kaiyun官方注册
您所在的位置: 首页> 嵌入式技术> 设计应用> 改进PSO-TSFNN智能家居室内空气质量检测与评价
改进PSO-TSFNN智能家居室内空气质量检测与评价
2017年电子技术应用第1期
陈双叶,徐文政,丁双春,咸耀山
北京工业大学 电子信息与控制工程学院,北京100124
摘要:针对室内空气质量评级存在多影响因子及随机变化的特点,在T-S模糊神经网络(TSFNN)基础上提出一种基于改进粒子群(PSO)优化的算法来对室内空气品质状况进行评价。根据GB/T18883-2002,选取室内代表性污染因子构建标准评价表;通过标准评价表对网络进行训练和测试,生成可用评价模型。结果表明,该模型能够对室内空气质量进行客观可靠的评价,为智能家居室内空气质量调控提供可靠保证,具有较高的实用价值。
中图分类号:TN711
文献标识码:A
DOI:10.16157/j.issn.0258-7998.2017.01.022
中文引用格式:陈双叶,徐文政,丁双春,等. 改进PSO-TSFNN智能家居室内空气质量检测与评价[J].电子技术应用,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.
Home-automation indoor air quality testing and evaluating based on improved PSO-TSFNN
Chen Shuangye,Xu Wenzheng,Ding Shuangchun,Xian Yaoshan
College of Electronic Information and Control Engineering,Beijing University of Technology,Beijing 100124,China
Abstract:Evaluation of indoor air quality can be influenced by multi-factors and stochastic fluctuation. An improved T-S fuzzy neural network algorithm based on PSO is proposed to evalute the status of air quality in this paper. According to the GB/T18883-2002, the indoor pollution factor representative will be selected and the standard evaluation form will be built. The network will be trained and tested by standard evaluation form and then available evaluation model is generated. The results show that the model has a great practical value in providing objective and reliable evaluation for indoor air quality, and guaranteeing for the smart home indoor air quality monitoring.
Key words :particle swarm;T-S fuzzy neural network;indoor air quality assessment;smart home

0 引言

近年来,大气环境问题越来越受到人们的关注,大气环境的污染[1]给人们的生活带来了严重危害。与此同时,室内空气品质的好坏[2-4]也备受重视。现代人每天有80%以上的时间在室内停留,例如据长沙市居民室内停留时间调查[5]显示,长沙市居民平均每天约有93%的时间是在不同的室内环境中度过,可以说室内空气质量的好坏直接影响人们的身心健康。目前,室内空气质量评价方法有:空气质量指数法[6]、灰关联评价法[7]、模糊数学评价法[8]等,综合指数法主要利用污染物平均值和最大值决定评价等级,当各污染物波动较大时不能正确评价室内空气质量状况,灰关联评价法和模糊数学评价法计算相对复杂。本文将改进的粒子群算法与模糊T-S神经网络相结合生成评价模型,该评价模型计算简便、分辨率高,为室内空气质量评价提供了一种新思路、新方法,并将该方法应用于智能家居室内空气质量检测与评价系统中,得到了较好的应用。

1 T-S模糊神经网络

T-S模糊神经网络[9]由前件网络和后件网络组成。假设有n个输入、m条规则,其拓扑结构如图1所示。

qrs2-t1.gif

前件网络中第一层为输入层,第二层是隶属函数层,第三层是模糊规则层,第四层是去模糊化层;后件网络中第一层同样为输入层,和前件网络第一层类似,只是多了一个常数项1的第一项输入,第二层为模糊规则层,第三层为输出层。

T-S模糊神经网络每层计算如下:

(1)前件网络。第二层采用高斯隶属度函数计算各输入对模糊子集的隶属度μij;第三层将各隶属度进行模糊计算,采用连乘的代数运算求得模糊规则层各结点的输出wj;第四层代表去模糊化过程,也就是归一化计算,采用权值平均判别法求得去模糊化层各结点的输出qrs2-t1-x1.gif

(2)后件网络。第二层根据模糊规则求得中间层各结点的输出yj;第三层计算整个网络的输出y。

2 PSO算法原理

2.1 基本粒子群算法

粒子群优化[10-13](PSO)算法是一种基于群智能的演化计算技术。设群体由m个粒子构成,粒子根据下式更新速度和位置:

qrs2-gs1-2.gif

其中,i=1,2,…,m;d=1,2,…,D;k是迭代次数; r1和 r2为[0,1]之间的随机数;c1和c2为学习因子;w为惯性权重;Pid和Pgd分别表示粒子群个体及群体搜索到的最优位置。

