應用改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價

楊亮，王誼

(陜西工業(yè)職業(yè)技術學院 航空工程學院，陜西 咸陽 712000)

0 引言

隨著生活水平不斷改善，人們對生存環(huán)境關注度越來越高，室內(nèi)環(huán)境與人們生活息息相關，室內(nèi)環(huán)境好壞直接影響到人們生活質(zhì)量[1-3]。對室內(nèi)環(huán)境相關參數(shù)進行監(jiān)測，為改善室內(nèi)環(huán)境具有重要的意義。室內(nèi)環(huán)境的舒適度是室內(nèi)環(huán)境質(zhì)量好壞衡量參數(shù)，室內(nèi)環(huán)境舒適度高可以保證人們的身心健康，因此對室內(nèi)環(huán)境舒適度評價進行科學、客觀評價顯得十分緊迫和重要[4-6]。

室內(nèi)環(huán)境舒適度主要指室內(nèi)環(huán)境對人的適宜程度，具有很強的主觀性。近年來，隨著電子技術、自動化技術、傳感器技術以及網(wǎng)絡技術的發(fā)展和融合，室內(nèi)環(huán)境舒適度已經(jīng)進行入了智能評價階段，評價結果更加科學[7-9]。如出現(xiàn)了基于模糊理論的室內(nèi)環(huán)境舒適度評價模型、基于人工神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價模型等[10-11]，由于室內(nèi)環(huán)境舒適度具有一定的時變性，而模糊理論是一種線性建模技術，因此模糊理論的室內(nèi)環(huán)境舒適度評價偏差比較大；人工神經(jīng)網(wǎng)絡是一種模仿人類大腦神經(jīng)網(wǎng)絡的信息處理系統(tǒng)，能夠以任意精度逼近任何非線性問題的解，因此成為室內(nèi)環(huán)境舒適度評價的主要研究方向，尤其徑向基函數(shù)(RBF)的應用范圍最為廣泛。在RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價過程中，其參數(shù)值的選擇直接關系到室內(nèi)環(huán)境舒適度評價結果，傳統(tǒng)方法采用人工方式確定，這樣難以建立最優(yōu)的室內(nèi)環(huán)境舒適度評價模型，室內(nèi)環(huán)境舒適度評價結果不穩(wěn)定[12-14]。

為了提高室內(nèi)環(huán)境舒適度評價精度，針對RBF神經(jīng)網(wǎng)絡參數(shù)優(yōu)化問題，提出了改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價模型，該模型通過引入粒子群算法確定最優(yōu)RBF神經(jīng)網(wǎng)絡參數(shù)，從而實現(xiàn)高精度的環(huán)境舒適度評價，并通過具體測試實驗分析其有效性和優(yōu)越性。

1 改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價模型

1.1 建立室內(nèi)環(huán)境舒適度評價指標體系

M表示人體熱量代謝；W表示人體所做的機械功，在穩(wěn)定條件下，人體平衡狀態(tài)的儲備熱量為式(1)。

S=M-W-E-R-C

(1)

式中，E表示汗水蒸發(fā)帶走的熱量；R表示人體表面與外界環(huán)境的交換熱量；C表示人體表面和外界環(huán)境的對流交換熱量。

當S=0時，人本熱達到了平衡狀態(tài)，那么舒適度為式(2)—式(5)。

PMV=((0.3.3e-0.036M+0.028){M-W-3.05×10-5[5 733-6.99(M-W)-Pa]-0.42[M-W-58.15]-1.7×10-5M(5 867-Pa)-0.001 4M(34-ta)-3.96×10-8fcl[(tcl+273)4-(tr+273)4]-fclhc(tcl-ta)}

(2)

(3)

tcl=35.7-0.028(M-W)-Icl{3.96×10-8fcl[(tcl+273)4-(tcl+273)4]+fclhc(tcl-ta)}

(4)

(5)

式中，Pa表示空氣壓力；ta表示氣溫；tr表示環(huán)境輻射溫度；Va表示空氣流動速度；fcl表示衣服表面系數(shù)；Icl表示衣服熱阻；tcl表示衣服表面溫度；hc表示人體表面?zhèn)鳠嵯禂?shù)。

