室内装饰设计界面材料生态学属性GA-GRNN评价模型对比研究

杨扬 周桓宇 郭艳玲

摘 要：為解决传统评价室内装饰设计界面材料生态学属性的方法受评价人员主观感受影响较大、耗时较长的问题，探索室内装饰设计界面材料生态学属性评价的便捷、快速、客观且低成本方法。首先，采用问卷调查的方式获取材料在视觉、触觉和声学方面的评价结果，使用分位数转换算法消除人为主观因素影响，并结合层次评价法对复合塑料板材、实木板材、金属板材、玻璃板材、花岗岩板材和石膏板材进行客观生态学属性评价。分别使用支持向量回归（SVR）、广义回归神经网络（GRNN）和神经网络算法（BP），以材料的光泽度、光反射率、隔声和吸声这4个特性作为输入量，建立室内装饰界面材料生态学属性评价模型。运用均方误差（MSE）、相关系数、绝对误差和相对误差等评价指标评估不同模型的优劣程度。结果表明，3种模型均能够较好地给出评价，GRNN模型的效果最佳。使用基于GRNN模型的评价方法，仅需要测量材料的特性就可以得到客观的评价结果，极大地减少了评价过程的工作量，具有现实意义。

关键词：广义回归神经网络;支持向量回归;BP神经网络;生态学属性评价;室内装饰材料;层次分析法

中图分类号：S772    文献标识码：A   文章编号：1006-8023（2022）02-0068-06

Comparative of GA-GRNN Ecological Properties Evaluation Model

of Interface Materials for Interior Decoration Design

YANG Yang1，2， ZHOU Huanyu2， GUO Yanling2*

（1.Harbin University， Harbin 150076， China;

2.College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：In order to solve the problem that the traditional evaluation method of ecological attributes of interior decoration design interface materials is greatly affected by subjective feelings of evaluators and time-consuming， a convenient， rapid， objective and cheap method of ecological attributes evaluation of interior decoration design interface materials is explored. First， the evaluation results of the material in terms of visual， tactile and acoustic aspects are obtained by means of a questionnaire survey， and the quantile conversion algorithm is used to eliminate the influence of human subjective factors， and the objective ecological attributes of composite plastic board， crushed wood boards， stainless steel boards， flat glass boards， granite plates， and gypsum plates are evaluated by combining the AHP evaluation method. Using support vector regression （SVR）， general regression neural network （GRNN） and BP neural network algorithms respectively， and taking the four characteristics of material gloss， light reflectivity， sound insulation and sound absorption as inputs， the ecological attribute evaluation model of interior decoration interface materials is established. The evaluation indexes such as mean squared error （MSE）， correlation coefficient， absolute error and relative error are used to evaluate the advantages and disadvantages of the different models. The results show that the three models can give a good evaluation， and the GRNN model has the best effect. By using the evaluation method based on GRNN model， objective evaluation results can be obtained only by measuring the properties of materials， which greatly reduces the workload of the evaluation process and has practical significance.

Keywords：General regression neural network; support vector regression; backward propagation neural network; ecology property evaluation; indoor materials; analytic hierarchy process

0 引言

随着生活水平的不断提高，越来越多的人们追求良好的居住环境和生活环境。建筑的生态化发展是解决这一问题的有效方法。生态化的室内设计不但有益于人类的身心健康，也是当今生态建筑的主要研究方向。作为室内设计的基础，装饰材料的空气污染指数、能耗以及隔音性能等一系列生态学性质直接决定了室内设计的品质，进而影响居住者的身心健康。因此，十分有必要开展室内装饰设计界面材料生态学属性评价方面的研究。然而，目前关于装饰界面材料的研究，大多数局限于某种具体材料的实例分析。这些方法具有一定的主观性，不能给出不同材料间的客观评价。一些学者运用数学方法有效地解决了材料的属性评价问题。基于类似的想法，在深入分析室内界面材料生态学属性的基础上。最终选定了其可能与室内环境最为相关的4个特性作为评价模型的输入变量，分别为材料的隔声特性、吸声特性，光泽度特性和光反射率特性 。

