CN109242329A - 表征室内环境综合质量的综合指标计算方法 - Google Patents
表征室内环境综合质量的综合指标计算方法 Download PDFInfo
- Publication number
- CN109242329A CN109242329A CN201811108366.5A CN201811108366A CN109242329A CN 109242329 A CN109242329 A CN 109242329A CN 201811108366 A CN201811108366 A CN 201811108366A CN 109242329 A CN109242329 A CN 109242329A
- Authority
- CN
- China
- Prior art keywords
- environmental parameter
- indoor environment
- environmental
- weight
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种表征室内环境综合质量的综合指标计算方法,包括结合室内环境的使用场景确定环境参数矩阵U=[u1 u2 u3…ui…un];结合室内环境的使用场景确定环境参数的权重矩阵:W=[w1 w2 w3…wi…wn],且满足w1+w2+w3+…+wi+…+wn=1;环境参数的权重wi表征环境参数ui对环境质量的影响程度;结合室内环境的使用场景确定环境参数的环境贡献函数值矩阵:F=[f1 f2 f3...fi...fn],且满足fi∈[0,1];环境参数的环境贡献函数fi表征环境参数ui对环境质量指标影响程度的函数关系,即fi=f(ui);根据以下公式计算室内环境质量的综合指标E‑IEQ:本发明的综合指标计算方法,量化室内环境的质量指标,把复杂的室内环境质量简化为数量,进而从数量的分析中计算出表征室内环境综合质量的数据指标,以此获得的综合指标既能定性又能定量的评价室内环境综合质量。
Description
技术领域
本发明属于室内环境质量监测技术领域,涉及一种表征室内环境综合质量的综合指标计算方法。
背景技术
室内环境质量的好坏直接关系到使用者的身心健康,尤其是教室室内环境,教室是孩子每天学习生活的重要场所,教室室内环境质量的好坏直接关系到孩子的身心健康。然而,目前国内中小学教室室内环境质量却很不容乐观,如2017-02-0914:21东方网发布的一篇关于《中小学教室空气污染如何治理?人大代表建议上海制定地方法规》的文章指出了现状。2016年6月初,在全国爱眼日前夕,一份和中小学生视觉健康、视觉环境有关的调查报告引起了家长的担忧,报告显示,广州中小学教室环境不良问题较为严重,教室的黑板照度达到要求的仅占8.8%,桌面照度达到国家要求的仅占34.2%,据悉,这份调查报告具有较高代表性,是依据国家颁布的教室照明新标准进行的。测量室内环境质量的客观物理指标有很多,包括照度、色温、温度、湿度、PM2.5浓度、二氧化碳浓度等等。目前可以通过各种传感器测量这些物理指标,然后将各项指标的数值报告给相关信息使用者。这样做的问题在于相关信息使用者通常无法直观地理解这些物理指标与身心健康的关系。目前的室内环境质量指标缺少对环境质量的综合量化评价,缺少易于理解的指标。此外,目前对室内环境质量的评价也没有考虑某些室内环境参数的最优配置与教学场景和学生活动内容的关系。
发明内容
本发明要解决的技术问题是提供一种表征室内环境综合质量的综合指标计算方法,量化室内环境的质量指标,把复杂的室内环境质量简化为数量,进而从数量的分析中计算出表征室内环境综合质量的数据指标,以此获得的综合指标既能定性又能定量的评价室内环境综合质量。
为了解决上述技术问题,本发明提供了一种表征室内环境综合质量的综合指标计算方法,包括:
结合室内环境的使用场景确定环境参数矩阵U=[u1 u2 u3…ui…un];
结合室内环境的使用场景确定环境参数的权重矩阵:
W=[w1 w2 w3…wi…wn],且满足w1+w2+w3+…+wi+…+wn=1;环境参数的权重wi表征环境参数ui对环境质量的影响程度;
结合室内环境的使用场景确定环境参数的环境贡献函数值矩阵:
F=[f1 f2 f3…fi…fn],且满足fi∈[0,1];环境参数的环境贡献函数fi表征环境参数ui对环境质量指标影响程度的函数关系,即fi=f(ui);
根据公式一计算室内环境质量的综合指标E-IEQ:
