《电子技术应用》

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。

Abstract:

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。

    关键词: 粒子群;T-S模糊神经网络;室内空气质量评价;智能家居

    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.

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].

继续阅读>>