建立评价模型还需要获取材料的评价结果。单独使用问卷调查的方式评价多种材料的生态学属性，可能会受个体心理感受上差异的作用，随机性太大，在被测试人数不够充足的情况下极易产生极端样本，影响最终的评价结果。为了削弱个体差异对实验的影响，在以下方面进行了改进。其一，对问卷调查的内容进行调整，被测者只需给出材料声学、视觉、触觉感受上好坏的评价，而非对材料生态学属性进行直接评价;其二，使用分位数转换算法进一步消除个体差异的影响;其三，使用层次评价法给出更客观的材料生态学属性评价。

选取多种机器学习方法用于建立材料生态学属性评价模型。使用均方误差（MSE）、相关系数（r）、绝对误差和相对误差等评价指标评价模型的优劣程度，以获取最适合于评价材料生态学属性的模型，并用于评价室内装饰设计界面材料生态学属性评价。

1 材料与方法

1.1 材料特性测量

以大小均为300 mm×300 mm×10 mm的复合塑料板材、实木板材、金属板材、玻璃板材、花岗岩板材和石膏板材作为实验材料。每类板材取5片，所有材料均采购于哈尔滨红星美凯龙哈西商场，如图1所示。

（1）材料光反射特性测定。运用重复精度为0.3%的BGD-580反射率测定仪，测量各个板材样本的光反射率。每个板材表面随机选取7个测量点，每个测量点测量3次并取平均值。

（2）材料光泽特性测定。运用WGG60通用型光泽度测量仪测量各个板材的光泽度。在进行测量前，擦拭板材以确保其表面无灰尘、杂质。每块板材分别随机选取7个测量点并设置测量点入射角度为60°。每个测量点测量3次并取平均值。

（3）材料隔声性测定。按照国家标准GB/T 50121—2005《建筑隔声评价标准》进行隔声性测试，使用2个相邻的房间，分别编号为房间1、2。在2个房间内的相同位置放置声级记录仪，并将被测试材料放置在房间2预先设定好的测点上。在房间1内开启白噪声发生器，設置125、250、500、1 000、2 000、4 000 Hz为白噪声的中心频率。观察并记录房间1和房间2的声压级以及房间2的混响时间即可求得材料的隔声量。

（4）材料吸声性测定。按照GBJ 88—1985《驻波管法吸声系数与声阻抗率测量规范》进行测试，将被测试材料固定在直径为100 mm的测量管的一侧。开启振荡器，在振幅适中的情况下，调整振荡频率至100 Hz。不断调整传声器和探管的位置，分别记录测量放大器表盘上数值的最大值和最小值以及相应的位置参数。重复上述过程，测量并记录第2个波谷、波峰的位置参数和相应的声压级信息。多次计算振荡器设置频率下的材料吸声系数并取平均值。调整振荡器频率，采用相同的方法计算出材料吸声系数。对材料在100～2 000 Hz的频率范围内进行测试。随后使用直径为30 mm的测量管替代直径为100 mm的测量管，在1 000～4 000 Hz的频率范围内以同样的方法测量被测试材料的吸声系数。

1.2 材料生态学属性评价

室内装饰设计界面材料的评价分为2步完成。完整的评价过程如图2所示。

首先采用问卷调查，随机选取一块材料，被测试者给出其视觉、触觉和声学感受属性上的评价。被测试者均为成年人，由学历水平不同的志愿者组成，具体包括高中及以下学历、专科、本科及本科以上学历，男女比例1∶1，年龄在18～60周岁间。被测试者按照表1的标准给出分值。需要说明的是，人类观察者更容易从视觉、触觉和声学给出感官上具体的评价。

采用问卷调查方式得到的数据易受到被测试者主观感受影响，调查结果极有可能存在一定量异常数据。一个可行的解决方案是使用分位数转换算法抑制异常数据的出现。统计问卷调查结果的分布，分别计算出第1、第2、第3四分位数，并调整其值至相应的正态分布分位数上。

随后从材料生态学的角度，使用层次分析法剖析其生态学属性，给出定量的评价。根据上述得到的某一材料样本在视觉特性、触觉特性和声学特性取得的分数计算出该材料样本的生态学属性得分。

