文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.2017.01.022
中文引用格式: 陳雙葉,徐文政,,丁雙春,,等. 改進(jìn)PSO-TSFNN智能家居室內(nèi)空氣質(zhì)量檢測與評價(jià)[J].電子技術(shù)應(yīng)用,2017,,43(1):84-87,,91.
英文引用格式: Chen Shuangye,Xu Wenzheng,,Ding Shuangchun,,et al. Home-automation indoor air quality testing and evaluating based on improved PSO-TSFNN[J].Application of Electronic Technique,2017,,43(1):84-87,,91.
0 引言
近年來,大氣環(huán)境問題越來越受到人們的關(guān)注,,大氣環(huán)境的污染[1]給人們的生活帶來了嚴(yán)重危害,。與此同時,室內(nèi)空氣品質(zhì)的好壞[2-4]也備受重視?,F(xiàn)代人每天有80%以上的時間在室內(nèi)停留,,例如據(jù)長沙市居民室內(nèi)停留時間調(diào)查[5]顯示,長沙市居民平均每天約有93%的時間是在不同的室內(nèi)環(huán)境中度過,,可以說室內(nèi)空氣質(zhì)量的好壞直接影響人們的身心健康,。目前,室內(nèi)空氣質(zhì)量評價(jià)方法有:空氣質(zhì)量指數(shù)法[6],、灰關(guān)聯(lián)評價(jià)法[7],、模糊數(shù)學(xué)評價(jià)法[8]等,,綜合指數(shù)法主要利用污染物平均值和最大值決定評價(jià)等級,當(dāng)各污染物波動較大時不能正確評價(jià)室內(nèi)空氣質(zhì)量狀況,,灰關(guān)聯(lián)評價(jià)法和模糊數(shù)學(xué)評價(jià)法計(jì)算相對復(fù)雜,。本文將改進(jìn)的粒子群算法與模糊T-S神經(jīng)網(wǎng)絡(luò)相結(jié)合生成評價(jià)模型,該評價(jià)模型計(jì)算簡便,、分辨率高,,為室內(nèi)空氣質(zhì)量評價(jià)提供了一種新思路、新方法,,并將該方法應(yīng)用于智能家居室內(nèi)空氣質(zhì)量檢測與評價(jià)系統(tǒng)中,,得到了較好的應(yīng)用。
1 T-S模糊神經(jīng)網(wǎng)絡(luò)
T-S模糊神經(jīng)網(wǎng)絡(luò)[9]由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)組成,。假設(shè)有n個輸入,、m條規(guī)則,其拓?fù)浣Y(jié)構(gòu)如圖1所示,。
前件網(wǎng)絡(luò)中第一層為輸入層,,第二層是隸屬函數(shù)層,第三層是模糊規(guī)則層,,第四層是去模糊化層,;后件網(wǎng)絡(luò)中第一層同樣為輸入層,和前件網(wǎng)絡(luò)第一層類似,,只是多了一個常數(shù)項(xiàng)1的第一項(xiàng)輸入,,第二層為模糊規(guī)則層,第三層為輸出層,。
T-S模糊神經(jīng)網(wǎng)絡(luò)每層計(jì)算如下:
(1)前件網(wǎng)絡(luò),。第二層采用高斯隸屬度函數(shù)計(jì)算各輸入對模糊子集的隸屬度μij;第三層將各隸屬度進(jìn)行模糊計(jì)算,,采用連乘的代數(shù)運(yùn)算求得模糊規(guī)則層各結(jié)點(diǎn)的輸出wj,;第四層代表去模糊化過程,也就是歸一化計(jì)算,,采用權(quán)值平均判別法求得去模糊化層各結(jié)點(diǎn)的輸出
(2)后件網(wǎng)絡(luò),。第二層根據(jù)模糊規(guī)則求得中間層各結(jié)點(diǎn)的輸出yj,;第三層計(jì)算整個網(wǎng)絡(luò)的輸出y,。