本发明一个较佳实施例中,进一步包括其还包括结合室内环境的使用场景确定环境参数的一票否决权矩阵:X=[x1 x2 x3…xi…xn],且满足xi∈{0,1};
当ui≥umax或者ui≤umin时,xi=0;
当umin<ui<umax时,xi=1;
其中,umin为环境参数ui在国标中规定的最小值,umax为环境参数ui在国标中规定的最大值;
根据公式二计算室内环境质量的综合指标E-IEQ:
本发明一个较佳实施例中,进一步包括根据模糊综合评价法确定环境参数的环境贡献函数fi∈{f1i,f2i,f3i};
其中,式3-1中:ai为环境贡献函数达到最优时环境参数的取值,bi为环境贡献函数达到最差时环境参数的取值;
式3-2中:ai为环境贡献函数达到最差时环境参数的取值,bi为环境贡献函数达到最优时环境参数的取值;
式3-3中:ai、di为环境贡献函数达到最差时环境参数的取值,ai<di;bi、ci为环境贡献函数达到最优时环境参数的取值,bi<ci。
本发明一个较佳实施例中,进一步包括所述环境参数包括但不局限于温度、湿度、照度、色温、PM2.5、PM10、甲醛、TVOC、二氧化碳和噪音。
本发明一个较佳实施例中,进一步包括将所述室内环境质量分为若干个等级,包括但不局限于优秀、良好、中等、差、劣;
综合指标E-IEQ∈[0.9,1]时,所述室内环境质量为优秀;
综合指标E-IEQ∈[0.8,0.9)时,所述室内环境质量为良好;
综合指标E-IEQ∈[0.7,0.8)时,所述室内环境质量为中等;
综合指标E-IEQ∈[0.6,0.7)时,所述室内环境质量为差;
综合指标E-IEQ∈[0,0.6)时,所述室内环境质量为良好。
本发明一个较佳实施例中,进一步包括使用机器深度学习法或/和统计学中的因子分析法确定所述环境参数的权重;用于计算综合指的标数据样本小于等于设定值时,使用因子分析法确定环境参数的权重;超过设定值时,使用机器深度学习法确定环境参数的权重。
本发明一个较佳实施例中,进一步包括使用机器深度学习法确定环境参数权重的过程为,
采集环境参数数据,所述环境参数包括但不限于温度、湿度、照度、色温、PM2.5、PM10、甲醛、TVOC、二氧化碳和噪音;
结合室内环境的使用场景对所述环境参数数据进行特征提取,获得环境参数特征;
使用经训练获得的权重模型对所述环境参数特征做权重分析,获得环境参数的权重。
本发明一个较佳实施例中,进一步包括通过模型训练获得所述权重模型,其训练过程为,
获取用作样本的环境参数数据样本;
结合室内环境的使用场景对环境参数数据样本进行特征提取,获得特征化后的数据样本;
基于相关算法训练特征化后的数据样本,获得所述权重模型。
本发明一个较佳实施例中,进一步包括所述权重模型的训练过程还包括,
对特征后的数据样本进行随机分组,分为训练数据组和测试数据组,使用训练数据组中的数据样本进行模型训练获得所述权重模型;
使用若干个相关算法分别训练所述训练数据组中的数据样本,获得若干个权重模型;
使用所述测试数据组中的数据样本分别测试验证所述若干个权重模型的性能,在所述若干个权重模型中选取匹配度最高的一个为最优权重模型;
使用最优权重模型对环境参数特征做权重分析,获得环境参数的权重。
本发明一个较佳实施例中,进一步包括用于训练获得权重模型的相关算法包括但不局限于机器学习算法、卷积神经网络算法、循环神经网络算法、决策树、基于贝叶斯决策理论的分类算法和深度学习算法。
本发明表征室内环境综合质量的综合指标计算方法,量化室内环境的质量指标,把复杂的室内环境质量简化为数量,进而从数量的分析中计算出表征室内环境综合质量的数据指标,以此获得的综合指标既能定性又能定量的评价室内环境综合质量。
相较于现有技术,本发明具有以下技术优势:
其一、结合室内环境的实际使用场景为本发明整个计算方法的基础,重视不同使用场景下环境参数指标的差异性,以此获得的综合指标更科学、更合理、更准确。
其二、综合室内环境的多项环境参数、并结合实际使用场景,通过分析建立模型来支管的表示不同市场长江下的室内环境质量,分值越高说明说明室内环境越适合当前的使用场景。
附图说明
图1是本发明优选实施例中综合指标计算方法的流程图;
图2是本发明优选实施例中数据样本超过设定值时确定环境参数权重的流程图;
图3是训练获得权重模型的流程图;
图4是f1i的函数关系图;
图5是f2i的函数关系图;
图6是f3i的函数关系图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例
s=夏季、S=考试场景下采集教室内的环境参数如表1所示:
表1
其中,温度(℃)、湿度(%)、照度(Lux)、色温(K)、PM2.5(mg/m3)、PM10(mg/m3)、二氧化碳(mg/m3)、甲醛(mg/m3)、TVOC(mg/m3)、噪音(dB)。
如图1所示,本实施例公开了一种表征室内环境综合质量的综合指标计算方法,计算表1中室内环境下的综合指标,包括:
(1)结合室内环境的使用场景确定环境参数矩阵U=[u1 u2 u3...ui...un];
对应表1确定环境参数矩阵U,U=[温度,湿度,照度,色温,PM2.5,PM10,二氧化碳,甲醛,TVOC,噪音]。
(2)结合室内环境的使用场景确定环境参数的一票否决权矩阵:X=[x1 x2x3...xi...xn],且满足xi∈{0,1};
当ui≥umax或者ui≤umin时,xi=0;
当umin<ui<umax时,xi=1;
其中,umin为环境参数ui在国标中规定的最小值,umax为环境参数ui在国标中规定的最大值。
对应S=考试场景,s=夏季,照度和噪音对考试影响较大,对应表1确定环确定一票否决权矩阵X:X=[1 1 0 1 1 1 1 1 1 0]。
(3)结合室内环境的使用场景确定环境参数的权重矩阵:
W=[w1 w2 w3...wi...wn],且满足w1+w2+w3+...+wi+...+wn=1;环境参数的权重wi表征环境参数ui对环境质量的影响程度。
由于数据样本比较小,本实施例技术方案中优选使用统计学工具SPSS中的因子分析法确定权重矩阵W:W=[0.1 0.1 0.2 0.2 0 0 0.1 0 0 0.3]。此处,将表1中的环境参数数据样本导入SPSS软件,在SPSS界面上点击“选择分析->降维->因子分析法”,直接获得对应每个环境惨呼的权重,由此获得以上权重矩阵。
(4)结合室内环境的使用场景确定环境参数的环境贡献函数值矩阵:F=[f1 f2f3…fi...fn],且满足fi∈[0,1];环境参数的环境贡献函数fi表征环境参数ui对环境质量指标影响程度的函数关系,即fi=f(ui);
根据公式二计算室内环境质量的综合指标E-IEQ:
本发明优选技术方案中,根据模糊综合评价法确定环境参数的环境贡献函数fi∈{f1i,f2i,f3i};f1i为偏小型,f2i为偏大型,f3i为中间型,此处的偏小型意为环境参数指标的取值越小越好,比如二氧化碳的浓度越小越好;偏大型为环境参数指标的取值越大越好;中间型为环境参数指标的取值在中间段最好,比如照度、色温、温度等取中间段的值最好。
其中,式3-1中:ai为环境贡献函数达到最优时环境参数的取值,bi为环境贡献函数达到最差时环境参数的取值;
式3-2中:ai为环境贡献函数达到最差时环境参数的取值,bi为环境贡献函数达到最优时环境参数的取值;
式3-3中:ai、di为环境贡献函数达到最差时环境参数的取值,ai<di;bi、ci为环境贡献函数达到最优时环境参数的取值,bi<ci。
根据以上环境贡献函数的确定方法确定表1中各个环境参数的环境贡献函数值的过程如下:
A→确定二氧化碳的环境贡献函数值:
A1:根据各个国家的相关标准,确定u二氧化碳取值的各个节点:
已知澳大利亚、加拿大、日本、韩国、新加坡、瑞典等地二氧化碳浓度上限为1000ppm,美国的二氧化碳浓度上限为2000ppm,中国的二氧化碳浓度上限为1800ppm。
A2:确定二氧化碳的环境贡献函数值:二氧化碳对环境的贡献函数符合偏小型的函数形式,即当超过国家规定的限制之后是会越来越差或者是不符合人从事活动的,以此,确定二氧化碳的环境贡献函数值适应于f1i。根据各个国家的相关标准,确定式3-1中的ai=1000,bi=1800。
将表1中二氧化碳的500代入公式3-1中,
得出二氧化碳的环境贡献函数值为1。
B→确定温度的环境贡献函数值:
B1:确定u温度取值的各个节点:
国标规定夏季的舒适温度为22-28℃,两边区间适当放宽2℃,即20-30℃。
B2:确定温度的环境贡献函数值:温度对环境的贡献函数符合中间型的函数形式,根据国标的规定,确定式三中的ai=20,bi=22,ci=28,di=30。
将表1中温度25℃代入公式三:
计算得出温度的环境贡献函数值为1。
以此类推,根据以上方法分别求得表1中各个环境参数对应的环境贡献函数值,确定矩阵F,F=[1 1 1 1 1 1 1 1 1 1]。
根据公式二计算室内环境质量的综合指标E-IEQ:
E-IEQ=0.1*1+0.1*1+0.2*1+0.2*1+0*1+0*1+0.1*1+0*1+0*1+0.3*1=1。
