文摘
在繁忙的现代社会,体验快节奏的工作,人们最渴望的是有一个相对轻松和舒适的室内场景。与此同时,随着物质生活水平的提高,人们越来越高的要求,办公室和室内环境,和室内温度环境创建一个舒适的感觉是很重要的。良好的室内躯体感觉温度环境不仅可以传达躯体感觉舒适的程度,还放松人的身体,空调控制系统可以恢复室内温度环境。基于上述问题,本文采用神经网络建模方法,基于室内舒适指数集价值和其他因素,可以影响到环境温度,针对人体温度舒适,构造一个BP神经网络模型与室内环境参数作为输入指标,并利用改进的粒子群优化算法来优化模型,以实现实时控制值,然后分析了室内热环境因素和组之间的关系值,模型通过仿真实验进行了优化改进模型的优化程度。恢复室内环境模型的实践表明,基于改进BP神经网络构建了本文可以优化空间参数,以提高室内舒适度和给人一个温暖的住宿环境。
1。介绍
世贸组织指出,健康是指人们拥有一个相对健康的身体和精神状态,并能更好地适应社会,而不是简单地指的是身体的疾病。只有当你身心健康,你才能称之为健康(1]。健康不仅是要平衡自己也要平衡自己和周围环境之间的关系。
在环境心理学的观点,人与环境之间存在着自然的连接。一些外部环境不仅为我们提供日常需要注入新的精神资源我们在保证物质基础的前提下。这是“恢复环境的起源。”在熙熙攘攘的城市一天24小时运行,人们似乎牢牢束缚。不同类型的阴霾和噪音等环境污染,人们正逐渐远离最简单自然的生活状态。从长远来看,焦虑和焦虑会繁殖2]。如今,越来越多的亚健康的人存在,也有越来越多的人有心理问题(3- - - - - -5]。在此基础上,绝大多数人希望能够专注于他们的工作任务,没有外部干扰。根据自控力的理论模型,如果你想维持浓度在一个嘈杂的环境中,你必须消耗自我控制资源,导致疲劳6]。幸运的是,这种情况下可以弥补自我控制资源吃饭,休息,和其他不同的方法(7]。鲍迈斯特和其他人做了一个非常生动的比喻,比较自我控制肌肉,累了休息后使用,在一定程度上恢复后(8]。
恢复环境的研究已经有较长的历史,形成了一个相当深厚的理论基础。在19世纪,奥姆斯特德向世界展示“康复”这个词。在他看来,人们可以得到放松和平静的自然环境,和城市居民自热还可以帮助释放压力。这一发现引起了冲击环境心理学领域的。然后卡普兰和托尔伯特正式提出“恢复环境,”这个词相信自然环境的恢复效果相当不错,这有利于人们的身心健康。环境心理学的不断发展,直到上个世纪的中期和后期,对恢复环境的研究已经取得了重大突破,形成了很多成熟的理论和观点,如环境负荷理论,唤醒理论,等等。其中,乌尔里希等人一再表明,人们可以有效地减轻压力和负担,亲近自然,接触大自然,和这次复苏效果遇到了巨大的阻力在城市环境9]。基于上述理论,随后对这一理论的研究主要集中在环境空间的应用和实践,认为康复的影响通过各种方法如实验和现场调查,并进一步加深和扩展这一理论通过使用数据。Korpela等人发现,恢复相关经验是人们首选的地方。事实上,人们可以恢复自己的情绪在一定程度上熟悉的场景和地方(10]。等人分析了修道院的环境恢复通过一份调查问卷,并相信修道院的修复功能确实存在(11]。通过调查城市公园和森林的恢复在苏黎世,等人发现,绿色空间运动可以缓解身心压力,提高自己的幸福指数,并支持恢复环境的理论(12]。古铁雷斯等人深入研究了应用程序恢复景观在校园环境中,以减少负荷和压力的教师,学生,和员工,进一步扩大了恢复环境理论的实践空间(13]。除了上述研究人员和他们的研究结果,也有大量的研究书籍、文件、和材料国外恢复性环境理论。他们深入分析的理论及其应用效果在特定环境通过访问网站,调查、实地考察、逻辑推导,和其他方法,也提供了一个良好的理论依据和科学指导。
随着科学技术的快速发展,人们更倾向于花大部分时间在室内。因此,室内环境是否满足人体的热舒适不仅产生重大影响人们的工作效率,也影响人们的身心健康。如今,几乎所有传统空调控制系统只使用单一温度控制调节室内热环境,没有直接基于人们的热舒适性。这种控制方法不仅是一般的影响也是巨大的能源消耗。因此,作者认为,我们应该首先选择一个合适的热舒适的评价指标,评价是否在人体热舒适感觉根据这一指数,和控制它,让它倾向于舒适性的范围。只有这样才能室内环境真正满足人体的热舒适。