使用层次分析法建立视觉特性x1、触觉特性x2、声学特性x3与材料生态学属性z间的关系。每次取2个影响因子xi和xj进行对比，并记aij为xi和xj对z的影响大小的比值。遍历i和j，可以得到两两对比结果矩阵A=（aij）n×n。根据定义，令aij>0且aji=1/aij，其中aij的取值方法具体见表2。

严格按照层次分析法打分标准，参考相关资料统计结果，构成相应的判断矩阵，见表3。

理论上，除A最大特征值λmax=3.004 4应等于矩阵A的阶数外，其余特征值应为零。求解最大特征值的归一化特征向量可得ξ=（0.454 1，0.724 2，0.518 9）。ξ即为权重系数，其与视觉、触觉和声学特性3方面的评价的乘积即为材料生态学属性评价。

1.3 回归模型的建立

以6种材料样本的光泽特性、光反射特性、隔声性和吸声性为输入，相应的生态学属性评价为输出，建立广义回归神经网络模型（General Regression Neural Network， GRNN），用于评价材料的生态学属性。考虑到数据量较少，使用交叉验证的方式进行训练。GRNN可分为输入层、模式层、求和层、输出层。设GRNN输入为x=x1，x2，…，xm，输入层神经元个数为m。模式层的神经元数目与学习样本数目相同，取值为n，模式层第i个神经元的传递函数为

Ti=e-（x-xi）T（x-xi）2σ2，i=1，2，…，n。（1）

式中：Ti为第i个神经元的输出;xi为第i个神经元对应的学习样本;σ为平滑系数，决定了网络性能的优劣，在本文中使用遗传算法对其优化，以获取最佳的网络性能。

求和层包括2种神经元（SD、SN），其功能如下

SD=∑ni=1Ti ;（2）

SN=∑ni=1（yiTi） 。（3）

式中，yi为第i个样本的评价值。

最后，输出层神经元功能为

y︿=SNSD（4）

式中，y︿表示模型输出的评价值。

在具体的实验过程中，使用了支持向量机（SVR）、反向传播BP神经网络进行了对照。

2 结果与分析

问卷调查和层次评价法评价材料的方法需要消耗大量人力物力，在大多数需要材料生态学属性评价的场合，寻找大量可以客观评价的人员是不现实的。因此，提出了一种可以根据可测量的材料特性参数映射到材料评价分值的方法。这样只需要简单地测量材料参数就可以获得客观的材料生态学属性评价。

通过测量材料的光反射特性、光泽特性、隔声性和吸声性作为数据，输入到设计的模型中，模型就会给出合理的评价分值。

将按照1.1和1.2节方法获取的数据随机按照3∶1的比例划分为训练数据和测试数据。使用训练数据分别训练SVR、BP神经网絡、GRNN模型。其中，使用遗传算法优化GRNN的参数σ，以取得最佳评价效果。使用网格交叉验证寻优方法获取SVR的2个决定评价效果的参数。使用随机梯度下降法寻找到使得BP神经网络具有最佳评价效果的各神经元权值和偏置参数。

表4为总体样本数据上对3种不同的模型的评价，评价指标为均方差（MSE）和相关系数（r）。

从相关系数和均方误差的角度上来看，3种评价模型均可以较客观地评价室内装饰材料的生态学属性，SVM和GRNN模型评价更为客观。

图3为3种模型在总体测试样本数据上的评价结果与使用1.2小节方法给出材料评价结果的对比图。可以观察到测试样本数据本身具有较大噪声，这主要是受问卷调查过程个人因素的影响所致。从结果上来看，与基于BP神经网络的评价模型相比，基于SVM的评价模型和基于GRNN的评价模型给出的评价结果更为客观。

在测试样本数据上，观测不同评价模型的评价结果与使用1.2节方法给出材料评价结果之间的绝对误差和相对误差，得到结果如图4所示。观察图4（a）可知，在部分测试数据上基于 BP神经网络评价模型的评价结果与使用1.2节方法给出材料评价结果之间存在较大的绝对误差，基于SVR和基于GRNN的评价模型表现更好;由图4（b）可知，基于SVR评价模型的评价结果与1.2节方法给出材料评价结果间存在较大的相对误差，基于GRNN和基于BP神经网络的评价模型表现相对较好。