为了便于人们理解,将室内环境质量的综合指标分为若干个等级,包括但不局限于优秀、良好、中等、差、劣;
综合指标E-IEQ∈[0.9,1]时,所述室内环境质量为优秀;
综合指标E-IEQ∈[0.8,0.9)时,所述室内环境质量为良好;
综合指标E-IEQ∈[0.7,0.8)时,所述室内环境质量为中等;
综合指标E-IEQ∈[0.6,0.7)时,所述室内环境质量为差;
综合指标E-IEQ∈[0,0.6)时,所述室内环境质量为良好。
鉴于此,表1中的室内环境,通过本发明计算方法能够确定其环境等级为优。
另,需要注意的是,以上梯形或半梯形函数形式是一个确定环境贡献函数值一个典型实例,根据实际情况,还可以使用其它函数形式,比如:二次函数、幂函数、对数函数、Sigmoid等。
当样本数据达到500以上的时候,使用机器深度学习法确定环境参数的权重,如图2所述,其具体确定过程如下:
(1)获取环境参数数据;环境参数包括但不限于温度、湿度、照度、色温、PM2.5、PM10、甲醛、TVOC、二氧化碳和噪音。通过分布在环境中的各种传感器采集当前状态下的各个环境参数数据,比如,温度传感器采集当前状态下的温度为28℃、湿度传感器采集的湿度为47%等等,以此来获取环境中当前状态下各个环境参数的数据。
(2)结合室内环境的使用场景对环境参数数据进行特征提取,获得环境参数特征。具体的,结合室内环境的使用场景,剔除非正常的环境参数数据和非工作时间的环境参数数据。比如,传感器处于故障或者断电状态时,采集的数据异常(远大于或者远小于正常值)、或者断电状态时输出“--”,通过特征提取模块剔除这种非正常的环境参数数据。另一种情况下,比如,正常情况下室内环境的时间是9:00-17:00,通过特征提取模块剔除这一工作时间以外的环境参数数据。
(3)使用经训练获得的权重模型对环境参数特征做权重分析,获得环境参数的权重。
本实施例技术方案中,上述权重模型通过训练获得,如图3所示,其训练过程为:
(3.1)获取用作样本的环境参数数据样本。环境参数包括但不限于温度、湿度、照度、色温、PM2.5、PM10、甲醛、TVOC、二氧化碳和噪音。通过分布在环境中的各种传感器采集当前状态下的各个环境参数数据,比如,温度传感器采集当前状态下的温度为28℃、湿度传感器采集的湿度为47%等等,以此来获取环境中当前状态下各个环境参数的数据样本。
(3.2)结合室内环境的使用场景对环境参数数据样本进行特征提取,获得特征化后的数据样本。具体的,结合室内环境的使用场景,剔除非正常的数据样本和非工作时间的数据样本。比如,传感器处于故障或者断电状态时,采集的数据异常(远大于或者远小于正常值)、或者断电状态时输出“--”,通过特征提取单元剔除这种非正常的数据样本。另一种情况下,比如,正常情况下室内环境的时间是9:00-17:00,通过特征提取单元剔除这一工作时间以外的数据样本。
(3.3将特征化后的数据样本随机分为训练数据组和测试数据组。具体的,将特征化后的所有数据样本中的80%归为训练数据组,20%归为测试数据组。
(3.4)基于相关算法训练特征化后的数据样本,获得权重模型。具体的,相关算法包括但不局限于机器学习算法、卷积神经网络算法、循环神经网络算法、决策树、基于贝叶斯决策理论的分类算法和深度学习算法。模型训练单元使用以上的若干个相关算法分别训练数据样本,获得若干个权重模型。并使用测试数据组中的数据样本分别测试验证若干个权重模型的性能,在若干个权重模型中选取匹配度最高的一个为最优权重模型。比如,将测试数据组中的数据样本导入各个权重模型中,看各个权重模型输出的权重是否与实际情况相匹配,选取匹配度最高的的权重模型为最优权重模型,本实施例技术方案中,限定最优权重模型的匹配度不低于95%。测试验证后,如果所有的权重模型的匹配度都低于95%,则对匹配度最高的权重模型进行迭代优化,直至其匹配度不低于95%。
需要注意的是,在有新的数据样本导入时,当前测试数据组内的数据样本合并至训练数据组中,新的数据样本进入测试数据组,以此不断优化权重模型。
(4)使用经训练、筛选获得的最优权重模型对环境参数特征做权重分析,获得环境参数的权重。具体的,将特征化后的环境参数数据导入最优权重模型中,最优权重模型对环境参数数据做权重分析直接输出各个环境参数的权重。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种表征室内环境综合质量的综合指标计算方法,其特征在于:包括,
结合室内环境的使用场景确定环境参数矩阵U=[u1 u2 u3 ... ui ... un];