2 PSO算法原理
2.1 基本粒子群算法
粒子群優(yōu)化[10-13](PSO)算法是一種基于群智能的演化計(jì)算技術(shù)。設(shè)群體由m個粒子構(gòu)成,,粒子根據(jù)下式更新速度和位置:
其中,,i=1,2,,…,,m,;d=1,2,,…,,D;k是迭代次數(shù),; r1和 r2為[0,,1]之間的隨機(jī)數(shù);c1和c2為學(xué)習(xí)因子,;w為慣性權(quán)重,;Pid和Pgd分別表示粒子群個體及群體搜索到的最優(yōu)位置。
2.2 改進(jìn)PSO算法
速度更新公式(1)中 r1和 r2是獨(dú)立的,,如果兩者都較大,,個體經(jīng)驗(yàn)和社會經(jīng)驗(yàn)都會被過大使用,致使粒子遠(yuǎn)離最優(yōu)值,;如果兩者都較小,,個體經(jīng)驗(yàn)和社會經(jīng)驗(yàn)都不能被有效使用,致使收斂速度下降,。針對這個問題,,文獻(xiàn)[14]對速度更新公式進(jìn)行了改進(jìn),提出了IPSO算法,。其算法位置更新公式為:
IPSO算法公式(3)中,,第一部分先前速度的系數(shù)相當(dāng)于標(biāo)準(zhǔn)粒子群算法的慣性權(quán)重,sign( r3)只有+1和-1 2個取值情況,,起到調(diào)整速度方向的作用,,r2的隨機(jī)性較大,可能致使粒子一直朝著最好位置的相反方向飛去,,離最優(yōu)解越來越遠(yuǎn),,這時的粒子群算法會需要更多的迭代來達(dá)到全局最優(yōu),且更有可能找不到全局最優(yōu),。為了解決IPSO算法存在的收斂速度,、收斂精度問題,本文提出新的改進(jìn)PSO算法,,改進(jìn)的速度更新公式如下:
式(5)中增加了自適應(yīng)調(diào)節(jié)因子,,式(6)為其L計(jì)算公式,當(dāng)個體最優(yōu)位置優(yōu)于新更新的位置時,,說明粒子正在遠(yuǎn)離較好解,,此時讓L取值為-sign(r3),使粒子往回調(diào)節(jié),,避免粒子離較好解越來越遠(yuǎn),;相反則讓L取值為sign(r3),,加快粒子到較好解位置,通過社會經(jīng)驗(yàn)與個體經(jīng)驗(yàn)差值為因子對粒子的反向進(jìn)行調(diào)節(jié),,這樣既能保證粒子群算法全局搜索與局部搜索的平衡,,又提高了收斂速度和收斂精度。
3 改進(jìn)PSO優(yōu)化TSFNN算法思想
在確定了T-S模糊神經(jīng)網(wǎng)絡(luò)后,,將前件網(wǎng)絡(luò)的模糊化層隸屬函數(shù)的中心,、寬度以及后件網(wǎng)絡(luò)輸入層與中間層權(quán)值組合成一個粒子。本文通過改進(jìn)PSO算法對模糊T-S神經(jīng)網(wǎng)絡(luò)的各參數(shù)進(jìn)行優(yōu)化,。
具體算法步驟為:
(1)初始化改進(jìn)PSO優(yōu)化TSFNN(改進(jìn)PSO-TSFNN)算法參數(shù),,包括個體位置、速度,、加速因子,、最大迭代次數(shù)、學(xué)習(xí)率等,。
(2)通過TSFNN訓(xùn)練誤差計(jì)算每個粒子的適應(yīng)度值,,適應(yīng)度函數(shù)選取為訓(xùn)練樣本所對應(yīng)的評價(jià)輸出Yi和實(shí)際輸出Oi之間的差值的平方的二分之一。因此,,第i個粒子的適應(yīng)度函數(shù)Fi為:
式中,,s為訓(xùn)練樣本數(shù)量,TSFNN每產(chǎn)生s組輸出進(jìn)行一次參數(shù)調(diào)整,,參數(shù)調(diào)整選用梯度下降算法,。