然而,恢复理论研究相对较少的室内环境。然而,人们花费超过80%的时间在室内。一个好的室内环境是有利于提高工作效率。目前,空调系统只使用温度测量室内环境舒适,忽视与人体热舒适相关的其他变量(14- - - - - -16]。因此,在许多情况下,它不能满足人们的需求为热舒适,而且它还将导致运营成本的增加和空调系统的能源消耗。现在我们使用的标准有效温度设置指数ASHRAE这样推荐的标准和广泛用于测量热环境。集直接关系到人的热感觉而不是空气温度。Gagge提出,综合考虑温度的影响,湿度、平均辐射温度、风速、等等,不同的活动水平的影响下和服装热阻。集可以更有效地反映人体的热舒适比简单的空气温度(17- - - - - -20.]。热感觉的主观评价标准分为七个等级:冷,很酷,有点酷,温和,热情,有点温暖,热。当室内环境舒适,集的范围指数(21,22]。
一组指数是基于热舒适指标的非线性和时变特性的生理响应模型。传统的计算方法需要计算的影响空气温度、湿度、风速、平均辐射温度等参数对人类皮肤的温度和湿度通过反复迭代。计算公式复杂,不能确定在实时。因此,很难满足实时控制的要求的空调系统23- - - - - -25]。许多研究假定样本数据在一定的范围内,但实测样本数据更有利于训练集指数模型。
因此,在本文中,四个环境因素通过实测样本数据,和粒子群优化算法优化BP神经网络。该方法可以计算的值集在实时,解决复杂的迭代操作,提高神经网络的收敛速度和预测精度。建立了相应的神经网络模型。
2。神经网络模型和优化算法
2.1。BP神经网络模型
BP(反向传播)结构如图1。神经元排列成层,独立的层内和层间完全连接。传输和处理的信息是网络中的一个方向,也没有反馈循环。在那里, 代表一个n维输入序列组成的n特征信息;是连接输入层和隐层之间的重量;是一个隐藏层和输出层神经元之间的连接权重,然后呢 隐藏层的阈值; 输出层的门槛; 模型输出序列;代表网络的激活函数中产层和输出层,分别,26- - - - - -28]。
2.2。BP神经网络学习过程
BP神经网络的学习过程如下:(1)首先,我们初始化网络学习参数的BP神经网络模型,更新网络的权重阈值和指定训练误差E、额定精度和学习速率根据经验或适用的试验和错误的方法η,学习速率是[0,1];(2)修改网络上的一些基本参数后,我们将训练集数据输入模型,然后计算每个节点的转发输出的网络;(3)完成第二步之后,还需要计算出预期的输出与网络输出之间的偏差;(4)第三步后,计算每一层的参数校正信息;(5)多次调整每个神经元节点的权重。如果E<η或达到最大训练次数,算法结束。
2.2.1。信号正向传播过程
输入信号的j隐层的th节点如下:
输出信号的jth节点后,隐藏层通过函数和被激活:
输入信号的t输出层的th节点如下:
输出层后激活函数 ,输出信号的tth节点如下:
2.2.2。信号传播过程
后转发信号由输出层处理,网络输出与实际输出之间的偏差计算一层一层地,和网络的每一层的权重阈值反向修改根据梯度下降算法优化结构参数(29日]。
假设训练样本包含P数据。一个样本的数据点 ,错误如下:
整个训练样本集的错误如下: 在哪里和代表的实际输出与网络输出tth节点输出层的输入样本p。
它可以获得修正后为: 在哪里和代表输出的误差信号层和隐层,分别。
2.3。粒子群优化算法
粒子群优化(PSO)算法是一个移动搜索的过程中进行肯尼迪博士和埃伯哈特,经过深入分析自然鸟类捕食的过程中,理想化的个人鸟类涌入一个粒子,借鉴组中的每个鸟的个性和社会性行为,模拟和简化成一个粒子的个体最优解的可行解空间和全局最优解同时[30.- - - - - -33]。每个位置更新过程中,粒子不仅应该指的是历史最优值记录本身也考虑另一个人搜索的最优值,并调整其搜索方向的全面指导下这个信息使集团最优极值的方法。