结合室内环境的使用场景确定环境参数的权重矩阵:W=[w1 w2 w3 ... wi ... wn],且满足w1+w2+w3+...+wi+...+wn=1;环境参数的权重wi表征环境参数ui对环境质量的影响程度;
结合室内环境的使用场景确定环境参数的环境贡献函数值矩阵:F=[f1 f2 f3 ... fi... fn],且满足fi∈[0,1];环境参数的环境贡献函数fi表征环境参数ui对环境质量指标影响程度的函数关系,即fi=f(ui);
根据公式一计算室内环境质量的综合指标E-IEQ:
2.如权利要求1所述的表征室内环境综合质量的综合指标计算方法,其特征在于:其还包括结合室内环境的使用场景确定环境参数的一票否决权矩阵:X=[x1 x2 x3 ... xi ...xn],且满足xi∈{0,1};
当ui≥umax或者ui≤umin时,xi=0;
当umin<ui<umax时,xi=1;
其中,umin为环境参数ui在国标中规定的最小值,umax为环境参数ui在国标中规定的最大值;
根据公式二计算室内环境质量的综合指标E-IEQ:
3.如权利要求1所述的表征室内环境综合质量的综合指标计算方法,其特征在于:根据模糊综合评价法确定环境参数的环境贡献函数fi∈{f1i,f2i,f3i};
其中,式3-1中:ai为环境贡献函数达到最优时环境参数的取值,bi为环境贡献函数达到最差时环境参数的取值;
式3-2中:ai为环境贡献函数达到最差时环境参数的取值,bi为环境贡献函数达到最优时环境参数的取值;
式3-3中:ai、di为环境贡献函数达到最差时环境参数的取值,ai<di;bi、ci为环境贡献函数达到最优时环境参数的取值,bi<ci。
4.如权利要求1所述的表征室内环境综合质量的综合指标计算方法,其特征在于:所述环境参数包括但不局限于温度、湿度、照度、色温、PM2.5、PM10、甲醛、TVOC、二氧化碳和噪音。
5.如权利要求1所述的表征室内环境综合质量的综合指标计算方法,其特征在于:将所述室内环境质量分为若干个等级,包括但不局限于优秀、良好、中等、差、劣;
综合指标E-IEQ∈[0.9,1]时,所述室内环境质量为优秀;
综合指标E-IEQ∈[0.8,0.9)时,所述室内环境质量为良好;
综合指标E-IEQ∈[0.7,0.8)时,所述室内环境质量为中等;
综合指标E-IEQ∈[0.6,0.7)时,所述室内环境质量为差;
综合指标E-IEQ∈[0,0.6)时,所述室内环境质量为良好。
6.如权利要求1所述的表征室内环境综合质量的综合指标计算方法,其特征在于:使用机器深度学习法或/和统计学中的因子分析法确定所述环境参数的权重;用于计算综合指的标数据样本小于等于设定值时,使用因子分析法确定环境参数的权重;超过设定值时,使用机器深度学习法确定环境参数的权重。
7.如权利要求6所述的表征室内环境综合质量的综合指标计算方法,其特征在于:使用机器深度学习法确定环境参数权重的过程为,
采集环境参数数据,所述环境参数包括但不限于温度、湿度、照度、色温、PM2.5、PM10、甲醛、TVOC、二氧化碳和噪音;
结合室内环境的使用场景对所述环境参数数据进行特征提取,获得环境参数特征;
使用经训练获得的权重模型对所述环境参数特征做权重分析,获得环境参数的权重。
8.如权利要求7所述的表征室内环境综合质量的综合指标计算方法,其特征在于:通过模型训练获得所述权重模型,其训练过程为,
获取用作样本的环境参数数据样本;
结合室内环境的使用场景对环境参数数据样本进行特征提取,获得特征化后的数据样本;
基于相关算法训练特征化后的数据样本,获得所述权重模型。
9.如权利要求8所述的表征室内环境综合质量的综合指标计算方法,其特征在于:所述权重模型的训练过程还包括,
对特征后的数据样本进行随机分组,分为训练数据组和测试数据组,使用训练数据组中的数据样本进行模型训练获得所述权重模型;
使用若干个相关算法分别训练所述训练数据组中的数据样本,获得若干个权重模型;
使用所述测试数据组中的数据样本分别测试验证所述若干个权重模型的性能,在所述若干个权重模型中选取匹配度最高的一个为最优权重模型;
使用最优权重模型对环境参数特征做权重分析,获得环境参数的权重。
10.如权利要求9所述的表征室内环境综合质量的综合指标计算方法,其特征在于:用于训练获得权重模型的相关算法包括但不局限于机器学习算法、卷积神经网络算法、循环神经网络算法、决策树、基于贝叶斯决策理论的分类算法和深度学习算法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811108366.5A CN109242329A (zh) | 2018-09-21 | 2018-09-21 | 表征室内环境综合质量的综合指标计算方法 |
