CN110309609B - 一种基于粗糙集和wnn的建筑室内空气品质评价方法 - Google Patents

一种基于粗糙集和wnn的建筑室内空气品质评价方法 Download PDF

Info

Publication number
CN110309609B
CN110309609B CN201910606867.4A CN201910606867A CN110309609B CN 110309609 B CN110309609 B CN 110309609B CN 201910606867 A CN201910606867 A CN 201910606867A CN 110309609 B CN110309609 B CN 110309609B
Authority
CN
China
Prior art keywords
indoor air
air quality
neural network
wavelet neural
sample
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.)
Active
Application number
CN201910606867.4A
Other languages
English (en)
Other versions
CN110309609A (zh
Inventor
雷蕾
陈威
王宁
郑皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201910606867.4A priority Critical patent/CN110309609B/zh
Publication of CN110309609A publication Critical patent/CN110309609A/zh
Application granted granted Critical
Publication of CN110309609B publication Critical patent/CN110309609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法,包括以下步骤:(1)进行现场实测,得到的关于室内空气品质环境参数的样本数据,建立室内空气品质等级评价体系;(2)利用粗糙集理论对样本进行属性约简预处理;(3)利用Matlab软件将经过属性约简的环境参数作为小波神经网络的输入参数,建立小波神经网络训练模型对训练样本进行学习训练,并调试得到其最佳训练模型;(4)确定小波神经网络测试模型,把测试样本放入该训练好的测试模型中进行室内空气品质在线评价。本发明的评价方法解决了传统室内空气品质评价方法中主观性过强和实用性不够的问题,为建筑室内空气品质等级的客观评价提供了有效的解决方案。

