论文部分内容阅读
随着人们生活水平的不断改善,人们对生活环境的要求也不断提高。室内环境与人们的生活息息相关,其质量高低直接影响到人们生活质量的高低,甚至关乎人类的生存,对室内环境各参数进行监测,并进行舒适度评价,创造一个舒适、安静、清洁的室内环境具有非常重要的意义。然而室内环境是一个综合环境,目前对室内环境舒适度的研究大都只是针对室内热、光、声环境舒适度或空气品质的某一方面,而没有将其结合起来。针对此问题,本课题提出一种神经网络(特征级)和D-S证据理论(决策级)相结合的两级融合评价结构,将神经网络的输出经归一化处理后直接作为D-S证据理论的一证据,进行决策级证据组合,避免了基本概率赋值函数选取的复杂性和主观性。本课题的研究工作主要集中在以下几个方面:(1)确定了室内各环境舒适度评价指标的选择及评价等级的划分,为室内环境舒适度的融合评价建立了一套基本的评判标准。(2)采用了基于遗传神经网络的室内热环境舒适度融合评价算法。对比BP网络和遗传神经网络,结果表明:遗传神经网络利用遗传算法进行BP网络初始权值和阈值的优化,训练速度明显增快,且预测精度较高。(3)针对影响热舒适PMV(Predicted Mean Vote)指标的各因素之间存在复杂的非线性关系这一问题,分别利用PCA(Principal Component Analysis)和KPCA(Kernel Principal Component Analysis)对样本数据进行特征提取,并用PCA+BP网络、PCA+遗传神经网络、KPCA+BP网络、KPCA+遗传神经网络4种方法对室内热环境舒适度进行了评价,结果表明:KPCA是非线性特征提取的有效方法,可去除变量之间的高阶非线性相关性,提取完备、有效的样本特征,对于该室内热环境舒适度融合评价问题,KPCA+遗传神经网络是最有效的预测方法。(4)采用了基于模糊神经网络的室内光、声环境舒适度及空气品质融合评价算法,并对模糊神经网络和模糊综合评判2种方法进行了对比仿真研究,结果表明:该算法能够有效地对室内光、声环境舒适度及空气品质进行融合评价。(5)最后利用D-S证据理论进行了室内环境舒适度决策级融合评价,并与模糊综合评判法评价结果进行了对比,结果表明:该两级融合评价体系能够有效地对室内环境总舒适度进行融合评价。