2.2 改进PSO算法

速度更新公式(1)中 r1和 r2是独立的,如果两者都较大,个体经验和社会经验都会被过大使用,致使粒子远离最优值;如果两者都较小,个体经验和社会经验都不能被有效使用,致使收敛速度下降。针对这个问题,文献[14]对速度更新公式进行了改进,提出了IPSO算法。其算法位置更新公式为:

qrs2-gs3-4.gif

IPSO算法公式(3)中,第一部分先前速度的系数相当于标准粒子群算法的惯性权重,sign( r3)只有+1和-1 2个取值情况,起到调整速度方向的作用,r2的随机性较大,可能致使粒子一直朝着最好位置的相反方向飞去,离最优解越来越远,这时的粒子群算法会需要更多的迭代来达到全局最优,且更有可能找不到全局最优。为了解决IPSO算法存在的收敛速度、收敛精度问题,本文提出新的改进PSO算法,改进的速度更新公式如下:

qrs2-gs5-6.gif

式(5)中增加了自适应调节因子,式(6)为其L计算公式,当个体最优位置优于新更新的位置时,说明粒子正在远离较好解,此时让L取值为-sign(r3),使粒子往回调节,避免粒子离较好解越来越远;相反则让L取值为sign(r3),加快粒子到较好解位置,通过社会经验与个体经验差值为因子对粒子的反向进行调节,这样既能保证粒子群算法全局搜索与局部搜索的平衡,又提高了收敛速度和收敛精度。

3 改进PSO优化TSFNN算法思想

在确定了T-S模糊神经网络后,将前件网络的模糊化层隶属函数的中心、宽度以及后件网络输入层与中间层权值组合成一个粒子。本文通过改进PSO算法对模糊T-S神经网络的各参数进行优化。

具体算法步骤为:

(1)初始化改进PSO优化TSFNN(改进PSO-TSFNN)算法参数,包括个体位置、速度、加速因子、最大迭代次数、学习率等。

(2)通过TSFNN训练误差计算每个粒子的适应度值,适应度函数选取为训练样本所对应的评价输出Yi和实际输出Oi之间的差值的平方的二分之一。因此,第i个粒子的适应度函数Fi为:

qrs2-gs7.gif

式中,s为训练样本数量,TSFNN每产生s组输出进行一次参数调整,参数调整选用梯度下降算法。

(3)根据所得适应度值选择每个粒子所搜索的最优位置Pi和整个种群搜索的最优位置Pg。对于每个粒子,将其适应度值与其经历过的最优位置Pi进行比较,如较好,则将其作为当前的最优位置Pi;对于每个粒子,将其适应度值与全局所经历过的优位置Pg进行比较,如较好,则重新更新设置Pg

(4)根据式(2)、式(5)更新每个粒子的位置和速度;

(5)检验每个粒子的速度和位置是否越界,如果越界,进行相应的阈值处理;

(6)如果未达到预先设定的停止标准(通常设置为最大迭代次数或最小误差),则返回步骤(2),若达到则停止计算,利用最优TSFNN结构参数对测试样本进行最优输出。算法流程图如图2。

qrs2-t2.gif

4 构建标准评价表

4.1 评价指标的选取及分级标准

根据《室内空气质量标准》GB/T18883-2002[15]选取某高校实际环境具有代表性的甲醛(HCHO)、二氧化碳(CO2)、可吸入颗粒(PM10)3个指标作为评价因子,充分考虑室内评价因子的浓度波动范围,根据GB/T18883-2002中的标准值将室内空气质量分为3个等级,其中的S2为标准浓度限值,单位均为毫克每立方米(mg/m3)。综上,室内空气质量分级如表1。

qrs2-b1.gif

4.2 建立标准相对隶属度矩阵

对表1建立标准相对隶属度矩阵,计算式如下:

qrs2-gs8.gif

式中,Sij为第i项评价指标第j级的评价标准值,Rij为第i项评价指标第j级的评价标准值的相对隶属度(i=1,2,3;j=1,2,3)。

最后得出标准相对隶属度矩阵为Rij为:

qrs2-gs9.gif

标准相对隶属度矩阵中3个评价因子(甲醛、二氧化碳、可吸入颗粒)为全0时定义其标准目标输出为1,为0.38、0.44、0.50时定义其标准目标输出为2,为全1时定义其标准目标输出为3。