Description

一种基于粗糙集和WNN的建筑室内空气品质评价方法
技术领域
本发明属于建筑室内空气品质评价技术领域,具体涉及一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法。
背景技术
空气污染正在给全球健康带来巨大挑战,据WHO调查研究,在2012年的全球死亡人数中估计有8分之一是死于空气污染。而人一天中90%的时间是在室内环境下度过的,这使人们越来越认识到室内空气品质的重要性。在密闭的室内环境下,室内物品及建材散发出有害物质,暖通空调设备运行,人员活动和室外大气污染等都会导致室内污染物超标及一系列室内空气污染问题,从而对人的健康产生重要影响。因此如何评价室内空气品质,是一个重要问题。
通常对室内环境空气质量评价有主观评价和客观评价。主观评价有感官法和分贝法等,它们最大优点是简单方便,很容易实现。但主观评价法过于依赖于人的主观感受,而不同的人其嗅觉灵敏度和主观感受是存在差异的。在客观评价中,有人针对室内空气品质是一个缺少足够信息去描述的模糊系统,尝试通过模糊数学法或灰色理论等来进行研究,这些方法相较于主观评价较准确、更客观,但这些方法在应用中需针对不同的实际问题来选取最优的权值计算公式或评价标准序列等,而权值计算公式或评价标准序列等的调整在实际问题中是比较麻烦的,因此这些传统的客观评价方法难以运用到实际场合中。鉴于此,本文发明一种结合粗糙集和小波神经网络的室内空气品质评价方法,
发明内容
本发明旨在提供一种更准确客观和更有效实用的基于粗糙集和小波神经网络的室内空气品质评价方法,以解决传统的客观评价方法难以运用到实际场合中的技术问题,以便更好的识别及评价建筑室内空气品质等级。
为了解决以上技术问题,本发明采用以下技术方案:
一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法,包括以下步骤:
步骤一:进行现场实测,得到的关于室内空气品质环境参数的样本数据,建立室内空气品质等级评价体系;
步骤二:利用粗糙集理论对样本进行属性约简预处理;
步骤三:利用Matlab软件将经过属性约简的环境参数作为小波神经网络的输入参数,建立小波神经网络训练模型对训练样本进行学习训练,并调试得到其最佳训练模型;
步骤四:确定小波神经网络测试模型,把测试样本放入该训练好的测试模型中进行室内空气品质在线评价。
进一步地,步骤一中所述环境参数涉及的室内空气品质的影响因素包括空气温度、二氧化碳、相对湿度、风速、总挥发性有机化合物、可吸入颗粒物、甲醛以及噪声。
进一步地,所述室内空气为大型商场之类的建筑物室内空气。
进一步地,步骤一中建立室内空气品质等级评价体系是以《GB-T18883-2002室内环境空气质量标准》为依据,划分四个室内空气品质评价等级。
进一步地,所述四个室内空气品质评价等级分别为:未污染、轻度污染、中度污染和重度污染。
进一步地,步骤二中粗糙集对环境参数进行属性约简可以简化包括以下步骤:
(1)运用等距离划分思想,给出离散点,对样本集的原始数据进行离散化处理;
(2)建立粗糙集决策表;
(3)利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构。
进一步地,步骤(1)中对样本集的原始数据进行离散化处理如下:将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标,2表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。
进一步地,步骤(2)中建立粗糙集决策表是以温度、相对湿度、风速、CO2、PM10、甲醛、TVOC和噪声评价指标作为条件属性的。
进一步地,步骤三中建立小波神经网络训练模型对训练样本进行学习训练,包括以下步骤:
1)进行样本分类;
2)初始化小波神经网络参数;
3)选定小波神经网络隐含层节点的传递函数;
4)设置隐含层,输出层神经元节点个数;
5)计算隐含层神经元节点的输出值;
6)计算输出层神经元节点的输出值;
7)预测输出,计算误差;
8)控制网络精度,根据预测误差e修正小波基函数参数和小波神经网络权值,判断算法是否结束。
进一步地,步骤1)中进行样本分类是通过如下实现的:把样本数据分成训练样本和测试样本两部分,训练样本进行学习训练,测试样本用来进行测试及评价;把训练样本经粗糙集约简后形成的建筑室内空气品质等级决策表按照矩阵的形式导入Matlab软件之中,约简后的条件属性作为输入参数,决策属性作为识别输出结果,建立小波神经网络训练模型进行小波神经网络学习训练。
本发明具有的优点在于:
本发明首先采用粗糙集来降低影响室内空气品质的不重要特征维度,得到影响室内空气品质的重要环境参数,并以此作为小波神经网络的输入参数,随后确定小波神经网络测试结构,建立基于粗糙集-小波神经网络的建筑室内空气品质评价模型。这样得到的室内空气品质评价模型对室内空气品质等级的识别具有准确及客观的特征,解决了传统室内空气品质评价方法中主观性过强和实用性不够的问题,拓宽了室内空气品质等级的判定途径,为建筑室内空气品质等级的客观评价提供了有效且实用的解决方案,同时对室内空气品质的改善及维护具有指导意义。
附图说明
图1为本发明的基于粗糙集和小波神经网络的建筑室内空气品质评价方法的工作流程图;
图2为本发明的小波神经网络结构示意图;
图3为6个输入参数的最佳小波神经网络结构模型图;
