基于遺傳算法改進BP神經網絡的IAQ評價

馮浩棟，韓 旭，羅華山

(解放軍理工大學，江蘇 南京 210007)

基于遺傳算法改進BP神經網絡的IAQ評價

馮浩棟，韓 旭，羅華山

(解放軍理工大學，江蘇 南京 210007)

室內空氣品質(IAQ)的評價一直是困擾人們的一大問題，目前還沒有一個完善的評價體系。將遺傳算法和神經網絡結合建立起一個基于遺傳算法改進BP神經網絡的IAQ評價模型，該模型預測精度更高且收斂速度更快，能較好地反映IAQ的好壞，得到一個評價等級。通過實際房間測量數據對模型進行檢驗，結果表明該模型能夠客觀準確地對IAQ進行評價。

室內空氣品質；神經網絡；遺傳算法

0 引言

據研究人們大約有80%的時間在室內度過，室內空氣品質(IAQ)對人們的身心健康起著至關重要的影響，且越來越受到人們的重視。近年來，大氣環境的污染問題為人們的生活帶來了嚴重的傷害，越來越受到人們的關注，IAQ的好壞也備受人們重視。目前國內外較為成熟的IAQ評價方法[1]主要有客觀評價方法、主觀評價方法和綜合評價方法。客觀評價方法包括達標評價方法、模糊評價方法[2]、灰色理論評價方法[3]、計算機模型模擬方法[4]、暖體假人評價方法[5]、綜合指數法[6]等。主觀評價方法主要是基于嗅覺和分貝等利用人體感官來衡量空氣污染物的評價方法[7]。客觀評價法將對人體健康影響較大的污染物挑選為評價指標，使得模糊的IAQ概念可以量化。客觀評價得到的結果有助于更加公正地反映IAQ的優劣，有助于人們對改善IAQ制定更合理的控制措施。但是客觀評價方法缺少對人體主觀感受的考慮，也難以考慮到個體間的差異。且模糊、灰色理論等評價方法的計算較為復雜，不利于實時監測IAQ。主觀評價法利用人體器官反映了人對環境的主觀感受，但是人體由于不同的精神狀態、身體狀況、性別等，每個人對空氣品質的感受程度也不一樣，難以避免會有誤差。還有一些無色無味的有害污染物人們短期內無法察覺，也很難意識到其不利影響。因此僅靠主觀評價方法來評價IAQ是不夠的，必須采用綜合評價方法。近年來，有學者開始將神經網絡應用在IAQ評價中[8]。本研究將遺傳算法與BP神經網絡聯合建立起一個基于遺傳算法改進BP神經網絡的IAQ評價模型，該模型計算快捷，準確度高，為IAQ評價提出另一種新方法。

1 算法描述

1.1 BP神經網絡

圖1為最基本的神經網絡結構，包含輸入層、1個隱含層和輸出層。BP 神經網絡算法也被叫做誤差反向后傳算法，主要包含兩部分[9]:信息向前饋入與誤差向后推導。

信息向前饋入:樣本信息通過輸入層、隱含層和輸出層被處理的過程，即輸入信息(I1，…，Ii，…，II)經隱含層處理后轉換成(H1，…，Hj，…，HJ) ，再經輸出層處理后輸出(O1，…，Ok，…，OK) 的過程。其中，隱含層輸出Hj和輸出層輸出Ok表示為式(1)、式(2)：

Hj=f(∑Wij×Ii-qj)

(1)

Ok=f(∑Tjk×Hj-qk)

(2)

其中:Wij為輸入層節點i與隱含層節點j的連接權值，Tjk為隱含層節點j與輸出層節點k的連接權值，qk為輸出層節點k的閾值，qj為隱含層節點j的閾值，f為非線性作用函數。

圖1 三層前饋神經網絡

誤差向后推導：當輸出層的輸出值與期望值不一致時，誤差由輸出層向隱含層、輸入層逐層反傳，同時把樣本均方誤差降至最低為目的，逐層修改網絡各權值和閾值，最終將樣本均方誤差降至最小。誤差函數表示如式(3)[10]:

(3)

(4)

(5)

其中λ為學習效率。

樣本均方誤差公式為:

(6)

1.2 GA-BP算法

BP神經網絡的學習算法是基于梯度降低的，這種方法存在局部最優問題，容易使問題的解陷入局部極值點。遺傳算法(GA)可以有效地提高神經網絡的訓練效果，它不需要目標函數是連續的或者是可微的，只要問題可以計算。遺傳算法的搜索可以始終遍及在整個解空間，所以容易得到全局最優解[11-13]。

遺傳算法可以對全局進行搜索，效率高魯棒性強，但其缺點也很明顯：難以對候選解進行精調，所以往往難以確定最優解。將遺傳算法和神經網絡相結合有利于最大程度地施展各自的優點。本文通過以下方式將遺傳算法與神經網絡相結合建立IAQ評價模型[14-15]：

(1)確定網絡結構參數；

(2)按照一定的順序級將網絡的權值和閾值連起來形成1個長串；

(3)組成初始種群，染色體從交配池中形成；

(4)網絡性能評價(評價函數f)；

(5)若網絡性能不滿足評價函數，對染色體執行選擇、變異和交叉操作，得到新的染色體，直至滿足評價函數；

(6)選擇最優染色體作為網絡權值和閾值，并對網絡實行訓練和評價。

其工作流程如圖2所示。

圖2 GA-BP神經網絡算法流程圖

2 構建評價標準

室內污染物種類繁多，來源復雜，主要分為顆粒、氣體和蒸氣三類。目前在國內外的各項規范標準中一般選用CO2、CO、甲醛、氨、TVOC、苯、可吸入顆粒物(PM10)、NOx、二氧化硫等代表性污染物作為評價因子來制定空氣品質標準。本文根據《室內空氣質量標準》(GB/T 18883-2002)[16]，充分考慮IAQ影響因素的特點，選擇甲醛、TVOC、氮氧化物(NOx)、二氧化碳(CO2)4種污染物濃度作為評價因子。此外，室內空氣品質的好壞與環境對人體健康的影響有很大的關系，也需要考慮到人體對環境的主觀感覺。因此筆者將IAQ分為清潔、未污染、輕污染、中污染、重污染5個等級，如表1所示。并按照《室內空氣質量標準》(GB/T 18883-2002)及表1所示評價等級劃分將IAQ劃分為4級，如表2所示。

表1 評價等級劃分

表2 IAQ標準

3 空氣品質評價模型仿真實現

3.1 訓練樣本和模型的建立

為了使網絡得到充分的訓練以及訓練后的模型具有較好的適應性，在訓練中將4級標準進行擴展，將表2評價標準應用內插法在每兩級之間均勻插入，生成訓練樣本，共得到樣本數據501組。將4個評價因子的濃度值作為模型的輸入，1、2、3、4作為模型的輸出，建立了4-8-1型的模型結構，取最大步數1 000，學習率0.01，訓練精度0.001。

本文以南京某高校教學樓為研究對象，于2017年4月10日對10個房間的污染物濃度進行了測量，測量結果如表3所示。訓練結束后，用表3的測量樣本對建立的模型進行檢驗。

表3 污染物濃度實測數據

3.2 仿真結果及討論

本文應用MATLAB語言編寫算法程序，結合MATLAB神經網絡工具箱，構建了基于遺傳算法改進BP神經網絡的室內空氣品質(IAQ)評價模型。為了證明GA-BP算法評價模型性能的優越性，本文采用相同的樣本數據和參數設置，對GA-BP模型和BP模型進行仿真對比。運算過程中，兩種模型的訓練誤差隨迭代次數的變化曲線如圖3所示。模型訓練結束后，將表3中的實測數據分別代入GA-BP模型和BP模型中，得到了兩種模型對10個房間空氣品質的預測評價結果，將預測結果與期望值進行對比，如圖4所示。圖5為兩種模型的預測誤差。