(3)根據(jù)所得適應(yīng)度值選擇每個粒子所搜索的最優(yōu)位置Pi和整個種群搜索的最優(yōu)位置Pg。對于每個粒子,,將其適應(yīng)度值與其經(jīng)歷過的最優(yōu)位置Pi進(jìn)行比較,,如較好,則將其作為當(dāng)前的最優(yōu)位置Pi,;對于每個粒子,,將其適應(yīng)度值與全局所經(jīng)歷過的優(yōu)位置Pg進(jìn)行比較,如較好,,則重新更新設(shè)置Pg,;
(4)根據(jù)式(2)、式(5)更新每個粒子的位置和速度,;
(5)檢驗(yàn)每個粒子的速度和位置是否越界,,如果越界,進(jìn)行相應(yīng)的閾值處理,;
(6)如果未達(dá)到預(yù)先設(shè)定的停止標(biāo)準(zhǔn)(通常設(shè)置為最大迭代次數(shù)或最小誤差),,則返回步驟(2),,若達(dá)到則停止計(jì)算,,利用最優(yōu)TSFNN結(jié)構(gòu)參數(shù)對測試樣本進(jìn)行最優(yōu)輸出,。算法流程圖如圖2。
4 構(gòu)建標(biāo)準(zhǔn)評價(jià)表
4.1 評價(jià)指標(biāo)的選取及分級標(biāo)準(zhǔn)
根據(jù)《室內(nèi)空氣質(zhì)量標(biāo)準(zhǔn)》GB/T18883-2002[15]選取某高校實(shí)際環(huán)境具有代表性的甲醛(HCHO),、二氧化碳(CO2),、可吸入顆粒(PM10)3個指標(biāo)作為評價(jià)因子,充分考慮室內(nèi)評價(jià)因子的濃度波動范圍,,根據(jù)GB/T18883-2002中的標(biāo)準(zhǔn)值將室內(nèi)空氣質(zhì)量分為3個等級,,其中的S2為標(biāo)準(zhǔn)濃度限值,單位均為毫克每立方米(mg/m3),。綜上,,室內(nèi)空氣質(zhì)量分級如表1。
4.2 建立標(biāo)準(zhǔn)相對隸屬度矩陣
對表1建立標(biāo)準(zhǔn)相對隸屬度矩陣,,計(jì)算式如下:
式中,,Sij為第i項(xiàng)評價(jià)指標(biāo)第j級的評價(jià)標(biāo)準(zhǔn)值,Rij為第i項(xiàng)評價(jià)指標(biāo)第j級的評價(jià)標(biāo)準(zhǔn)值的相對隸屬度(i=1,,2,,3;j=1,,2,,3)。
最后得出標(biāo)準(zhǔn)相對隸屬度矩陣為Rij為:
標(biāo)準(zhǔn)相對隸屬度矩陣中3個評價(jià)因子(甲醛,、二氧化碳,、可吸入顆粒)為全0時定義其標(biāo)準(zhǔn)目標(biāo)輸出為1,為0.38,、0.44,、0.50時定義其標(biāo)準(zhǔn)目標(biāo)輸出為2,為全1時定義其標(biāo)準(zhǔn)目標(biāo)輸出為3,。
4.3 標(biāo)準(zhǔn)評價(jià)表的生成與分級
為使訓(xùn)練后的網(wǎng)絡(luò)模型具有良好的適應(yīng)能力,,且能充分反映空氣質(zhì)量標(biāo)準(zhǔn)各級指標(biāo)標(biāo)準(zhǔn)值的意義,在標(biāo)準(zhǔn)相對隸屬度矩陣中采用內(nèi)插法生成更多的樣本,,構(gòu)造出標(biāo)準(zhǔn)評價(jià)表,。這里共生成包括各項(xiàng)指標(biāo)標(biāo)準(zhǔn)值在內(nèi)的201個樣本,其中151個樣本作為學(xué)習(xí)樣本,,余下50個作為檢驗(yàn)樣本,。
同時,為了能夠?yàn)橹悄芗揖邮覂?nèi)空氣質(zhì)量調(diào)控系統(tǒng)提供可靠的輸出評價(jià),,進(jìn)而準(zhǔn)確地實(shí)現(xiàn)調(diào)節(jié)室內(nèi)空氣質(zhì)量到較好的狀態(tài)下,,將室內(nèi)空氣質(zhì)量標(biāo)準(zhǔn)值進(jìn)行客觀分段,表示為特級,、一級和二級,。特級,,適合人類生活;一級,,污染因子不超標(biāo),,不影響人類生活;二級,,至少有一個污染物超標(biāo),,開始影響人的正常生活。按照標(biāo)準(zhǔn)目標(biāo)輸出大小分級如表2,。