图4为粗糙集—小波神经网络分类等级与室内空气品质实际等级对比图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚和清楚,下面将结合具体实施例并参考附图来清楚和完整地描述本发明实施例中的技术方案。应当注意,本发明的所述实施例是说明性的,但是这不是对本发明的限制,因此本发明不限于上述实施例。基于本发明原理,凡是本领域普通技术人员在没有做出创造性劳动前提下所获得的其它实施方式,均视为在本发明的保护之内。
本发明的基于粗糙集和小波神经网络的建筑室内空气品质评价方法的技术方案主要分为两个部分,首先将粗糙集作为小波神经网络的前端处理器,利用粗糙集理论对室内空气品质的影响因素进行属性约简,再通过小波神经网络对室内空气品质进行测试和评价。实施步骤如下,见图2的工作流程图。
步骤一:进行现场实测,得到的关于室内空气品质环境参数(即室内空气品质的影响因素)的样本数据,建立室内空气品质等级评价体系;
步骤二:利用粗糙集理论(RS)对样本进行属性约简预处理;
步骤三:利用Matlab软件将经过属性约简的环境参数作为小波神经网络(WNN)的输入参数,建立小波神经网络训练模型对训练样本进行学习训练,并调试得到其最佳训练模型;
步骤四:确定小波神经网络测试模型,把测试样本放入该训练好的测试模型中进行室内空气品质在线评价。
步骤一中:
测量人员对大型商场之类的建筑物进行室内空气品质的环境参数的现场检测,采集空气温度、二氧化碳、相对湿度、风速、总挥发性有机化合物(TVOC)、可吸入颗粒物(PM10)、甲醛以及噪声等环境参数的数值,组成一个原始数据样本集。
以《GB-T18883-2002室内环境空气质量标准》为依据,划分未污染、轻度污染、中度污染和重度污染四个室内空气品质评价等级,建立室内空气品质等级评价体系。各环境参数指标都不超标为未污染,即I等级。有一个环境参数指标超标处于轻度污染,为II等级。有2~3个环境参数指标超标处于中度污染,为III等级。有4个及以上环境参数指标超标为重度污染,即IV等级。(具体划分情况如表1所示)
表1室内空气品质等级评价表
Figure GDA0003648688910000041
步骤二中:
粗糙集理论:
粗糙集(RS)理论是一种从不确定数据中获得知识和信息的方法,可以对信息约简,挖掘隐含知识和潜在规律。其知识表达系统是一个数据集合,可表示为知识表达系统K=(U, Q,V,f),U为论域,Q为属性的非空有限集合,V为所有属性的值域,f是信息函数。以下是它的两个知识点:
(1)不可辨识关系:当对象x,y∈U,属性集合
Figure GDA0003648688910000051
若存在
Figure GDA0003648688910000052
使得fq(x)=fq(y),称对象x和对象y对属性集合P具有不可辨识关系,记为ind(P)。
(2)上近似、下近似及近似精度
设属性集合
Figure GDA0003648688910000053
集合
Figure GDA0003648688910000054
[x]p={y∈U|xind(P)y}表示决策表中包含属性集合P的等价类,定义集合Y的下近似PY和上近似
Figure GDA0003648688910000055
分别为:
Figure GDA0003648688910000056
Figure GDA0003648688910000057
此外定义
Figure GDA0003648688910000058
为Y的边界。显然,若
Figure GDA0003648688910000059
Figure GDA00036486889100000510
则集合Y就是一个粗糙集概念。posp(Y)=PY称为集合Y的P-正区域,
Figure GDA00036486889100000511
称为集合Y的P-反区域。(这里的U和Q都与上文是一致的,U为论域,Q为属性的非空有限集合)
粗糙集属性约简:
通过粗糙集对环境参数进行属性约简,有效地降原始数据的属性维数,在保留关键信息的前提下去除掉了不重要属性,使得神经网络的输入参数量减少,从而很大程度上缩短了神经网络训练的时间,提高了分类的精度。由于粗糙集理论只能处理离散数据,所以在进行属性约简的时候需先对连续数据进行离散化,再构造一个分辨矩阵M=[mij]n×n,M为分辨矩阵,m表示M中的元素,从而来确定D的C正域posc(D)。对C中各属性ci而言,若去掉属性ci,有C正域不等式posc(D)≠posc-{ci}(D)成立,则表示属性ci不可约简,否则,表示属性ci可以被约简。D表示决策属性,C表示条件属性,posc(D)表示D关于C的正域,posc-{ci}(D)表示D关于(C-Ci)的正域。把C中所有属性都检验了一遍后,得到一个不可约简的属性集合,该属性集合即为条件属性C对于决策属性D的一个相对约简。
本发明中粗糙集对环境参数进行属性约简可以简化为以下步骤:
(1)运用等距离划分思想,给出离散点,对样本集的原始数据进行离散化处理。将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标,2 表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。令C1,C2,C3,C4,C5,C6,C7,C8……分别表示评价指标中的温度、相对湿度、风速、CO2、PM10、甲醛、 TVOC、噪声等,各属性离散点的确定如表2所示(以八个环境指标为例)。
表2各属性约简区间
Figure GDA0003648688910000061