PCT/CN2018/109857 WO2020056811A1 (zh) | 2018-09-21 | 2018-10-11 | 表征室内环境综合质量的综合指标计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811108366.5A CN109242329A (zh) | 2018-09-21 | 2018-09-21 | 表征室内环境综合质量的综合指标计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242329A true CN109242329A (zh) | 2019-01-18 |
Family
ID=65057153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811108366.5A Pending CN109242329A (zh) | 2018-09-21 | 2018-09-21 | 表征室内环境综合质量的综合指标计算方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109242329A (zh) |
WO (1) | WO2020056811A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557585A (zh) * | 2019-09-25 | 2021-03-26 | 上海迪勤智能科技有限公司 | 基于韦伯-费希纳拓广定律的学习环境质量评估系统和方法 |
CN113379284A (zh) * | 2021-06-24 | 2021-09-10 | 哈尔滨工业大学 | 基于环境感受概率质量函数的室内环境条件等效判定方法及判定系统 |
CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550515A (zh) * | 2015-12-10 | 2016-05-04 | 山东科技大学 | 一种对空气质量数据进行多级综合评判的方法 |
CN106021858A (zh) * | 2016-05-06 | 2016-10-12 | 中科同德(北京)生态科技有限公司 | 一种表征室内空气环境质量的指标评价数据的计算方法 |
CN106546323A (zh) * | 2016-11-08 | 2017-03-29 | 浙江工业大学 | 一种室内光环境健康程度评估方法 |
CN108363294A (zh) * | 2017-01-26 | 2018-08-03 | 安徽东方果园生物科技有限公司 | 一种农产品运输封闭和半封闭厢体的环境监测预警方法和环境监测预警系统 |
-
2018
- 2018-09-21 CN CN201811108366.5A patent/CN109242329A/zh active Pending
- 2018-10-11 WO PCT/CN2018/109857 patent/WO2020056811A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550515A (zh) * | 2015-12-10 | 2016-05-04 | 山东科技大学 | 一种对空气质量数据进行多级综合评判的方法 |
CN106021858A (zh) * | 2016-05-06 | 2016-10-12 | 中科同德(北京)生态科技有限公司 | 一种表征室内空气环境质量的指标评价数据的计算方法 |
CN106546323A (zh) * | 2016-11-08 | 2017-03-29 | 浙江工业大学 | 一种室内光环境健康程度评估方法 |
CN108363294A (zh) * | 2017-01-26 | 2018-08-03 | 安徽东方果园生物科技有限公司 | 一种农产品运输封闭和半封闭厢体的环境监测预警方法和环境监测预警系统 |
Non-Patent Citations (3)
Title |
---|
于洋 等: "基于多策略评价的绩效指标权重确定方法研究", 《系统系统工程理论与实践》 * |