圖3 模型收斂結果

圖4 模型預測結果

圖5 模型預測誤差

由圖3可以看出，兩種模型經過有限次迭代都可以收斂，但GA-BP模型收斂速度明顯快于BP模型。由圖4、圖5可以看出GA-BP模型的預測精度更高，誤差更小。

4 結論

本文聯合神經網絡與遺傳算法的優點建立了基于遺傳算法改進BP神經網絡的IAQ評價模型，該模型預測精度更高且收斂速度更快，能較好地反映IAQ的好壞，獲得一個評價等級，評價結果準確、直觀。通過實際房間測量數據對模型進行檢驗，結果表明該模型能夠客觀準確地對IAQ進行評價，且評價計算簡單，便于實時監測，具有較好的應用前景。

[1] 劉艷華, 王新軻, 孔瓊香. 室內空氣質量檢測與控制[M]. 北京：化學工業出版社, 2013.

[2] 初春玲, 曹叔維, 周俊彥. IAQ的模糊性綜合評判[J]. 建筑熱能通風空調, 1999(3):9-11.

[3] 李念平, 朱赤暉, 文偉. IAQ的灰色評價[J]. 湖南大學學報(自然科學版), 2002, 29(4):85-91.

[4] 馬哲樹, 姚壽廣. IAQ的CFD評價方法[J]. 江蘇科技大學學報(自然科學版), 2003, 17(2):84-87.

[5] MELIKOV A, KACZMARCZYK J,CYGAN L.Indoor air quality assessment by a breathing thermal manikin air distribution in rooms[J]. Proceedings of the 7th International Conference, 2002,1:101-106.

[6] 王昭俊, 趙加寧, 劉京. 室內空氣環境[M]. 北京：化學工業出版社, 2006.

[7] JOKL M V. Evaluation of indoor air quality using the decibel concept based on carbon dioxide and TVOC[J]. Building & Environment, 2000, 35(8):677-697.

[8] 陳雙葉, 徐文政, 丁雙春,等. 改進PSO—TSFNN智能家居室內空氣質量檢測與評價[J]. 電子技術應用, 2017,43(1):84-87.

[9] 何正風. MATLAB R2015b神經網絡技術[M]. 北京：清華大學出版社, 2016.

[10] ATTHAJARIYAKUL S, LEEPHAKPREEDA T. Neural computing thermal comfort index for HVAC systems[J]. Energy Conversion & Management, 2005, 46(15-16):2553-2565.

[11] CANNON A J. Nonlinear principal predictor analysis: application to the lorenz system[J]. Journal of Climate, 2010, 19(4):579-589.

[12] WANG W, XU Z, LU J W. Three improved neural network models for air quality forecasting[J]. Engineering Computations, 2003, 20(2):192-210.

[15] JENG C J, KINDZIERSKI W B, SMITH D W. Particle penetration through rectangular-shaped cracks[J]. Journal of Environmental Engineering & Science, 2006, 5(5):S111-S119.

[16] GB/T18883-2002. 室內空氣質量標準[S].2002.

Indoor air quality evaluation model based on GA-BP neural network

Feng Haodong, Han Xu, Luo Huashan

(PLA University of Science and Technology, Nanjing 210007, China)

Indoor air quality evaluation has been a major problem plagued people, there is no perfect evaluation system. In this paper, the genetic model and neural network are combined to establish an air quality evaluation model based on genetic algorithm to improve BP neural network. The model is more accurate and has faster convergence speed, which can better reflect the quality of indoor air quality. The model is tested by the actual room measurement data. The results show that the model can evaluate the indoor air quality objectively and accurately.

indoor air quality; neural network; genetic algorithm

TN711

A

10.19358/j.issn.1674- 7720.2017.23.016

馮浩棟，韓旭，羅華山.基于遺傳算法改進BP神經網絡的IAQ評價[J].微型機與應用，2017,36(23)：54-57.

2017-04-28)

馮浩棟(1994-)，通信作者，男，碩士研究生，主要研究方向：室內空氣環境保障技術與設備。E-mail:fhd921223@163.com。

韓旭(1969-)，男，教授，主要研究方向：生命支持技術與系統研究。

羅華山(1994-)，男，碩士研究生，主要研究方向：室內空氣環境安全保障技術和設備。