(2)建立粗糙集决策表。温度、相对湿度、风速、CO2、PM10、甲醛、TVOC和噪声等评价指标作为条件属性,决策属性的决策值由所有条件属性值共同决定。室内空气品质评价等级与决策属性D的决策值相对应:1—I等级,2—II等级,3—III等级,4—IV等级。 (例:给出如表3的训练样本数据,可建立如表4所示的建筑室内空气品质等级的决策表。)
表3原始数据
Figure GDA0003648688910000062
表4室内空气品质等级决策表
Figure GDA0003648688910000071
(3)利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构。在Rosetta软件中的新建部分,通过structures找到ODBCImport指令,从而导入步骤(2)中建立的建筑室内空气品质等级决策表。再通过Sheet1$找到Reduce指令中的GeneticAlgorithm(基于遗传算法的属性约简方式)来对决策表数据进行属性约简。通过属性约简操作,部分冗杂的条件属性(环境参数)被约简掉,一定程度上精简了样本结构,加快了步骤三中的小波神经网络的学习收敛速度及识别分类精度。
步骤三中:
小波神经网络:小波神经网络是小波分析与人工神经网络相结合的一种分层、多分辨率的前馈网络,学习过程为信号前向传播的同时误差反向传播,它的结构由一个输入层、一个输出层和一个或多个隐含层所构成(三层小波神经网络结构如图2所示),其中隐含层神经元只接受输入层神经元的信息输入,输出层神经元只接受隐含层神经元的信息输入。相比于BP等其他神经网络,小波神经网络结构更简单,收敛速度更快,精度更高。这是因为小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性,并且小波理论是全尺度分析,不仅有全局最优解,还保持局部细节最优解,小波理论的原理如下:
小波分析的实质是将待分析的数据分解为一系列小波函数的叠加,这些小波函数是由一个母小波函数经过小波变换而来。而将一基本小波函数ψ(t)平移b个单位后,再与待分析的信号x(t)在不同尺度a下做内积这一过程就被称为小波变换,小波变换的具体形式为:
Figure GDA0003648688910000081
式中:a,b为参数,t是自变量,x(t)表示待分析的信号,ψ(t)表示基本小波函数。
Figure GDA0003648688910000082
表示基本小波函数ψ(t)在不同尺度a下平移b个单位。
小波分析具有非平稳信号的分解能力,人工神经网络具有高容错,自学习,自适应的特点,两者结合形成的高精度的小波神经网络对粗糙集约简后的训练样本数据进行学习训练可以简化为以下步骤:(确定母小波基函数和隐含层节点数,输入层节点数及输出层节点数)
1、进行样本分类。把样本数据分成训练样本和测试样本两部分,训练样本进行学习训练,测试样本用来进行测试及评价。把训练样本经粗糙集约简后形成的建筑室内空气品质等级决策表按照矩阵的形式导入Matlab软件之中,约简后的条件属性作为输入参数,决策属性作为识别输出结果,建立小波神经网络训练模型进行小波神经网络学习训练。
2、初始化小波神经网络参数。对网络连接权值ωij,学习速率η和小波函数的伸缩因子aj及平移因子bj等参数,分别给定其初始值。
3、选定小波神经网络隐含层节点的传递函数。相比于BP等神经网络的隐含层节点传递函数Sigmoid函数,Morlet小波基函数具有误差小、计算稳定及鲁棒性好等优良特点,故选用其作为隐含层节点的传递函数,即母小波基函数。
4、设置隐含层,输出层神经元节点个数。隐含层神经元节点的个数通过试凑法来设置 (即开始设定较少的隐含层神经元数量,再逐渐增多其数量,形成不同的小波神经网络结构模型,在保证同样的输入参数和训练方式的条件下,通过逐步试验来选取使得网络总体误差最小的最佳结构模型,并以此时该模型中隐含层神经元的个数作为所建立的小波神经网络结构模型的最佳隐含层神经元节点数)。输出层神经元节点个数与输出结果的分类总数有关,基于粗糙集和小波神经网络对大型商场室内空气品质进行等级评价属于模式识别的研究,一般模式识别的输出层神经元个数设计可由模式识别的分类总数来确定(如:步骤一、二中的室内空气品质划分为四个等级,即网络模式识别的分类总数为4,故输出层神经元节点个数为4个)。
5、计算隐含层神经元节点的输出值。以hj表示小波基函数,aj、bj分别表示为小波基函数的伸缩因子和平移因子,ωij表示输入层的i节点与隐含层j节点之间的连接权值,k、l 分别表示输入层节点个数和隐含层节点个数,计算隐含层第j个节点的输出值h(j),
Figure GDA0003648688910000091
6、计算输出层神经元节点的输出值。用ωik表示隐含层到输出层之间的权值,以 h(j)表示第j个隐含层节点的输出值,l,m分别表示隐含层神经元节点数和输出层神经元节点数,计算小波神经网络输出层的输出值,
Figure GDA0003648688910000092
7、预测输出,计算误差。在信息的正向传递阶段,信息通过输入层传输到隐含层,隐含层再传输到输出层,输出层处理后得到输出结果。随后小波神经网络将该输出结果与期望输出作出比较,对两者之间的差值e进行计算,具体计算公式如下:(其中yn(k)表示预期结果,m为输出层的节点个数,y(k)表示网络输出)
Figure GDA0003648688910000093
8、控制网络精度,根据预测误差e修正小波基函数参数和小波神经网络权值,判断算法是否结束。设定预定误差ε,若预测误差e小于预定误差ε,停止小波神经网络的训练。若预测误差e大于预定误差ε,则网络训练进入误差逆向传播阶段,误差信号按与信息正向传递相逆的路径被传回,并采用梯度修正法不断修正网络的权值和小波基函数的平移因子及伸缩因子,随后信息的正向传播和误差的逆向传递再次进行,如此反复循环学习直到最终预测误差e小于预定误差ε时,小波神经网络训练结束。
设定学习速率η,其值满足0<η<1,利用网络预测误差e计算
Figure GDA0003648688910000094
Figure GDA0003648688910000095
Figure GDA0003648688910000096
Figure GDA0003648688910000097
修正权值:
Figure GDA0003648688910000101
修正伸缩因子:
Figure GDA0003648688910000102
修正平移因子:
Figure GDA0003648688910000103
Figure GDA0003648688910000104
表示第i次修正的权值,
Figure GDA0003648688910000105
表示第i+1次修正的权值,
Figure GDA0003648688910000106
表示第i次修正的权值与表示第i+1次修正的权值之间的差值。
Figure GDA0003648688910000107
表示误差e对第i次修正的权值
Figure GDA0003648688910000108
求偏导。
Figure GDA0003648688910000109
表示第i次修正的伸缩因子,
Figure GDA00036486889100001010
表示第i+1次修正的伸缩因子,
Figure GDA00036486889100001011
表示第i次修正的伸缩因子与表示第i+1次修正的伸缩因子之间的差值。
Figure GDA00036486889100001012
表示误差e对第i次修正的伸缩因子
Figure GDA00036486889100001013
求偏导。
Figure GDA00036486889100001014
表示第i次修正的平移因子,
Figure GDA00036486889100001015
表示第i+1次修正的平移因子,
Figure GDA00036486889100001016
表示第i次修正的平移因子与表示第i+1次修正的平移因子之间的差值。
Figure GDA00036486889100001017
表示误差e对第i次修正的平移因子
Figure GDA00036486889100001018
求偏导。
步骤4中:
将训练得到的最佳小波神经网络结构模型作为小波神经网络测试模型,把测试样本放入该训练好的测试模型中进行室内空气品质在线评价,对测试样本数据进行室内空气品质等级的评价。若测试输出结果为I等级,表示该测试样本未污染;输出结果为II等级,表示该测试样本轻度污染;输出结果为III等级,表示该测试样本中度污染;输出结果为IV 等级,表示该测试样本重度污染。
下面通过更具体的实施例进行说明
实施例1
测量人员对大型商场之类的建筑物进行室内空气品质的环境参数的现场检测,采集空气温度、二氧化碳、相对湿度、风速、总挥发性有机化合物(TVOC)、可吸入颗粒物(PM10)、甲醛以及噪声这八个环境参数的数值,组成一个含有1800个原始数据的样本集,见表5。
表5原始数据
Figure GDA0003648688910000111
以《GB-T18883-2002室内环境空气质量标准》为依据,划分未污染、轻度污染、中度污染和重度污染四个室内空气品质评价等级,建立室内空气品质等级评价体系。各环境参数指标都不超标为未污染,即I等级。有一个环境参数指标超标处于轻度污染,为II等级。有2~3个环境参数指标超标处于中度污染,为III等级。有4个及以上环境参数指标超标为重度污染,即IV等级。(具体划分情况表6所示)
表6室内空气品质等级评价表
Figure GDA0003648688910000112
Figure GDA0003648688910000121
运用等距离划分思想,给出离散点,利用粗糙集对样本集的原始数据进行离散化处理。将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标, 2表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。令C1,C2,C3,C4,C5,C6,C7,C8……分别表示评价指标中的温度、相对湿度、风速、CO2、PM10、甲醛、 TVOC、噪声等,各属性离散点的确定如表7所示。
表7各属性约简区间
Figure GDA0003648688910000122
建立粗糙集决策表。温度、相对湿度、风速、CO2、PM10、甲醛、TVOC和噪声这8 个评价指标作为条件属性,决策属性的决策值由所有条件属性值共同决定。室内空气品质评价等级与决策属性D的决策值相对应:1—I等级,2—II等级,3—III等级,4—IV等级,具体见表8。
表8室内空气品质等级决策表
Figure GDA0003648688910000123
Figure GDA0003648688910000131
利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构。在Rosetta软件中的新建部分,通过structures找到ODBC Import指令,从而导入表8中的建筑室内空气品质等级决策表。再通过Sheet1$找到Reduce指令中的GeneticAlgorithm (基于遗传算法的属性约简方式)来对决策表数据进行属性约简。通过属性约简操作,将8 个影响建筑室内空气品质的指标约简为温度(C1)、相对湿度(C2)、风速(C3)、CO2(C4)、 TVOC(C5)、噪声(C6)这6个指标(具体如表9所示),剔除了PM10和甲醛这两个不重要属性,达到降维而又保持原有信息不变的目的。