4.4 模型訓(xùn)練和檢測
將評價(jià)指標(biāo)HCHO,、CO2、PM10的濃度值作為輸入向量,,將標(biāo)準(zhǔn)目標(biāo)輸出值作為目標(biāo)向量,,用學(xué)習(xí)樣本對模型進(jìn)行訓(xùn)練。同時,,為了證明改進(jìn)PSO-TSFNN模型的優(yōu)越性,,用TSFNN模型進(jìn)行同樣條件下的訓(xùn)練,兩者的模型結(jié)構(gòu)都是3-7-1,,并且都采用梯度下降算法訓(xùn)練1 000次,,學(xué)習(xí)率都是0.005,這兩種網(wǎng)絡(luò)模型在訓(xùn)練過程中訓(xùn)練誤差平方和(SSE)的變化情況如圖3所示,。
由圖3可知,,改進(jìn)PSO-TSFNN模型的SSE下降更迅速、終值更小,、訓(xùn)練效果更好,。訓(xùn)練結(jié)束后,其模型的SSE為0.000 7,,而TSFNN模型的SSE為0.015 9,,說明了改進(jìn)PSO-TSFNN模型的學(xué)習(xí)能力更強(qiáng)。訓(xùn)練結(jié)束后,,用表3中的檢驗(yàn)樣本對生成的模型進(jìn)行檢驗(yàn),,檢測評價(jià)輸出與實(shí)際輸出如圖4所示。從圖4可以看出,,改進(jìn)PSO-TSFNN網(wǎng)絡(luò)輸出與真實(shí)的測試輸出更逼近,,TSFNN的測試結(jié)果誤差較大。
5 實(shí)際環(huán)境評價(jià)
本文以某實(shí)驗(yàn)室為研究對象,,于2016年6月12日中午12點(diǎn)開始對其進(jìn)行評價(jià)指標(biāo)檢測,,采集頻率為每秒采集1次,最后檢測到當(dāng)日凌晨,對數(shù)據(jù)取小時平均后如表3,。
對表3實(shí)際檢測數(shù)據(jù)用改進(jìn)PSO-TSFNN模型,、TSFNN模型、綜合指數(shù)法,、模糊數(shù)學(xué)法分別進(jìn)行評價(jià),,評價(jià)結(jié)果如表4,。
從表4可以看出,,綜合指數(shù)和模糊數(shù)學(xué)評價(jià)輸出均都是一級,而從表3可知,,在13:00-15:00時間段內(nèi),,CO2濃度值超出標(biāo)準(zhǔn)濃度限值,因此評價(jià)輸出存在偏差,;TSFNN將13:00-14:00時間段評價(jià)為一級,,而從表3可知,在13:00-14:00時間段內(nèi),,CO2濃度值超出標(biāo)準(zhǔn)值濃度限值,,也存在評價(jià)輸出偏差;而改進(jìn)PSO-TSFNN的評價(jià)輸出均符合客觀實(shí)際,,能為智能家居室內(nèi)空氣質(zhì)量監(jiān)控調(diào)節(jié)提供可靠調(diào)節(jié)依據(jù),。
6 結(jié)語
本文在IPSO算法的研究基礎(chǔ)上提出了改進(jìn)PSO-TSFNN模型,該模型結(jié)合了粒子群算法,、模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò),,具有很強(qiáng)的模糊推理能力和并行處理能力,對粒子群算法的改進(jìn),,既保證了粒子群算法全局搜索與局部搜索的平衡,,又提高了收斂速度和收斂精度。通過實(shí)際環(huán)境檢測數(shù)據(jù)檢驗(yàn)了改進(jìn)PSO-TSFNN模型,,實(shí)驗(yàn)結(jié)果表明,,該模型能夠更客觀準(zhǔn)確的對室內(nèi)環(huán)境進(jìn)行評價(jià),并且較好地應(yīng)用到了智能家居室內(nèi)空氣質(zhì)量檢測與評價(jià)系統(tǒng)中,,具有良好的應(yīng)用前景,。
參考文獻(xiàn)
[1] 周桔.大氣環(huán)境污染的健康效應(yīng)研究回顧[J].中國科學(xué)院院刊,2013,,28(3):371-377.