根據(jù)相關文獻研究，室內(nèi)環(huán)境舒適度評價指標主要為：室內(nèi)溫度(x1)、室內(nèi)光照(x2)、室內(nèi)濕度(x3)和室內(nèi)噪聲(x4)。室內(nèi)環(huán)境舒適度等級劃為4個等級，分別如表1所示。

表1 室內(nèi)環(huán)境舒適度等級劃分

1.2 RBF神經(jīng)網(wǎng)絡

RBF神經(jīng)網(wǎng)絡和其它神經(jīng)網(wǎng)絡一樣，是一種多層結構，典型的結構為3層結構，3層結構分別為：輸入層、隱含層、輸出層，每一層包含多個神經(jīng)元節(jié)點，同一層的神經(jīng)元節(jié)點之間沒有聯(lián)系，但是相鄰層神經(jīng)元節(jié)點之間存在一定的聯(lián)系。設第i個神經(jīng)元節(jié)點的輸入為Xi(i=1,2,…,n)，第j個神經(jīng)元節(jié)點輸出為Yj(j=1,2,…,m)，隱含層中心向量為cj(j=1,2,…,nc)，則RBF神經(jīng)網(wǎng)絡的輸出為式(6)。

(6)

式中，wij為隱含層與輸出層的神經(jīng)元節(jié)點之間的連接權值；wi0為第i個節(jié)點的閾值；Yij為第i個節(jié)點的輸出；nc為隱層節(jié)點個數(shù)；f為映射函數(shù)。

徑向基函數(shù)作為隱含層的映射函數(shù)，如式(7)。

(7)

式中，σi表示核寬度。

采用RBF神經(jīng)網(wǎng)進行室內(nèi)環(huán)境舒適度評價時，參數(shù)wij、ci和σi取值直接影響室內(nèi)環(huán)境舒適度評價精度，傳統(tǒng)RBF神經(jīng)網(wǎng)絡采用經(jīng)驗方法確定，具有一定的盲目性，無法建立最優(yōu)的室內(nèi)環(huán)境舒適度評價模型，為此本文采用粒子群算法改進RBF神經(jīng)網(wǎng)絡參數(shù)確定的方法，以提升室內(nèi)環(huán)境舒適度評價精度。

1.3 粒子群算法

粒子群算法包含多個粒子，這些粒子組成種群，每一個粒子具有一個位置向量和速度向量，對于第i個粒子，位置向量和速度向量分別為Xi=[xi,1,xi,2,…,xid]和Vi=[vi,1,vi,2,…,vid]，Pi和gi為第i個粒子和種群的歷史最優(yōu)位置，速度和位置更新方式為式(8)。

(8)

2.4 改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價步驟

Step1：建立室內(nèi)環(huán)境舒適度評價指標體系，并對它們的數(shù)據(jù)進行采集，確定室內(nèi)環(huán)境舒適度等級，其和室內(nèi)環(huán)境舒適度評價指標組成樣本集合。由于室內(nèi)環(huán)境舒適度評價單位不一樣，因此對它們進行歸一化操作，使它們的值均縮放到[0 1]之間，如式(9)。

(9)

Step2：根據(jù)室內(nèi)環(huán)境舒適度評價指標數(shù)量和舒適度等級構建RBF神經(jīng)網(wǎng)絡的結構。由于指標數(shù)為5個，那么輸入層的節(jié)點數(shù)為4，隱含層的節(jié)點為9，輸出層節(jié)點為4。

Step3：設置粒子群算法的相關參數(shù)如下：粒子群數(shù)量M；加速系數(shù)c1、c2；最大迭代次數(shù)Tmax。

Step4：初始化粒子群，每一個粒子代表一組參數(shù)wij、ci和σi。

Step5：計算每一個粒子的適應度函數(shù)值，本文的適應度函數(shù)采用室內(nèi)環(huán)境舒適度評價精度進行構建，如式(10)。

(10)

Step6：迭代次數(shù)增加，粒子群不斷更新位置和速度，當達到最大迭代次數(shù)時，根據(jù)最優(yōu)粒子的位置得到RBF神經(jīng)網(wǎng)絡參數(shù)wij、ci和σi的最優(yōu)值。

Step7：RBF神經(jīng)網(wǎng)絡根據(jù)參數(shù)wij、ci和σi的最優(yōu)值對室內(nèi)環(huán)境舒適度評價訓練樣本進行學習，建立最優(yōu)的室內(nèi)環(huán)境舒適度評價模型。