表9粗糙集约简后决策表
Figure GDA0003648688910000132
Figure GDA0003648688910000141
进行样本分类。把样本数据分成训练样本和测试样本两部分,1750组训练样本进行学习训练,50组测试样本用来进行测试及评价。把训练样本经粗糙集约简后形成的建筑室内空气品质等级决策表(该部分决策表指只涵盖经粗糙集约简后其中的1750个训练样本的决策表)按照矩阵的形式导入Matlab之中,约简后的6个条件属性作为输入参数,决策属性作为识别输出结果,建立小波神经网络训练模型进行小波神经网络学习训练。
初始化小波神经网络参数。对网络连接权值ωij,学习速率η和小波函数的伸缩因子aj及平移因子bj等参数,分别给定其初始值。
选定小波神经网络隐含层节点的传递函数。相比于BP等神经网络的隐含层节点传递函数Sigmoid函数,Morlet小波基函数具有误差小、计算稳定及鲁棒性好等优良特点,故选用其作为隐含层节点的传递函数,即母小波基函数。
设置隐含层,输出层神经元节点个数。隐含层神经元节点的个数通过试凑法来设置,经过试凑,在已知输入参数为6个和输出模式种类的情况下,得出此次小波神经网络的最佳隐含层层数为两层,第一层隐含层神经元最佳个数为10个,第二层隐含层神经元最佳个数为14个。输出层神经元节点个数与输出结果的分类总数有关,基于粗糙集和小波神经网络对大型商场室内空气品质进行等级评价属于模式识别的研究,一般模式识别的输出层神经元个数设计可由模式识别的分类总数来确定,室内空气品质划分为四个等级,即网络模式识别的分类总数为4,故输出层神经元节点个数为4个,从以上得出6个输入参数的最佳小波神经网络结构模型,见图3。
计算隐含层神经元节点的输出值。以hj表示小波基函数,aj、bj分别表示为小波基函数的伸缩因子和平移因子,ωij表示输入层的i节点与隐含层j节点之间的连接权值,k、l分别表示输入层节点个数和隐含层节点个数,计算隐含层第j个节点的输出值h(j),
Figure GDA0003648688910000151
计算输出层神经元节点的输出值。用ωik表示隐含层到输出层之间的权值,以h(j)表示第j个隐含层节点的输出值,l,m分别表示隐含层神经元节点数和输出层神经元节点数,计算小波神经网络输出层的输出值,
Figure GDA0003648688910000152
预测输出,计算误差。在信息的正向传递阶段,信息通过输入层传输到隐含层,隐含层再传输到输出层,输出层处理后得到输出结果。随后小波神经网络将该输出结果与期望输出作出比较,对两者之间的差值e进行计算,具体计算公式如下(其中yn(k)表示预期结果,m为输出层的节点个数,y(k)表示网络输出):
Figure GDA0003648688910000153
控制网络精度,根据预测误差e修正小波基函数参数和小波神经网络权值,判断训练是否结束。设定预定误差ε,若预测误差e小于预定误差ε,停止小波神经网络的训练。若预测误差e大于预定误差ε,则网络训练进入误差逆向传播阶段,误差信号按与信息正向传递相逆的路径被传回,并采用梯度修正法不断修正网络的权值和小波基函数的平移因子及伸缩因子,随后信息的正向传播和误差的逆向传递再次进行,如此反复循环学习直到最终预测误差e小于预定误差ε时,小波神经网络训练结束。
设定学习速率η,其值满足0<η<1,利用网络预测误差e计算
Figure GDA0003648688910000161
Figure GDA0003648688910000162
Figure GDA0003648688910000163
Figure GDA0003648688910000164
修正权值:
Figure GDA0003648688910000165
修正伸缩因子:
Figure GDA0003648688910000166
修正平移因子:
Figure GDA0003648688910000167
将1750组数据训练得到的最佳小波神经网络结构模型作为小波神经网络测试模型,把 50组测试样本放入Matlab里训练好的该小波神经网络测试模型中进行室内空气品质在线评价,对测试样本数据进行室内空气品质等级的评价。若测试输出结果为I等级,表示该测试样本未污染;输出结果为II等级,表示该测试样本轻度污染;输出结果为III等级,表示该测试样本中度污染;输出结果为IV等级,表示该测试样本重度污染。粗糙集—小波神经网络对50组测试样本的评价及检测如图4所示。
从图4中的评价结果可以看到,在误差允许范围内,粗糙集—小波神经网络评价室内空气品质时有一个非常好的精度表现,它对测试样本分类的等级和室内空气品质实际等级都基本保持一致。50个测试样本的空气品质等级均在II级以上,这表明50个测试样本的空气品质均存在不同程度的污染情况,其中,除第13组和第19组这两组测试样本数据的空气品质等级为II级,即轻度污染外,其余48组均为中度或重度污染,此次检测的大型商场建筑的室内空气品质状况不容乐观。
尽管已经描述和叙述了被看作本发明的示范实施例,本领域技术人员将会明白,可以对其作出各种改变和替换,而不会脱离本发明的精神。另外,可以做出许多修改以将特定情况适配到本发明的教义,而不会脱离在此描述的本发明中心概念。所以,本发明不受限于在此披露的特定实施例,但本发明可能还包括属于本发明范围的所有实施例及其等同物。

