91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

 作者：張毅                   

     現(xiàn)代辦公建筑中人們持續(xù)工作的時(shí)間較長，房間的熱舒適性與室內(nèi)空氣品質(zhì)直接影響室內(nèi)人員的工作效率和身心健康。研究表明，室內(nèi)良好舒適的環(huán)境可以使人精神愉快、提高工作效率，適宜的熱環(huán)境可提高生產(chǎn)率18%，因此，追求舒適性逐漸成了空調(diào)系統(tǒng)新的趨勢。1984年國際標(biāo)準(zhǔn)化組織(ISO)提出了室內(nèi)熱環(huán)境評(píng)價(jià)與測量的標(biāo)準(zhǔn)化方法，用PMV和PPD（預(yù)測不滿意百分?jǐn)?shù)）指標(biāo)來描述和評(píng)價(jià)熱環(huán)境。該指標(biāo)綜合考慮熱舒適環(huán)境的影響因素，反映了對同一環(huán)境絕大多數(shù)人的舒適感覺。采用PMV指標(biāo)作為被控參數(shù)對空調(diào)系統(tǒng)加以控制，既節(jié)省能源、又能夠保證舒適性的要求[1]。

    反向神經(jīng)網(wǎng)絡(luò)（Back-Propagation network，簡稱BP網(wǎng)絡(luò)）是對非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層前向網(wǎng)絡(luò)，主要應(yīng)用在函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮這幾個(gè)方面[2]。本文采用MatlabR2010a建立BP模型對實(shí)驗(yàn)室熱舒適性進(jìn)行研究。但由于神經(jīng)網(wǎng)絡(luò)在預(yù)測熱舒適指標(biāo)時(shí)存在訓(xùn)練時(shí)間長、訓(xùn)練結(jié)果存在隨機(jī)性和容易陷入局部極小點(diǎn)等缺點(diǎn)．使得神經(jīng)網(wǎng)絡(luò)在應(yīng)用中受到了一定的限制。蟻群優(yōu)化算法( AntColony，ACO)作為一種全局尋優(yōu)能力較強(qiáng)的智能計(jì)算方法近年來受到廣泛的關(guān)注，本文將ACO與BP算法相融合共同完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立起一種基于ACO-BP模型的實(shí)驗(yàn)室熱舒適性模型，最后通過實(shí)例驗(yàn)證了模型的可行性。

1  數(shù)據(jù)的獲取與預(yù)處理

    丹麥工業(yè)大學(xué)P．O Fanger教授提出的一種綜合性熱舒適指標(biāo)-PMV，綜合考慮了影響人體熱舒適的六大因素。熱舒適條件應(yīng)滿足關(guān)系[3]：-0.5<PMV<+0.5。據(jù)此，本文將最終訓(xùn)練預(yù)測得出的PMV值分為三類，如表1。

    本文數(shù)據(jù)來自西安建筑科技大學(xué)“智能建筑環(huán)境技術(shù)平臺(tái)”熱舒適指標(biāo)數(shù)據(jù)庫中的夏天數(shù)據(jù)集，該數(shù)據(jù)集包含三種不同類別的PMV值范圍共200個(gè)樣本數(shù)據(jù)，每個(gè)樣本均由空氣溫度、平均輻射溫度、相對濕度、空氣流動(dòng)速度、人體新陳代謝率和服裝熱阻共6個(gè)特征值組成，所有值均已知。因此構(gòu)建的模型包括6個(gè)輸入，設(shè)人體對外所做機(jī)械功為0，表示在靜坐狀態(tài)下。200個(gè)樣本根據(jù)PMV值范圍共分為三類，第一類62個(gè)，第二類83個(gè)，第三類55個(gè)，根據(jù)表1令模型輸出1、2、3分別表示三類PMV值范圍，其中2表示舒適。從三類PMV值中共取100個(gè)樣本數(shù)據(jù)作為訓(xùn)練樣本，剩余100個(gè)作為測試樣本。表2和表3是部分輸入和輸出樣本數(shù)據(jù)。

2  ACO-BP模型的建立

    神經(jīng)網(wǎng)絡(luò)的泛化能力是由網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和權(quán)值共同決定的。神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)與待求解問題的具體形式有很大關(guān)系，本文重點(diǎn)討論當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定以后，神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練方法問題。