单个粒子的位置代表一个可行的解决优化问题的粒子群优化算法,这是代入目标函数评价健身,和粒子位置根据健身比较结果不断更新优化来解决这个问题。首先随机生成一个初始种群的粒子群优化算法米粒子的D维可行解空间和随机配备一定的飞行速度。为我th粒子,粒子位置记录 ,其飞行速度记录 ,个体历史最优值被记录 ,和群体的历史最优值记录 在迭代过程中,粒子的更新速度和位置(9)和(10): 在哪里惯性权重,范围是[0,1]的范围内; ; ; 是当前搜索代数;c1和c2正在学习因素,通常等于负的值;的随机数r1和r2是相互独立的,区间[0,1]。通常情况下,粒子的位置和速度应该禁止穿越边界,这是局限于一个特定的空间,也就是说, , ,为了避免无效的搜索,加快优化过程。
标准PSO算法流程如下:(1)初始化群体大小,重量,惯性学习因素,初始粒子的速度和位置,指定粒子速度限制 和位置限制 ;(2)计算每个粒子的适应度值根据问题的客观评价函数进行优化;(3)比较当前健身每个粒子的历史最优值函数值。如果前评估值更好,个体最优位置将被更新当前位置坐标,否则,它将保持不变;(4)比较所有粒子的历史局部最优值和全局最优值的人口,并使用粒子位置更好的适应度函数值来消除全局最优值的位置,否则,它将保持不变;(5)更新粒子的速度和位置根据方程(9)和(10);(6)如果迭代的最大数量已经达到或者预设的健身最小误差,算法结束,否则,返回项目(2)进入下一次迭代。
2.4。恢复环境理论
“恢复环境”是基于环境设置的维度,试图更新和恢复身体和精神资源和能力,不断被人类。它可以有效地减少人们的压力,减少人们的不良情绪,减少内部疲劳,确保身心的健康发展。在这个阶段,经济复苏过程肉眼可见,比如改善定向注意力的任务,积极改变情绪完全取决于个人的行为使用资源(7]。此外,愈合的环境是指环境可以持续恢复和更新的物理和精神资源和能力被人类。同时,在环境心理学的层面上,它可以科学评估社会和心理环境的属性,也可以有效地应用于身体和精神治疗,景观设计,城市规划和其他方面9]。
我们可以总结环境的积极作用在促进人类从三个方面:全面改善人类长期幸福和健康;在短时间内恢复人类精神疲劳;迅速让人类摆脱疾病的痛苦,尽快恢复他们的健康。如果同时满足上述需求或在某种程度上,它可以被称为恢复环境。室内环境温度在这项研究中,也就是说,短期内调节温度,是预期的目标。室内温度的设计由神经网络建模技术有恢复的影响,讨论了在工业设计领域。
自1980年代以来,卡普兰等人研究了深度恢复环境通过结合理论和实证研究,先后提出了理论的关注恢复和减压。在学习的过程中恢复环境,它们都可以被称为两个核心理论。尽管他们有自己的重点评估标准,概念定义,操作方法,等等,从研发的角度,最后集成的可能性更大,和环境质量的评估将变得越来越丰富和系统。
2.5。标准有效温度设置
一组指数综合考虑不同的活动水平和服装热阻。它是基于人类的生理反应模型,从分析获得人类传热的物理过程,所以计算是非常复杂的。一组指数是基于两节点模型理论,人体调节体温。即模型被认为是两层,核心层和皮肤层。它的模型由两个热平衡方程可以表示为: 在哪里和芯层的温度和皮肤层;SkBF外周血流量(L /嗯2);米是人体的新陈代谢率,W是人体的外部工作;α人类皮肤层的比例;米体重(公斤);是人体的比热容(kJ /公斤);是杜布瓦获得的总表面面积公式;是空气温度;平均辐射温度;和对流和辐射传热系数;是衣服的面积系数;是衣服的渗透系数;皮肤水分;和是指空气温度下的水压力和皮肤温度下的饱和水压力。
集索引考虑空气温度的综合影响,湿度、风速、平均辐射温度、服装热阻、和不同活动水平对人体热感觉。集的计算是复杂的,需要反复迭代电脑。首先,人体的生理参数必须通过使用双节点模型,计算和人类和环境之间的热传导平衡方程可以获得。如果是皮肤的热损失,它是由下列方程表示为: 在哪里是标准的对流传热系数( ); 是标准的蒸发传热系数( ); 在空气中水蒸气的饱和压力皮肤温度(kPa);是饱和水压力(kPa)设置 。
3所示。算法改进和性能测试
3.1。改进的粒子群优化算法
标准粒子群算法并行处理一组解决方案更新另一组解决方案优化的过程。复数域的粒子随机移动,局部搜索和全局搜索之间的平衡是通过粒子合作与竞争的进化。全局收敛性和抗干扰能力34,35]。然而,算法的局部搜索能力差,和优化结果是容易陷入局部最小值的目标函数的算法后期收敛慢,和一个不成熟的现象发生。
标准PSO算法的缺陷,进一步探索鸟类群的方式沟通后,胡锦涛王et al。验证,全局搜索算法的搜索性能相关性低速度,然后放弃了速度参数全局搜索的迭代更新,并提出一种改进的简化粒子群优化算法,称为SPSO。SPSO只有通过位置信息完成粒子的优化,有效地减少了人类干扰因素增加的初始化速度,提高算法的精度和稳定性。改进的粒子位置更新公式为:
3.2。改进的粒子群优化算法的性能测试
为了验证PSO算法具有更好的优化和收敛能力,本文比较了PSO和SPSO通过三个标准测试函数具有不同特点。每个测试函数的具体信息如表所示1。
具体测试内容如下:设置PSO和SPSO算法优化试验在相同的编程环境中,进行指定,每代粒子的数量是30,优化的最大数量是200,和两个算法运行50倍;惯性权重设置为: , ;PSO和SPSO算法的加速因子c1=c2= 2.0;在测试期间,函数优化测试函数;和函数的价值维度是不同的,包括10名和2。算法的性能调查三个指标:最优值,平均值和成功率。测试函数优化的仿真结果如表所示2。
从仿真结果表2,可以看出,在相同的操作环境和参数设置,改进SPSO算法的全局优化的效果是比较理想的,在其中 , 和可以搜索的理论最优解,算法的优化能力强对不同空间的功能,而全局搜索算法仅发现的理论解决方案过程中目标价值低维函数,其最佳性能远不如SPSO的算法。指数的成功率,SPSO的概率算法满足评级的准确性为100%。相对来说,全局搜索的成功率很低,甚至为0。数据2- - - - - -4显示每个测试函数的图像。从数据可以看出2- - - - - -4不同的测试函数之间的优化路径是不同的。当功能优化,路径不同,但它不利于快速生成最优的结果。路径优化的策略和功能基本相同,但与之相比函数,它可以更有选择性和更快的优化路径。
数据5- - - - - -7扇形统计图的每个测试函数的优化过程的算法。从数据可以看出5- - - - - -7不同的优化函数的优化过程曲线也不同。其中,对于函数1,整体变化往往是一致的,但所需的迭代次数较长,需要更多的练习;功能2,整体性能更好,这是一个理想状态;函数3,虽然改进算法模型的迭代的数量减少,功能正在发生变化。流程中的波动很大,不利于优化的模型,结果也有很大的不确定性。因此,通过合成的优化曲线三种不同的优化函数,它可以发现SPSO算法显然是由于普通PSO算法,和它的出色表现是收敛速度更快、精度更高。特别是在解决复杂函数的过程中,优化能力更加突出。
综上所述,可以看出不同的功能,优化过程曲线的改进的粒子群优化算法(SPSO)算法改进后的优化算法在本文中显然是由于共同的PSO算法,它具有更快的收敛速度和更高的精度,尤其是在解决复杂函数的过程,优化能力更加突出。在实战过程中,它也可以显示更好的处理能力。
3.3。恢复室内环境建设基于神经网络模型
标准BP神经网络采用梯度下降方法来不断调整网络的权重和阈值的平方和最小化网络错误。然而,找到最小值误差平面上有自己的局限性和不足,主要表现在学习速率太小,导致太长时间训练,局部极值,算法的收敛速度慢,数值稳定性差,等。因此,本文提出了一个方法来优化BP神经网络模型,利用改进的粒子群优化算法,即SPSO BP神经网络模型。改进的神经网络的流程图恢复室内环境模型算法如图8。
4所示。仿真实验
4.1。数据采集