Claims (6)

1.一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法,其特征在于,包括以下步骤:
步骤一:进行现场实测,得到的关于室内空气品质环境参数的样本数据,建立室内空气品质等级评价体系;
步骤二:利用粗糙集理论对样本进行属性约简预处理;
步骤二中粗糙集对环境参数进行属性约简包括以下步骤:
(1)运用等距离划分思想,给出离散点,对样本集的原始数据进行离散化处理;
(2)建立粗糙集决策表,该表是以温度、相对湿度、风速、CO2、PM10、甲醛、TVOC和噪声评价指标作为条件属性的;
(3)利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构;
步骤三:利用Matlab软件将经过属性约简的环境参数作为小波神经网络的输入参数,建立小波神经网络训练模型对训练样本进行学习训练,并调试得到其最佳训练模型;
步骤三中建立小波神经网络训练模型对训练样本进行学习训练,包括以下步骤:
1)进行样本分类;
2)初始化小波神经网络参数;
3)选定小波神经网络隐含层节点的传递函数;
4)设置隐含层,输出层神经元节点个数;
5)计算隐含层神经元节点的输出值;
6)计算输出层神经元节点的输出值;
7)预测输出,计算误差;
8)控制网络精度,根据预测误差e修正小波基函数参数和小波神经网络权值,判断算法是否结束;
步骤1)中进行样本分类是通过如下实现的:把样本数据分成训练样本和测试样本两部分,训练样本进行学习训练,测试样本用来进行测试及评价;把训练样本经粗糙集约简后形成的建筑室内空气品质等级决策表按照矩阵的形式导入Matlab软件之中,约简后的条件属性作为输入参数,决策属性作为识别输出结果,建立小波神经网络训练模型进行小波神经网络学习训练;
步骤四:确定所述最佳训练模型为小波神经网络测试模型,把测试样本放入该训练好的测试模型中进行室内空气品质在线评价。
2.根据权利要求1所述的基于粗糙集和小波神经网络的建筑室内空气品质评价方法,其特征在于,步骤一中所述环境参数涉及的室内空气品质的影响因素包括空气温度、二氧化碳、相对湿度、风速、总挥发性有机化合物、可吸入颗粒物、甲醛以及噪声。
3.根据权利要求2所述的基于粗糙集和小波神经网络的建筑室内空气品质评价方法,其特征在于,所述室内空气为大型商场的建筑物室内空气。
4.根据权利要求1所述的基于粗糙集和小波神经网络的建筑室内空气品质评价方法,其特征在于,步骤一中建立室内空气品质等级评价体系是以《GB-T18883-2002室内环境空气质量标准》为依据,划分四个室内空气品质评价等级。
5.根据权利要求4所述的基于粗糙集和小波神经网络的建筑室内空气品质评价方法,其特征在于,所述四个室内空气品质评价等级分别为:未污染、轻度污染、中度污染和重度污染。
6.根据权利要求1所述的基于粗糙集和小波神经网络的建筑室内空气品质评价方法,其特征在于,步骤(1)中对样本集的原始数据进行离散化处理如下:将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标,2表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。
CN201910606867.4A 2019-07-06 2019-07-06 一种基于粗糙集和wnn的建筑室内空气品质评价方法 Active CN110309609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910606867.4A CN110309609B (zh) 2019-07-06 2019-07-06 一种基于粗糙集和wnn的建筑室内空气品质评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910606867.4A CN110309609B (zh) 2019-07-06 2019-07-06 一种基于粗糙集和wnn的建筑室内空气品质评价方法