2.1基本思想

    針對BP算法容易陷入局部極小的不足，本文提出了ACO-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程可看作一個(gè)最優(yōu)化問題，即找到一組最優(yōu)的實(shí)數(shù)權(quán)值組合，使得在此權(quán)值下輸出結(jié)果與期望結(jié)果之間的誤差最小，蟻群算法成為尋找這一最優(yōu)權(quán)值組合的較好選擇。

    ACO-BP方法首先利用ACO的全局尋優(yōu)能力為BP提供0(0≥1)組較優(yōu)的初始權(quán)值組合，以克服BP算法容易陷入局部最優(yōu)、對初值設(shè)置較敏感的缺點(diǎn)；再利用BP算法梯度下降的原理進(jìn)一步“細(xì)調(diào)”權(quán)值，尋找真正的全局最優(yōu)點(diǎn)，以克服由于對定義域進(jìn)行分割帶來的量化誤差和單一蟻群算法訓(xùn)練網(wǎng)絡(luò)耗費(fèi)時(shí)間過長的不足。

    在應(yīng)用ACO前先將所有權(quán)值的定義域均勻地劃分成若干子區(qū)域，每個(gè)子域邊界的點(diǎn)就是一個(gè)備選權(quán)值。初始時(shí)刻，每一個(gè)點(diǎn)有相同的信息素量。每個(gè)權(quán)值都有一張信息素表，如表4所示。表中Wi為第i個(gè)需要優(yōu)化的權(quán)值；哦為劃分刻度值，被看作是一個(gè)點(diǎn)；T(i)為a所對應(yīng)的信息素量；spn為候選點(diǎn)的個(gè)數(shù)，即定義域被劃分了( spn-1)份數(shù)。螞蟻從每一個(gè)權(quán)值的子區(qū)域穿過且僅穿過一次，并記錄相應(yīng)點(diǎn)的標(biāo)號(hào)。這些子區(qū)域的組合構(gòu)成了神經(jīng)網(wǎng)絡(luò)的一組權(quán)值。根據(jù)輸人輸出樣本得到誤差值，再根據(jù)誤差值的大小進(jìn)行信息素(見表4)的更新。

2.2具體步驟

    在反傳神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)已確定的情況下，采用ACO-BP方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的具體步驟如圖1[4]。

    步驟1：初始化。將權(quán)值區(qū)間均勻分割spn等分。為每一個(gè)參數(shù)建立一張如表4所示的信息素表，設(shè)置信息素初值，信息素?fù)]發(fā)系數(shù)p，信息素增量強(qiáng)度Q，ACO的最大迭代次數(shù)，BP算法的學(xué)習(xí)率，BP算法的最大迭代次數(shù)NBP，訓(xùn)練誤差退出條件E0，最優(yōu)解保留數(shù)目盯等參數(shù)。

    步驟2：釋放m只螞蟻。螞蟻k依據(jù)如下概率公式從一點(diǎn)移動(dòng)到下一點(diǎn)。

螞蟻記錄所經(jīng)過點(diǎn)的標(biāo)號(hào)，即為該權(quán)值選擇一個(gè)數(shù)值，并記錄在tabuk中。當(dāng)螞蟻為所有權(quán)值參數(shù)選擇值后，螞蟻完成了一次遍歷，記錄的所有值構(gòu)成了該神經(jīng)網(wǎng)絡(luò)的所有參數(shù)。輸入訓(xùn)練樣本，得到相應(yīng)的輸出，計(jì)算誤差E。

    步驟3：所有螞蟻構(gòu)造解以后記錄誤差較小的盯組權(quán)值，并比較最小的誤差Emin與E0的大小。如果Emin≤E0轉(zhuǎn)到步驟7，否則轉(zhuǎn)步驟4。

    步驟4：信息素更新。按照“精英”更新策略對信息素按下式進(jìn)行更新：

    步驟5：重復(fù)步驟2到步驟3，直到滿足最大迭代次數(shù)，轉(zhuǎn)步驟6。

    步驟6：采用BP算法進(jìn)一步訓(xùn)練神經(jīng)網(wǎng)絡(luò)。將蟻群算法找到的組最好權(quán)值分別作為BP算法的初始權(quán)值，計(jì)算網(wǎng)絡(luò)輸出和實(shí)際輸出之間的誤差：