4.3 标准评价表的生成与分级

为使训练后的网络模型具有良好的适应能力,且能充分反映空气质量标准各级指标标准值的意义,在标准相对隶属度矩阵中采用内插法生成更多的样本,构造出标准评价表。这里共生成包括各项指标标准值在内的201个样本,其中151个样本作为学习样本,余下50个作为检验样本。

同时,为了能够为智能家居室内空气质量调控系统提供可靠的输出评价,进而准确地实现调节室内空气质量到较好的状态下,将室内空气质量标准值进行客观分段,表示为特级、一级和二级。特级,适合人类生活;一级,污染因子不超标,不影响人类生活;二级,至少有一个污染物超标,开始影响人的正常生活。按照标准目标输出大小分级如表2。

qrs2-b2.gif

4.4 模型训练和检测

将评价指标HCHO、CO2、PM10的浓度值作为输入向量,将标准目标输出值作为目标向量,用学习样本对模型进行训练。同时,为了证明改进PSO-TSFNN模型的优越性,用TSFNN模型进行同样条件下的训练,两者的模型结构都是3-7-1,并且都采用梯度下降算法训练1 000次,学习率都是0.005,这两种网络模型在训练过程中训练误差平方和(SSE)的变化情况如图3所示。

qrs2-t3.gif

由图3可知,改进PSO-TSFNN模型的SSE下降更迅速、终值更小、训练效果更好。训练结束后,其模型的SSE为0.000 7,而TSFNN模型的SSE为0.015 9,说明了改进PSO-TSFNN模型的学习能力更强。训练结束后,用表3中的检验样本对生成的模型进行检验,检测评价输出与实际输出如图4所示。从图4可以看出,改进PSO-TSFNN网络输出与真实的测试输出更逼近,TSFNN的测试结果误差较大。

qrs2-t4.gif

5 实际环境评价

本文以某实验室为研究对象,于2016年6月12日中午12点开始对其进行评价指标检测,采集频率为每秒采集1次,最后检测到当日凌晨,对数据取小时平均后如表3。

qrs2-b3.gif

对表3实际检测数据用改进PSO-TSFNN模型、TSFNN模型、综合指数法、模糊数学法分别进行评价,评价结果如表4。

qrs2-b4.gif

从表4可以看出,综合指数和模糊数学评价输出均都是一级,而从表3可知,在13:00-15:00时间段内,CO2浓度值超出标准浓度限值,因此评价输出存在偏差;TSFNN将13:00-14:00时间段评价为一级,而从表3可知,在13:00-14:00时间段内,CO2浓度值超出标准值浓度限值,也存在评价输出偏差;而改进PSO-TSFNN的评价输出均符合客观实际,能为智能家居室内空气质量监控调节提供可靠调节依据。

6 结语

本文在IPSO算法的研究基础上提出了改进PSO-TSFNN模型,该模型结合了粒子群算法、模糊数学和神经网络,具有很强的模糊推理能力和并行处理能力,对粒子群算法的改进,既保证了粒子群算法全局搜索与局部搜索的平衡,又提高了收敛速度和收敛精度。通过实际环境检测数据检验了改进PSO-TSFNN模型,实验结果表明,该模型能够更客观准确的对室内环境进行评价,并且较好地应用到了智能家居室内空气质量检测与评价系统中,具有良好的应用前景。

参考文献

[1] 周桔.大气环境污染的健康效应研究回顾[J].中国科学院院刊,2013,28(3):371-377.

[2] 张晓辉,李双石,曹奇光,等.室内空气污染的危害及其防治措施研究[J].环境科学与管理,2009,34(7):22-25.

[3] 沈晋明.室内空气品质与健康[J].空调暖通技术,2007(2):9-13.

[4] 兰信颖,王岳人,张浩.民用建筑室内空气品质与人体健康[J].环境保护科学,2003,29(6):7-10.

[5] 刘建龙,谭超毅,张国强.长沙市居民在不同室内环境中停留时间的调查研究[J].制冷空调与电力机械,2008,124(29):32-35.

[6] 邢核,李国刚.综合评价室内质量初探[J].环境监测管理与技术,2006,18(2):35-37.

[7] 李念平,朱赤晖,文伟.室内空气品质的灰色评价[J].湖南大学学报:自然科学版,2002,29(4):85-91.

[8] 张淑琴,白艳丽,张洪林.模糊数学在室内空气质量评价中的应用[J].环境科学与管理,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.室内空气质量标准[S].



作者信息:

陈双叶,徐文政,丁双春,咸耀山

(北京工业大学 电子信息与控制工程学院,北京100124)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map