综合考虑3种模型在相关系数、均方误差、绝对误差和相对误差等方面的表现，模型优劣程度由大到小排序的结果依次为：基于GRNN的评价模型、基于SVR的评价模型、基于BP神经网络的评价模型。因此，选取基于GRNN的评价模型用于材料生态学属性的评价。该模型在实际应用中不受人主观心理作用的影响，模型训练完成后，其输出的评价分值与输入的室内装饰界面材料光反射特性、光泽特性、隔声性和吸声性测试值呈非线性多元函数关系。相关工作人员只需要简单测量材料的特性就可以得到客观评价，节省了大量人力、物力资源，以及时间、金钱成本。

3 结论

使用机器学习方法建立了从材料的光反射特性、光泽特性、隔声性和吸声性到材料生态学属性评价的映射模型。相较于传统方法，评价模型具有评价时间短、结果更为客观等众多优势。选取复合塑料板材、实木板材、金属板材、玻璃板材、花岗岩板材、石膏板材6种常见材料作为模型学习样本。使用问卷调查、分位数转换法和层次分析法对全部材料样本进行标准化评价用以训练模型。随后基于SVM、GRNN、BP神经网络3种机器学习方法分别建立了评价模型。依据均方误差（MSE）、相关系数（r）、绝对误差和相对误差对3种评价模型的优劣程度进行评价。结果表明GRNN评价模型的评价结果最为客观。基于GRNN评价模型的方法在实际应用中不受人主观心理作用的影响，其结果只与材料特性有关，无需大量工作人员参与评价，因此评价更为客观且成本较低。为室内装饰界面材料生态学属性的评价提供一种便捷、快速、客观且低成本的方法。

【参 考 文 献】

TIAN G D， ZHANG H H， FENG Y X， et al. Green decoration materials selection under interior environment characteristics： a grey-correlation based hybrid MCDM method. Renewable and Sustainable Energy Reviews， 2018， 81： 682-692.

JOHNSTON C J， NIELSEN T R， TOFTUM J. Comparing predictions by existing explicit emission models to real world observations of formaldehyde emissions from solid materials. Building Simulation， 2020， 13（1）： 185-195.

FU W L， SHAO K X， TAN J W， et al. Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization. IEEE Access， 2020， 8： 13086-13104.

SAFALDIN M， OTAIR M， ABUALIGAH L. Improved binary gray wolf optimizer and SVM for intrusion detection system in wireless sensor networks. Journal of Ambient Intelligence and Humanized Computing， 2021， 12（2）： 1559-1576.

CHEN Y F， SHEN L G， LI R J， et al. Quantification of interfacial energies associated with membrane fouling in a membrane bioreactor by using BP and GRNN artificial neural networks. Journal of Colloid and Interface Science， 2020， 565： 1-10.

QIAO L， WANG Z B， ZHU J C. Application of improved GRNN model to predict interlamellar spacing and mechanical properties of hypereutectoid steel. Materials Science and Engineering： A， 2020， 792： 139845.

WU Z Z， LI H， FENG Y， et al. Developing a green building evaluation standard for interior decoration： a case study of China. Building and Environment， 2019， 152： 50-58.

俞海勇，曾杰，张德东，等.层次分析法在装饰装修材料评价中的应用.绿色建筑，2018，10（2）：17-20.

YU H Y， ZENG J， ZHANG D D， et al. Application of AHP in decoration material evaluation. Green Building， 2018， 10（2）： 17-20.

ALAPIETI T， MIKKOLA R， PASANEN P， et al. The influence of wooden interior materials on indoor environment： a review. European Journal of Wood and Wood Products， 2020， 78（4）： 617-634.

SHEN J Y， ZHANG X， LIAN Z W. Gender differences in human psychological responses to wooden indoor environment. European Journal of Wood and Wood Products， 2021， 79（1）： 217-226.

TSUNETSUGU Y， MATSUBARA E， SUGIYAMA M. Evaluation of the impact of wooden living environments on humans. Mokuzai Gakkaishi， 2017， 63（1）： 1-13.