    并將誤差由輸出層反向傳播到輸入層，按圖1所示過程調(diào)整權(quán)值。重復(fù)以上過程，直到滿足停止條件。

    步驟7：采用驗(yàn)證樣本對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行檢驗(yàn)，如果驗(yàn)證誤差滿足要求，退出程序；否則轉(zhuǎn)步驟1，重新開始訓(xùn)練。

    在Matlab中ACO-BP算法描述如下：

    初始化信息素模型；

    While終止條件不滿足do

    for螞蟻/=1，Nant do

    用信息素模型構(gòu)造解；

    end for

    信息素更新；

    end while

    輸出組較優(yōu)權(quán)值組合；

    do

    BP初始權(quán)值=第i組權(quán)值；

    i=i+1：

    while(i<)

    輸出訓(xùn)練效果最好的網(wǎng)絡(luò)權(quán)值；

    end

 3  仿真實(shí)驗(yàn)與結(jié)果分析

    為了比較ACO算法對BP模型參數(shù)選取的重要性，將粒子群算法(PSO)也引入BP模型參數(shù)的選取中。采用變步長算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到網(wǎng)絡(luò)各單元的連接權(quán)值趨于穩(wěn)定，總誤差平方和小于0.001，訓(xùn)練結(jié)束。網(wǎng)絡(luò)從學(xué)習(xí)樣本中抽取了因果關(guān)系，建立了一個(gè)由人體熱舒適感影響因素到PMV指標(biāo)的映射的神經(jīng)網(wǎng)絡(luò)[5]。兩個(gè)模型的網(wǎng)絡(luò)訓(xùn)練收斂過程如圖2和圖3所示。

    圖4和圖5是兩種模型的最優(yōu)分類結(jié)果圖。從圖中可以看出，ACO-BP分類結(jié)果優(yōu)于PSO-BP，最好結(jié)果達(dá)到100%，PSO-BP最好達(dá)到99.333%。

表5給出了兩種模型20次預(yù)測結(jié)果平均準(zhǔn)確率和運(yùn)行時(shí)間，從表中看出ACO-BP的預(yù)測平均率高于PSO-BP，其結(jié)果比PSO-BP高0.6224%。從運(yùn)行時(shí)間來看，ACO-BP模型運(yùn)行時(shí)間要比PSO-BP長，但是考慮到在搜索礦組較優(yōu)的權(quán)值組合和尋找真正的全局最優(yōu)點(diǎn)以及現(xiàn)有高級(jí)計(jì)算機(jī)的運(yùn)行效率，這種時(shí)間級(jí)的運(yùn)行代價(jià)將更小，因此采用ACO算法對BP神經(jīng)網(wǎng)絡(luò)

進(jìn)行整定，不僅保證了預(yù)測精確度，而且高效。

4  結(jié)語

本文研究了基于ACO-BP的實(shí)驗(yàn)室熱舒適性分類模型，文中給出了模型的詳細(xì)設(shè)計(jì)步驟，并給出了部分Matlab代碼。最后的實(shí)驗(yàn)表明，將ACO算法引入到BP模型中尋找最優(yōu)參數(shù)，并將其應(yīng)用到某大學(xué)實(shí)驗(yàn)室熱舒適性分類是可行的，對提高BP模型的分類準(zhǔn)確率是有效的，此模型也可以推廣到其他分類預(yù)測中。

5摘  要：

以熱舒適指標(biāo)PMV作為空調(diào)控制系統(tǒng)的控制目標(biāo)，能夠很大程度上實(shí)現(xiàn)舒適節(jié)能的統(tǒng)一�；�于此研究了一種蟻群神經(jīng)網(wǎng)絡(luò)預(yù)測分類模型，并給出了詳細(xì)的設(shè)計(jì)步驟和部分Matlab設(shè)計(jì)代碼，最后采用某大學(xué)實(shí)驗(yàn)室數(shù)據(jù)庫中的夏天數(shù)據(jù)集進(jìn)行了驗(yàn)證。結(jié)果表明，采用蟻群算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行整定后，不僅克服了BP算法容易陷入局部最優(yōu)的缺點(diǎn)，也加快了螞蟻的收斂速度，提高了熱舒適預(yù)測分類的準(zhǔn)確性。