2 室內(nèi)環(huán)境舒適度評價的仿真測試

2.1 測試對象

為了分析改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價模型的性能，選擇某一個酒店會議室作為測試對象，該會議室長、寬、高分別為50米、20米、3.5米，安裝了空調(diào)，空間結構如圖1所示。

圖1 室內(nèi)環(huán)境舒適度評價的對象平面圖

通過數(shù)據(jù)采集儀器，如：溫度傳感器、濕度傳感器等對該會議室的內(nèi)環(huán)境舒適度評價相關數(shù)據(jù)進行采集，共采集100個樣本數(shù)據(jù)，RBF神經(jīng)網(wǎng)絡的最大迭代次數(shù)為500次。具體如表2所示。

表2 室內(nèi)環(huán)境舒適度評價實驗的相關數(shù)據(jù)

2.2 與傳統(tǒng)RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價結果比較

為了體現(xiàn)實驗的公平性，共進行5次仿真實驗，每一次仿真實驗從表1中隨機選擇60個樣本作為訓練樣本，剩下樣本作為測試樣本，其中室內(nèi)環(huán)境舒適度評價指標值作為RBF神經(jīng)網(wǎng)絡輸入，室內(nèi)環(huán)境舒適度值作為輸出，通過RBF神經(jīng)網(wǎng)絡的訓練，并采用粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡的參數(shù)，建立室內(nèi)環(huán)境舒適度評價模型，對測試樣本進行評價，并選擇傳統(tǒng)RBF神經(jīng)網(wǎng)絡作為對比模型，該模型參數(shù)憑經(jīng)驗方式確定，兩種模型的的室內(nèi)環(huán)境舒適度評價精度如圖2所示。

圖2 與傳統(tǒng)RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價精度比較

從圖2可以看出，相對于傳統(tǒng)RBF神經(jīng)網(wǎng)絡，改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價精度得到大幅度提升，這主要是由于本文模型通過引入粒子群算法找到了最優(yōu)的RBF神經(jīng)網(wǎng)絡參數(shù)，克服了當前室內(nèi)環(huán)境舒適度評價模型參數(shù)優(yōu)化難題，減少了室內(nèi)環(huán)境舒適度評價誤差，室內(nèi)環(huán)境舒適度評價結果更加可靠。

2.3 與經(jīng)典室內(nèi)環(huán)境舒適度評價模型的性能比較

為了分析改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價模型的優(yōu)勢，選擇文獻[10]的室內(nèi)環(huán)境舒適度評價方法和文獻[11]的室內(nèi)環(huán)境舒適度評價方法進行對比測試實驗，統(tǒng)計每一種模型在不同時間點的室內(nèi)環(huán)境舒適度評價誤差(%)，結果如圖3所示。

圖3 與經(jīng)典模型的室內(nèi)環(huán)境舒適度評價精度比較

對圖3的室內(nèi)環(huán)境舒適度評價誤差進行比較和分析可以發(fā)現(xiàn)，改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價誤差明顯少于對比模型，提升了室內(nèi)環(huán)境舒適度評價精度，獲得了更優(yōu)的室內(nèi)環(huán)境舒適度評價結果。

3 總結

為了解決當前各種室內(nèi)環(huán)境舒適度評價方法存在的局限，以改善室內(nèi)環(huán)境舒適度評價精度為目標，設計了基于改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價模型，將室內(nèi)環(huán)境舒適度評價指標值作為RBF神經(jīng)網(wǎng)絡的輸入，室內(nèi)環(huán)境舒適度等級作為RBF神經(jīng)網(wǎng)絡的期望輸出，通過RBF神經(jīng)網(wǎng)絡的智能學習功能，擬合輸入和輸出之間的變化關系，并通過引入粒子群算法解決RBF神經(jīng)網(wǎng)絡參數(shù)優(yōu)化問題，克服了傳統(tǒng)RBF神經(jīng)網(wǎng)絡的不足，最后與其它室內(nèi)環(huán)境舒適度評價模型的對比結果表明，改進RBF神經(jīng)網(wǎng)絡的室內(nèi)環(huán)境舒適度評價精度高，并且室內(nèi)環(huán)境舒適度評價更加可靠，具有較高的實際應用價值。