应用改进RBF神经网络的室内环境舒适度评价

杨亮，王谊

(陕西工业职业技术学院 航空工程学院，陕西 咸阳 712000)

0 引言

随着生活水平不断改善，人们对生存环境关注度越来越高，室内环境与人们生活息息相关，室内环境好坏直接影响到人们生活质量[1-3]。对室内环境相关参数进行监测，为改善室内环境具有重要的意义。室内环境的舒适度是室内环境质量好坏衡量参数，室内环境舒适度高可以保证人们的身心健康，因此对室内环境舒适度评价进行科学、客观评价显得十分紧迫和重要[4-6]。

室内环境舒适度主要指室内环境对人的适宜程度，具有很强的主观性。近年来，随着电子技术、自动化技术、传感器技术以及网络技术的发展和融合，室内环境舒适度已经进行入了智能评价阶段，评价结果更加科学[7-9]。如出现了基于模糊理论的室内环境舒适度评价模型、基于人工神经网络的室内环境舒适度评价模型等[10-11]，由于室内环境舒适度具有一定的时变性，而模糊理论是一种线性建模技术，因此模糊理论的室内环境舒适度评价偏差比较大；人工神经网络是一种模仿人类大脑神经网络的信息处理系统，能够以任意精度逼近任何非线性问题的解，因此成为室内环境舒适度评价的主要研究方向，尤其径向基函数(RBF)的应用范围最为广泛。在RBF神经网络的室内环境舒适度评价过程中，其参数值的选择直接关系到室内环境舒适度评价结果，传统方法采用人工方式确定，这样难以建立最优的室内环境舒适度评价模型，室内环境舒适度评价结果不稳定[12-14]。

为了提高室内环境舒适度评价精度，针对RBF神经网络参数优化问题，提出了改进RBF神经网络的室内环境舒适度评价模型，该模型通过引入粒子群算法确定最优RBF神经网络参数，从而实现高精度的环境舒适度评价，并通过具体测试实验分析其有效性和优越性。

1 改进RBF神经网络的室内环境舒适度评价模型

1.1 建立室内环境舒适度评价指标体系

M表示人体热量代谢；W表示人体所做的机械功，在稳定条件下，人体平衡状态的储备热量为式(1)。

S=M-W-E-R-C

(1)

式中，E表示汗水蒸发带走的热量；R表示人体表面与外界环境的交换热量；C表示人体表面和外界环境的对流交换热量。

当S=0时，人本热达到了平衡状态，那么舒适度为式(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表示空气压力；ta表示气温；tr表示环境辐射温度；Va表示空气流动速度；fcl表示衣服表面系数；Icl表示衣服热阻；tcl表示衣服表面温度；hc表示人体表面传热系数。

根据相关文献研究，室内环境舒适度评价指标主要为：室内温度(x1)、室内光照(x2)、室内湿度(x3)和室内噪声(x4)。室内环境舒适度等级划为4个等级，分别如表1所示。

表1 室内环境舒适度等级划分

1.2 RBF神经网络

RBF神经网络和其它神经网络一样，是一种多层结构，典型的结构为3层结构，3层结构分别为：输入层、隐含层、输出层，每一层包含多个神经元节点，同一层的神经元节点之间没有联系，但是相邻层神经元节点之间存在一定的联系。设第i个神经元节点的输入为Xi(i=1,2,…,n)，第j个神经元节点输出为Yj(j=1,2,…,m)，隐含层中心向量为cj(j=1,2,…,nc)，则RBF神经网络的输出为式(6)。

(6)

式中，wij为隐含层与输出层的神经元节点之间的连接权值；wi0为第i个节点的阈值；Yij为第i个节点的输出；nc为隐层节点个数；f为映射函数。

径向基函数作为隐含层的映射函数，如式(7)。

(7)

式中，σi表示核宽度。

采用RBF神经网进行室内环境舒适度评价时，参数wij、ci和σi取值直接影响室内环境舒适度评价精度，传统RBF神经网络采用经验方法确定，具有一定的盲目性，无法建立最优的室内环境舒适度评价模型，为此本文采用粒子群算法改进RBF神经网络参数确定的方法，以提升室内环境舒适度评价精度。

1.3 粒子群算法

粒子群算法包含多个粒子，这些粒子组成种群，每一个粒子具有一个位置向量和速度向量，对于第i个粒子，位置向量和速度向量分别为Xi=[xi,1,xi,2,…,xid]和Vi=[vi,1,vi,2,…,vid]，Pi和gi为第i个粒子和种群的历史最优位置，速度和位置更新方式为式(8)。