模型结构后的舒适指数集建立了通过实验数据的收集,我们应该训练根据实际数据。实验数据测量二楼一个房间的亚热带建筑科学国家重点实验室,华南理工大学。房间包括测量和传感的四个环境因素:温度和湿度、平均辐射温度、风速、以及舒适控制风扇和空调等设备。保持通风实验期间,其他舒适控制设备不工作。
sht71数字温度和湿度传感器安装在房间里,它是用来衡量室内环境的温度和湿度。平均辐射温度是由安捷伦34970 A测量数据采集仪器。使用SDP1000 / SDP2000微差压传感器测量室内风速,风速传感器安装在室内屋顶的中心。自人类服装的热阻和人体的代谢率变量与人体、舒适控制这两个变量是不可控因素,中国南方,只有夏天的安慰是,中国南方,只有夏天的安慰是,当人类服装的热阻ICOL 0.5和代谢率米58.2 W /米2,室内舒适指数集值是通过迭代计算获得。
实验进行实验测量的空间,和收集的实验数据传感器经过AD转换模块。被转换成数字信号后,它通过RS232与PC机通信,处理得到实验数据,并显示并存储它。从1080年组收集的环境因素在不同的时间测量传感器和集值通过迭代计算,选择880组数据作为训练样本,选择和另外200组数据作为BP神经网络模型测试示例数据。
4.2。模型训练
使用基于改进粒子群优化的BP神经网络模型构造上面用于训练实验数据,与Python编程语言tensorflow2.0软件和网络错误目标设置为10−4。数据9和10显示了迭代和收敛曲线的标准BP算法和BP神经网络算法模型的基础上,改进的粒子群优化。
基于数据的9和10,可以发现,首先,从上述两个数据的迭代时间,标准BP神经网络模型有太长的训练时间和地方极值由于学习速率太小,算法的收敛速度慢,可怜的数值稳定性和难以收敛。它不收敛,直到迭代次数达到2000。可以看出,如果标准BP神经网络模型用于建模恢复环境,它将花费大量的时间在培训时间;然而,与标准BP神经网络模型相比,基于改进的BP神经网络模型优化的粒子群优化算法不仅减少迭代也有很高的学习速率。模型可以快速收敛。当迭代50次,它将收敛区域,这可以节省很多时间模型的训练。其次,基于模型的初始值错误,标准BP神经网络模型的初始值误差远远大于初始值的误差训练BP神经网络模型优化的基于改进粒子群优化算法,及其最大值接近10,而错误的最大初始值的训练BP神经网络模型优化的基于改进粒子群优化算法不超过100.5;同时,最后的错误区别两个也大,在标准BP神经网络模型的最终误差大于10−3,而最后错误的BP神经网络模型优化的基于改进的粒子群优化算法小于10−4。
总之,它可以发现,BP神经网络用于建立室内环境舒适指数的预测模型 ,和环境因素之间的关系是获得,它克服了迭代操作复杂的热环境参数对人体热感觉的传统模式。此外,优化的BP神经网络模型的改进的粒子群优化算法显著提高了模型的收敛速度训练,结果表明,几乎没有误差的预测价值改进的神经网络模型和传统的期望值模型,保证了预测模型的有效性,所以它可以满足实时的要求控制过程中的环境控制设备,如空调系统。
5。结论
随着物质生活水平的提高,人们越来越高的要求,办公室和室内环境,和室内温度环境创建一个舒适的感觉是很重要的。良好的室内躯体感觉温度环境不仅可以传达躯体感觉舒适的程度,还放松人的身体。目前,很少有对这方面的研究在国内外,导致停滞这一理论。因此,为了促进这一领域的研究,本文采用神经网络建模方法,基于室内舒适指数集价值和其他因素,可以影响到环境温度,针对人体温度舒适,采用改进的粒子群优化算法优化BP神经网络的方法,构造了一个神经网络恢复室内环境模型,实现实时控制值,然后分析了室内热环境因素和组之间的关系值,基于仿真实验模型进行了优化。之间的误差仿真结果表明,改进后的神经网络模型的预测价值和传统的期望值模型很小,这确保了预测模型的有效性。因此,它可以满足实时要求的控制过程环境控制设备,如空调系统。相关实验不仅验证了本文改进算法的有效性也使用这个算法模型来优化室内环境,确保室内的舒适。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。