ZHANG X， LIAN Z W， DING Q F. Investigation variance in human psychological responses to wooden indoor environments. Building and Environment， 2016， 109： 58-67.

ZHANG X， LIAN Z W， WU Y. Human physiological responses to wooden indoor environment. Physiology & Behavior， 2017， 174： 27-34.

楊扬，王逢瑚，蒋大鹏.室内装饰界面材料生态学属性PSO-SVR模型的建立.东北林业大学学报，2019，47（4）：81-85.

YANG Y， WANG F H， JIANG D P. PSO-SVR model for ecology property of indoor decoration surface materials. Journal of Northeast Forestry University， 2019， 47（4）： 81-85.

程朋根，黄毅.基于AHP-熵权法的南昌市洪涝风险评估.人民长江，2021，52（10）：18-25.

CHENG P G， HUANG Y. Flood risk assessment of Nanchang City based on AHP and entropy method. Yangtze River， 2021， 52（10）： 18-25.

王洁，杨奕杰，王杰，等.基于近20a历史数据的中国沿海城市台风灾害风险评估.海洋预报，2021，38（5）：24-30.

WANG J， YANG Y J， WANG J， et al. Typhoon disaster risk assessment of coastal cities in China based on historical data over the past 20 years. Marine Forecasts， 2021， 38（5）： 24-30.

李学工，李芳.重大突发事件下应急冷链供应链协同化评价模型及策略研究.中国安全生产科学技术，2021，17（10）：18-24.

LI X G， LI F. Research on synergistic evaluation model and strategy of emergency cold chain supply chain under major emergencies. Journal of Safety Science and Technology， 2021， 17（10）： 18-24.

杨扬.木材生态学属性在室内装饰界面材料中的应用研究.哈尔滨：东北林业大学，2012.

YANG Y. Wood ecological attributes in interior decoration applied research in the interface material. Harbin： Northeast Forestry University， 2012.

王琛.数字样机技术在家具建模中的应用.林业机械与木工设备，2021，49（4）：76-78.

WANG C. Application of digital prototyping technology in furniture modeling. Forestry Machinery & Woodworking Equipment， 2021， 49（4）： 76-78.

卞海红，孙健硕.基于典型气象周的GRNN光伏发电量预测模型.电力工程技术，2021，40（5）：94-99.

BIAN H H， SUN J S. Photovoltaic power generation prediction model based on optimized TMY Method-GRNN. Electric Power Engineering Technology， 2021， 40（5）： 94-99.

景彤梅，齐咏生，刘利强，等.基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估.太阳能学报，2021，42（6）：400-408.

JING T M， QI Y S， LIU L Q， et al. Condition monitoring and health assessment of wind turbine gearbox based on KECA-GRNN. Acta Energiae Solaris Sinica， 2021， 42（6）： 400-408.

蒲实，程广福，余桐奎.基于GRNN算法的船舶轨迹分析方法.舰船科学技术，2021，43（17）：117-121.

PU S， CHENG G F， YU T K. Research on ship trajectory analysis method based on GRNN algorithm. Ship Science and Technology， 2021， 43（17）： 117-121.

高畅，于忠清，周强.GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用.机械传动，2021，45（3）：153-160.

GAO C， YU Z Q， ZHOU Q. Application of GA-ACO optimized BP neural network in fault diagnosis of planetary gearbox. Journal of Mechanical Transmission， 2021， 45（3）： 153-160.

謝丽蓉，杨欢，李进卫，等.基于GA-ENN特征选择和参数优化的双馈风电机组轴承故障诊断.太阳能学报，2021，42（1）：149-156.

XIE L R， YANG H， LI J W， et al. Bearing fault diagnosis using GA-ENN based feature selection and parameters optimization for doubly-fed wind turbine. Acta Energiae Solaris Sinica， 2021， 42（1）： 149-156.

周建民，王发令，张臣臣，等.基于特征优选和GA-SVM的滚动轴承智能评估方法.振动与冲击，2021，40（4）：227-234.

ZHOU J M， WANG F L， ZHANG C C， et al. An intelligent method for rolling bearing evaluation using feature optimization and GA-SVM. Journal of Vibration and Shock， 2021， 40（4）： 227-234.