[2] 張曉輝,,李雙石,曹奇光,,等.室內(nèi)空氣污染的危害及其防治措施研究[J].環(huán)境科學(xué)與管理,,2009,34(7):22-25.
[3] 沈晉明.室內(nèi)空氣品質(zhì)與健康[J].空調(diào)暖通技術(shù),2007(2):9-13.
[4] 蘭信穎,,王岳人,,張浩.民用建筑室內(nèi)空氣品質(zhì)與人體健康[J].環(huán)境保護(hù)科學(xué),2003,,29(6):7-10.
[5] 劉建龍,,譚超毅,張國強(qiáng).長沙市居民在不同室內(nèi)環(huán)境中停留時間的調(diào)查研究[J].制冷空調(diào)與電力機(jī)械,,2008,,124(29):32-35.
[6] 邢核,李國剛.綜合評價(jià)室內(nèi)質(zhì)量初探[J].環(huán)境監(jiān)測管理與技術(shù),,2006,,18(2):35-37.
[7] 李念平,朱赤暉,,文偉.室內(nèi)空氣品質(zhì)的灰色評價(jià)[J].湖南大學(xué)學(xué)報(bào):自然科學(xué)版,,2002,29(4):85-91.
[8] 張淑琴,,白艷麗,,張洪林.模糊數(shù)學(xué)在室內(nèi)空氣質(zhì)量評價(jià)中的應(yīng)用[J].環(huán)境科學(xué)與管理,2006,,31(9):188-190.
[9] KENNEDY J,,EBERHARD R C.Particle swarm optimization[C].Proc.IEEE Int’l.Conf.on Neural Networks,1995:1942-1948.
[10] SHI Y,,EBERHARD R C.Parameter selection in particle swarm optimization[C].International Conference on Evolu-tionary Programming.Springer Berlin Heidelberg,,1998:591-600.
[11] MANGOUD M T,ELRAGAL H M.Antenna array pattern synthesis and wide null control using enhanced particle swarm optimization[J].Progress in Electromagnetics Research B,,2009,,17:1-14.
[12] MANDAL D,GHOSHAL S P,,BHATTACHARJEE A K.Optimal design of concentric circular antenna array using particle swarm optimization with constriction factor approach[J].International Journal of Computer Applications,,2010,1(17):112-116.
[13] BERA R,,MANDAL D,,KAR R,et al.Application of improved particle swarm optimization technique for thinning of concentric hexagonal array antenna[C].Information and Communication Technologies(WICT),,2014 Fourth World Congress on.IEEE,,2014:188-193.
[14] Qiao Junfei,Li Wei,,Han Honggui.Soft computing of biochemical oxygen demand using an improved T-S fuzzy neural network[J].Chinese Journal of Chemical Engineering,,2014,22(12):1254-1259.
[15] GB/T18883-2002.室內(nèi)空氣質(zhì)量標(biāo)準(zhǔn)[S].
作者信息:
陳雙葉,徐文政,,丁雙春,,咸耀山
(北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院,北京100124)