Publications (2)

Publication Number Publication Date
CN110309609A CN110309609A (zh) 2019-10-08
CN110309609B true CN110309609B (zh) 2022-06-28

Family

ID=68079017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910606867.4A Active CN110309609B (zh) 2019-07-06 2019-07-06 一种基于粗糙集和wnn的建筑室内空气品质评价方法

Country Status (1)

Country Link
CN (1) CN110309609B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111189154A (zh) * 2020-01-13 2020-05-22 上海市疾病预防控制中心 基于灰色系统理论实现针对集中空调通风系统进行卫生评价处理的方法
CN111639462B (zh) * 2020-05-29 2023-04-18 桂林电子科技大学 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法
CN111753470B (zh) * 2020-06-30 2022-09-16 桂林电子科技大学 一种基于粗糙集和深度置信神经网络的建筑能耗预测方法
CN112906960A (zh) * 2021-02-04 2021-06-04 广西智汇佳人力资源有限公司 一种非契约客户流失预测方法及系统
CN115267070B (zh) * 2022-07-25 2024-04-30 济源职业技术学院 基于单片机的室内空气质量在线监测系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430309A (zh) * 2008-11-14 2009-05-13 西安建筑科技大学 基于粗糙集—rbf神经网络的环境质量评价方法
CN102495919A (zh) * 2011-11-18 2012-06-13 华南农业大学 一种生态系统碳交换影响因素提取方法及系统
CN105260784A (zh) * 2015-08-16 2016-01-20 东北石油大学 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images
CN108537383A (zh) * 2018-04-09 2018-09-14 山东建筑大学 一种基于模型融合的室内空气预测方法
CN108827386A (zh) * 2018-07-02 2018-11-16 长沙理工大学 一种建筑模型室内自然通风测试装置及测试方法
CN109960886A (zh) * 2019-03-30 2019-07-02 龙马智芯(珠海横琴)科技有限公司 一种空气舒适度评价方法、装置及空气调节设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7519488B2 (en) * 2004-05-28 2009-04-14 Lawrence Livermore National Security, Llc Signal processing method and system for noise removal and signal extraction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430309A (zh) * 2008-11-14 2009-05-13 西安建筑科技大学 基于粗糙集—rbf神经网络的环境质量评价方法
CN102495919A (zh) * 2011-11-18 2012-06-13 华南农业大学 一种生态系统碳交换影响因素提取方法及系统
CN105260784A (zh) * 2015-08-16 2016-01-20 东北石油大学 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images
CN108537383A (zh) * 2018-04-09 2018-09-14 山东建筑大学 一种基于模型融合的室内空气预测方法
CN108827386A (zh) * 2018-07-02 2018-11-16 长沙理工大学 一种建筑模型室内自然通风测试装置及测试方法
CN109960886A (zh) * 2019-03-30 2019-07-02 龙马智芯(珠海横琴)科技有限公司 一种空气舒适度评价方法、装置及空气调节设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Wavelet Neural Network Prediction Method of Stock Price TrendBased on Rough Set Attribute Reduction;Lei Lei;《Applied Soft Computing》;20181231;923–932 *
测点数量与位置对室内热源逆模型的影响分析;雷蕾;《科学技术与工程》;20181231;第18卷(第34期);111-117 *

Also Published As

Publication number Publication date
CN110309609A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN110309609B (zh) 一种基于粗糙集和wnn的建筑室内空气品质评价方法
CN106920007B (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN108898215B (zh) 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN109087277B (zh) 一种空气细颗粒物pm2.5测量方法
Zhao et al. The application of BP neural networks to analysis the national vulnerability.
CN115860286B (zh) 一种基于时序门机制的空气质量预测方法及系统
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN116088453A (zh) 生产质量预测模型训练方法及装置、生产质量监控方法
CN112149976A (zh) 一种基于人工智能的电网精准投资项目决策方法
CN113257425B (zh) 一种优化LSTM和LightGBM参数的流感预测系统、存储介质和装置
CN115096357A (zh) 一种基于ceemdan-pca-lstm的室内环境质量预测方法
Abd Rahman et al. Artificial neural network forecasting performance with missing value imputations
CN108647817B (zh) 一种能耗负荷的预测方法及预测系统
CN105974058B (zh) 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法
CN114970745B (zh) 物联网智能安防与环境大数据系统
CN115062764B (zh) 光照度智能调节与环境参数物联网大数据系统
CN115510763A (zh) 一种基于数据驱动探索的空气污染物浓度预测方法及系统
CN114386672B (zh) 环境大数据物联网智能检测系统
CN107977727B (zh) 一种基于社会发展和气候因素预测光缆网阻断概率的方法
CN115526410A (zh) 基于多参数空间滤波预测模型预测大气污染物数据的方法
CN115034140A (zh) 一种基于关键控制因子的地表水水质变化趋势预测方法
De Ona et al. Bilevel fuzzy optimization to pre-process traffic data to satisfy the law of flow conservation
CN112733903A (zh) 基于svm-rf-dt组合的空气质量监测与告警方法、系统、装置和介质
CN114841000B (zh) 一种基于模态共有特征分离的软测量建模方法

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
GR01 Patent grant
GR01 Patent grant