基于神經網絡的學習空間熱-光交互作用模型

韓 臻，張九紅，王藝瑾，孫金玲，初金璐，景中奕

(1.沈陽建筑大學 建筑與規劃學院，遼寧 沈陽 110168; 2.東北大學 江河建筑學院，遼寧 沈陽 110169)

引言

室內環境的優劣決定著使用者在空間中的工作效率的高低。在學習空間中，使用者需要通過閱讀文字、觀看PPT等視覺作業來進行信息的輸入。因此，人們的視覺效率在學習空間中意義重大。在圖書館、自習室等人工照明占主導的學習空間，人們的視覺效率與室內照明環境，如光源的色溫、亮度；工作面的照度等因素有很大的關系[1-4]。

在已往的研究中，研究者往往采用控制變量的方法，研究單一變量對人視覺效率的影響，即僅有單一變量輸入，未考慮各個變量之間的交互耦合作用。本文運用人工神經算法強大的擬合能力，多變量輸入，研究室內溫度、相對濕度、光源的色溫、工作面的照度以及視標(郎道爾環)與背景的亮度對比度這五個環境物理量共同作用時與使用者的視覺效率之間的函數關系。

1 實驗概況及數據

本實驗設計了一套精確到毫秒級的“新型視覺效率測量裝置”(如圖1所示)用以模擬教室電光源并測量使用者視覺效率，可對不同的工作面照度、光源色溫等因素進行定量研究。該裝置主要分為測試儀器部分和電控儀器部分兩大部分組成。儀器組裝完畢后受試者坐在木箱前，實驗人員調整好木箱內光環境，即可開始實驗。實驗人員按下主控鍵，通過單片機驅動步進電機，進而帶動金屬軸及軸上木框架旋轉固定角度，切換測試板(測試板為灰底或白底黑字的KT板)，同時單片機開始計時。當受試者看清楚測試板測試內容后，按下手中測試鍵，單片機停止計時，并將所用時間顯示到單片機液晶屏上，得到受試者的反應時間。

圖1 測量裝置示意圖Fig.1 Schematic diagram of the measurement equipment

本研究選取50名無眼部和心理疾病，且裸眼視力或矯正視力達到5.0的大學本科生進行實驗，并保證受試者在正式實驗之前已經能夠正確、熟練的使用測量儀器。并且所有受試者在實驗開始前需靜坐30 min以適應實驗環境，所有受試者和實驗人員身著黑色或深色衣服，以避免對實驗產生影響。實驗時利用視覺效率測量裝置，測量受試者在不同的學習空間光環境下的反應時間(如圖2所示)。實驗后受試者到傍邊房間進行休息，確保其下次實驗時具有良好的狀態，每個受試者每日最多進行2次實驗。

圖2 實驗過程照片Fig.2 Experimental procedure

現將部分實驗數據整理如表1所示。

表1 部分實驗數據整理表

表1中t代表學習空間的溫度；φ代表學習空間空氣的相對濕度；E代表工作面照度；T代表光源色溫；α代表亮度比(視標亮度與背景亮度之比，其值為0～1之間的常數)；η代表反應時間。視覺效率可用反應時間或人眼瞳孔變化來衡量，本文以反應時間的快慢來代表視覺效率的高低，受試者識別視標的時間越短，則表明其視覺效率越高。

2 模型的建立

2.1 神經網絡的方法原理

本文采用BP神經網絡進行數據的處理與模型的建立。BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號向前傳遞，誤差反向傳播。在向前傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態只影響下一層神經元狀態。如果輸出層得不到期望輸出，則反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出[5]。BP神經網絡的拓撲結構如圖3所示。

圖3 神經網絡拓撲結構圖Fig.3 Topography structure of the neural network

為了使建立的模型更加精確，筆者使用遺傳算法對神經網絡的權值及閾值進行修正，使網絡在數據處理時能取得更好的逼近。結合遺傳算法后具體的算法流程圖如圖4所示。

2.2 數據的處理及權值、閾值計算

實驗共產生有效數據2360組有效數據，在網絡的訓練過程中隨機選取2300組數據作為訓練集，其余60組數據作為驗證集，以檢驗模型的準確度。為了避免數據數量級的差別對網絡預測誤差的影響，本文首先運用最大最小法對數據進行歸一化處理，即：

圖4 算法流程圖Fig.4 Algorithm flowchart

(1)

式中xmin為數據序列中的最小值，xmax為數據序列中的最大值。

需要處理的實驗數據中，擬合的非線性函數有5個輸入參數、1個輸出參數。經分析，當取節點數為10個時,網絡可獲得對于數據良好的逼近[6]。即輸入層有5個節點，隱含層有10個節點，輸出層有1個節點，共有60個權值和11個閾值。因此遺傳算法個體的編碼長度為71。

使用MATLAB編寫程序進行運算，得到各層權值及閾值如表2、表3所示。

表2 輸入層到隱層權值、閾值表

表3 隱層到輸出層權值、閾值表

2.3 反應時間模型

根據所得到的權值與閾值，可得到反應時間與室內溫度、相對濕度、光源色溫、工作面的照度以及亮度對比度之間函數關系的參數模型：

(2)

(3)

ηi=-0.1527η1+0.1964η2+0.0807η3-0.1227η4

+0.3252η5-0.0865η6+0.5279η7+0.0955η8

+0.1673η9-0.0640η10-0.6468

(4)

實驗數據中反應時間的最大值ηmax=1451.8 ms，最小值ηmin=462.0 ms，將ηi進行反歸一化處理即可得到最終的神經網絡模型。

3 模型對比分析

在同一坐標軸下分別繪制出驗證集中60組數據的實際值與神經網絡的預測值如圖5所示。

圖5 實際值與預測值變化曲線Fig.5 Actual value and predicted value curve

由圖5可知：建立的神經網絡模型取得了較好的擬合效果，除個別值，如35號數據，絕大部分數據的實際值與預測值之間誤差很小。說明模型具有較高的準確性，可以預測不同室內物理環境下反應時間的大小。

運用建立的模型簡單探討室內溫度與光源色溫對反應時間的影響情況，假定相對濕度φ=35%，工作面照度E=300 lx，亮度對比度α=0.6分別繪制在光源色溫為3 000 K、5 000 K以及7 000 K時，反應時間隨時間的變化曲線如圖6所示。由圖6可以直觀看出: 光源色溫越高，反應時間越快，即視覺效率越高。這與人眼神經節細胞對短波長光最敏感的光生物效應吻合[7]，因此，從側面印證了實驗結論，證明模型具有一定的可靠性。

圖6 不同色溫下反應時間隨溫度變化曲線Fig.6 The reaction time curve changes with temperature in different color temperature

同時可知：人們在冷色溫的燈光下工作，常溫下的反應時間最低，視覺效率高。但是當溫度較低時(20 ℃以下)，反應時間會大幅度增加，視覺效率降低。因此，在冬天時，應考慮將光源替換為暖色光光源。

4 結論

提高學習空間使用者的視覺效率是建筑師進行室內物理環境設計的重要環節，如何進行合理設計得到最佳的視覺效率是每個建筑師必須深刻思考的問題。

本文通過大量的實驗數據，運用神經網絡算法建立了室內溫度、相對濕度、光源的色溫、工作面的照度以及亮度對比度與使用者的反應時間之間的數量關系。模型的誤差較低，能夠很好地預測使用者的視覺效率，能夠作為設計師進行建筑設計時的參考。簡單探討了溫度與色溫對視覺效率的影響，為不同季節室內照明光源的布置、使用提出了建議。模型中其他物理量之間的相對關系及其耦合關系、學習空間較高視覺效率的物理環境設計等問題還需進一步的研究，以得到最優的學習空間室內物理環境，使視覺效率達到最大。