LED光谱模型的辨识方法、构建LED驱动电流与LED光谱分布的关系模型、以及多种LED拟合标准太阳光谱的算法研究，并通过仿真实验与实测结果进行比较，验证方案的技术可行性，最终实现LED太阳光模拟器的设计方案。具体内容概述如下：　　⑴LED光谱模型辨识　　由LED辐照特性，单色LED的光谱模型可近似看作高斯分布，过去国内外的研究学者多采用一个或多个高斯模型针对 LED光谱分布提出建模方案，但是由于 LED具有高度非线性的特点，选用参数化的非线性系统辨识往往会造成固定系统误差，所以本文提出一种基于改进GA-BP神经网络的模型辨识方法。首先，采用BP神经网络辨识LED光谱模型结构。再选用遗传算法对BP神经网络的权值与阈值进行优化，以LED光谱辐照度期望输出与实测值间的平方差之和的倒数作为适应度函数，搜索得到最优权值与阈值解。本文对遗传算法中的基因编码、适应度函数、交叉算子重新进行设计，对选择算子和变异算子采用增加自适应性因子的方法，改进了遗传算法存在的搜索效率低下，容易陷入局部最优等缺点，改善了算法早熟状况。通过实验结果分析，将 LED光谱模型与 LED实际测量光谱的最大光辐照度、峰值波长、半波宽等进行比较，同时计算两者之间的标准差、光谱匹配度等误差值，保证所建立的LED光谱模型的拟合精度高、误差小。　　⑵LED驱动电流与光谱输出模型辨识　　通过分析电流与光功率之间关系、光功率与光辐照度之间关系以及LED中PN结的净复合率等可知，在一定驱动电流范围内，LED驱动电流与光谱输出之间近似为线性关系，所以本文提出利用线性回归方程对LED驱动电流与光输出模型进行建模。传统辨识线性回归方程的算法是最大似然估计法，虽然算法简便，但是也存在计算量大，计算效率低等缺点，所以本文提出一种模拟退火粒子群算法对线性回归方程进行参数辨识，利用模拟退火粒子群算法的快速寻优、高效搜索等优点，又快又准确的找到线性回归方程的最优解，求得LED驱动电流与光谱输出的关系模型。　　⑶多LED拟合LED标准太阳光谱　　LED太阳光模拟器的核心是研究不同类型的LED在构建LED太阳光模拟器时所需要的LED驱动电流大小和LED数量，这也就是运用多种LED拟合标准太阳光谱模型。根据已得到的LED光谱模型与LED驱动电流与光输出模型，建立符合LED太阳光模拟器标准太阳光谱要求的模型结构。本文提出利用人工蜂群算法对LED太阳光模拟器模型进行参数辨识，人工蜂群算法具有搜索精度高、搜索速度快、不易陷入局部最优解等特点，可以快速且准确的求得LED太阳光模拟器模型参数，并通过实验仿真验证结果以及算法的可行性。