任一鑫等: "《新汶矿区循环经济发展模式》", 31 December 2009 * |
范煜: "模糊综合评判在绿色建筑评价中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557585A (zh) * | 2019-09-25 | 2021-03-26 | 上海迪勤智能科技有限公司 | 基于韦伯-费希纳拓广定律的学习环境质量评估系统和方法 |
CN113379284A (zh) * | 2021-06-24 | 2021-09-10 | 哈尔滨工业大学 | 基于环境感受概率质量函数的室内环境条件等效判定方法及判定系统 |
CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020056811A1 (zh) | 2020-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781785B (zh) | 一种基于大数据的题目难度构建方法及装置、服务设备 | |
CN109242329A (zh) | 表征室内环境综合质量的综合指标计算方法 | |
CN110060762B (zh) | 一种基于多因子量表数据的心理发展水平评估方法及系统 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN104572989A (zh) | 一种辅助高中生选择大学专业的信息推荐方法及系统 | |
CN110378520A (zh) | 一种pm2.5浓度预测和预警方法 | |
CN105469208A (zh) | 基于模糊综合评估法的员工培训测评系统 | |
WO2024021359A1 (zh) | 基于图像脑敏感数据的建成环境主导色测度方法和系统 | |
WO2020024456A1 (zh) | 一种量化交易预测方法、装置及设备 | |
CN110175765A (zh) | 一种基本公共教育服务均等化综合评估系统及评估方法 | |
CN113049509B (zh) | 一种基于光谱技术的农产品检测管理系统 | |
CN109297534B (zh) | 用于评价室内环境质量的环境参数权重确定方法及系统 | |
CN106875028A (zh) | 一种辅助择校的信息筛选方法和系统 | |
Iqbal et al. | Determinants of urban poverty: The case of medium sized city in Pakistan | |
CN117352114B (zh) | 一种基于聚类算法的心理测评量表的推荐方法及系统 | |
CN114565207A (zh) | 一种融合属性数据和流动数据的城市群高质量发展监测评估方法 | |
Branson | An analysis of out of school youth who have not completed matric: what can available data tell us? | |
CN115423383B (zh) | 基于人工智能的分布式村镇饮用水监测调控系统及方法 | |
Briesch et al. | Examining the influence of interval length on the dependability of observational estimates | |
CN116452071A (zh) | 一种基于vr和5g技术的智慧教学质量评估系统 | |
CN108133296B (zh) | 基于活动的社交网络下的一种结合环境数据的活动出席预测方法 | |
CN109654559A (zh) | 一种能识别水汽与油烟的健康烹饪系统 | |
CN114881827A (zh) | 一种基于互联网的远程在线教育培训方法、系统及存储介质 | |
Hardianto et al. | Human Development Index (HDI) as a planning plan for dealing globalization of ASEAN Economic Society (MEA) in Indonesia | |
CN104575522B (zh) | 一种用于语音质量网络主观测听的听音人等级评定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |