基于FMLP热舒适仿真模型.docVIP

基于FMLP热舒适仿真模型 　　摘要 本文在动态热环境中对热舒适的响应过程（重点针对皮肤温度）进行研究，建立了基于FMLP的热舒适仿真模型，通过实验样本进行检测，该模型满足室内空调环境下舒适评估的精度要求，为人体的生理、心理、和行为热调节仿真，以及热环境的评价及控制提供了参考。这个仿真模型还可以针对不同的空调对象，自适应学习，做到因人而异，提高舒适的满意度。 关键词：动态热环境，热舒适，皮肤温度，FMLP，热舒适仿真模型 中图分类号：O571.21+1文献标识码： A 文章编号： 1背景 随着人们对热舒适性的要求越来越高，如何在节能的前提下达到尽可能高的舒适度是目前研究领域的一个热门话题[1]。根据“热舒适其实是相对于热不舒适而言”[2-6]的理论，对动态热舒适的研究逐渐增多，然而人体对环境的反应相当复杂，动态热环境尤其如此。大量的研究表明，人体的热舒适性与环境、气候、个体的生理、心理等因素均有关，这些因素具有多变模糊性，常规的建模难以实现。本文希望建立动态热环境下，生理指标和热舒适之间的关系，为动态热环境的营造提供依据。 2建模 2.1模型介绍 FMLP（Fuzzy Multilayer Perceptrons）是一种在结构上类似多层前馈神经网络，在功能上实现模糊推理的模糊神经网络系统。多层前馈神经网络是利用误差的反向传播训练算法的神经网络，至少含有一个隐含层，可以逼近任意的非线性映射。FMLP具有大规模并行处理能力，容错性好，每个神经元均是完全独立的信息处理单元，局部的出错不会严重影响整个网络的学习和运算结果。目标函数存在局部极小值，收敛速度较慢是神经网络学习中需要克服的难点。神经网络广泛的应用前景，促使大量的优化学习研究不断开展，现在已经提出多种优化方法，例如：引入“动力项”、增添惯性项、改一阶学习算法为二阶梯度法、变步长法等，大大提高了网络的收敛速度和稳定性。本论文的仿真网络中，使用了变学习率、增添惯性项和变步长法，提高了收敛速率，网络也相对稳定。 2.1.1参数的选取 仿真模型共选用三个输入变量：环境温度、皮肤温度和皮肤温度变化率。调节热环境的最终目的是为了营造一个舒适的环境，因此我们直接以舒适值为目标，将热舒适值定为输出参数。 2.1.2确定隶属函数 建立模型的第二步，就是确定隶属函数，让输入函数可以在一定程度上隶属于某个集合。本仿真模型选用的是高斯函数，用以把输入变量映射到一个合适的隶属度。根据经验以及日常分类的习惯，将输入的三个变量均分为五类：低、有一点低、适中、有一点高和高。 2.1.3 FMLP网络结构 第一层是网络输入层。输入层各个节点直接与输入向量的各个分量xi相连接，它起着将输入值X=[T Ts dTs/dt]T传送到下一层的作用。 第二层是前件隶属函数层。此层每个节点代表一个语言变量值，本文将输入量均划分为五个等级：L(低)、SL(有一点低)、N（适中）、SH（有一点高）、H（高）。本层的作用是，计算各个输入分量隶属于各语言变量模糊集合的隶属度函数。fiq表示第i个输入变量xi的第q个语言变量的隶属函数。设 激励函数为高斯函数，ciq，biq是第i个输入变量xi的第q个隶属度函数的中心和宽度，则 其中ciq,biq称为前件参数。 第三层是规则层。本仿真采用平均模糊算子来计算模型的规则适用度。此层的每一个节点代表一条模糊规则，它的作用是根据模糊规则前件，计算出每条规则的适用度，然后求平均，可以得到规则前件部分被满足的匹配度，即。本仿真的规则可以描述为：IF T is ， Ts is ， dTs/dt is ， THEN C is Ck。 第四层是后件隶属函数层。此层的功能是，求取规则的有效后件隶属度函数 o为第p条规则时的输出变量。 第五层是解模糊输出层，采用加权平均算法 第六层为输出层，由于直接输出的变量范围在0-1之间，需要此层实现将输出换算到实际的范围0-3，采用 ，本仿真中的输出均采用精确量，输出热舒适度的精确值。 （1） （2） （3） 2.4FMLP算法流程 根据上面对FMLP学习规则的推导，可以得出学习算法流程图，如图1所示： 由图2可知，算法结束的条件是目标函数取得最小，也就是对于当前的输入输出训练对，网络通过学习训练后达到最优，这时便可以从网络中抽取模糊规则集，这个规则集就是当前输入输出的最优规则集。根据图2所示的流程图，可以总结FMLP的算法如下：1．系统初始化：我们根据训练数据的取值范围均匀取初始化参数，根据先验知识给出规则数，其中规则前件的隶属度函数使用高斯函数，各隶属度函数的中心和宽度均匀选取，根据规则数，确定各层神经元的