(8)

2.4 改进RBF神经网络的室内环境舒适度评价步骤

Step1：建立室内环境舒适度评价指标体系，并对它们的数据进行采集，确定室内环境舒适度等级，其和室内环境舒适度评价指标组成样本集合。由于室内环境舒适度评价单位不一样，因此对它们进行归一化操作，使它们的值均缩放到[0 1]之间，如式(9)。

(9)

Step2：根据室内环境舒适度评价指标数量和舒适度等级构建RBF神经网络的结构。由于指标数为5个，那么输入层的节点数为4，隐含层的节点为9，输出层节点为4。

Step3：设置粒子群算法的相关参数如下：粒子群数量M；加速系数c1、c2；最大迭代次数Tmax。

Step4：初始化粒子群，每一个粒子代表一组参数wij、ci和σi。

Step5：计算每一个粒子的适应度函数值，本文的适应度函数采用室内环境舒适度评价精度进行构建，如式(10)。

(10)

Step6：迭代次数增加，粒子群不断更新位置和速度，当达到最大迭代次数时，根据最优粒子的位置得到RBF神经网络参数wij、ci和σi的最优值。

Step7：RBF神经网络根据参数wij、ci和σi的最优值对室内环境舒适度评价训练样本进行学习，建立最优的室内环境舒适度评价模型。

2 室内环境舒适度评价的仿真测试

2.1 测试对象

为了分析改进RBF神经网络的室内环境舒适度评价模型的性能，选择某一个酒店会议室作为测试对象，该会议室长、宽、高分别为50米、20米、3.5米，安装了空调，空间结构如图1所示。

图1 室内环境舒适度评价的对象平面图

通过数据采集仪器，如：温度传感器、湿度传感器等对该会议室的内环境舒适度评价相关数据进行采集，共采集100个样本数据，RBF神经网络的最大迭代次数为500次。具体如表2所示。

表2 室内环境舒适度评价实验的相关数据

2.2 与传统RBF神经网络的室内环境舒适度评价结果比较

为了体现实验的公平性，共进行5次仿真实验，每一次仿真实验从表1中随机选择60个样本作为训练样本，剩下样本作为测试样本，其中室内环境舒适度评价指标值作为RBF神经网络输入，室内环境舒适度值作为输出，通过RBF神经网络的训练，并采用粒子群算法优化RBF神经网络的参数，建立室内环境舒适度评价模型，对测试样本进行评价，并选择传统RBF神经网络作为对比模型，该模型参数凭经验方式确定，两种模型的的室内环境舒适度评价精度如图2所示。

图2 与传统RBF神经网络的室内环境舒适度评价精度比较

从图2可以看出，相对于传统RBF神经网络，改进RBF神经网络的室内环境舒适度评价精度得到大幅度提升，这主要是由于本文模型通过引入粒子群算法找到了最优的RBF神经网络参数，克服了当前室内环境舒适度评价模型参数优化难题，减少了室内环境舒适度评价误差，室内环境舒适度评价结果更加可靠。

2.3 与经典室内环境舒适度评价模型的性能比较

为了分析改进RBF神经网络的室内环境舒适度评价模型的优势，选择文献[10]的室内环境舒适度评价方法和文献[11]的室内环境舒适度评价方法进行对比测试实验，统计每一种模型在不同时间点的室内环境舒适度评价误差(%)，结果如图3所示。

图3 与经典模型的室内环境舒适度评价精度比较

对图3的室内环境舒适度评价误差进行比较和分析可以发现，改进RBF神经网络的室内环境舒适度评价误差明显少于对比模型，提升了室内环境舒适度评价精度，获得了更优的室内环境舒适度评价结果。

3 总结

为了解决当前各种室内环境舒适度评价方法存在的局限，以改善室内环境舒适度评价精度为目标，设计了基于改进RBF神经网络的室内环境舒适度评价模型，将室内环境舒适度评价指标值作为RBF神经网络的输入，室内环境舒适度等级作为RBF神经网络的期望输出，通过RBF神经网络的智能学习功能，拟合输入和输出之间的变化关系，并通过引入粒子群算法解决RBF神经网络参数优化问题，克服了传统RBF神经网络的不足，最后与其它室内环境舒适度评价模型的对比结果表明，改进RBF神经网络的室内环境舒适度评价精度高，并且室内环境舒适度评价更加可靠，具有较高的实际应用价值。