日光光谱及大气衰减对建筑色彩设计的影响——引入人工神经网络算法研究

杨春宇，梁树英，冯 凯

(重庆大学建筑城规学院，重庆大学山地城镇建设与新技术教育部重点实验室，重庆 400045）

0 引言

建筑师们在进行色彩设计时大多有过这样的经验，即在建筑色彩设计中往往出现设计色彩与实际建成色彩偏差较大的现象。从颜色技术角度看，多数情况下不是建筑师色彩方案不好，而是建筑师将建筑色卡色彩和实际建成后的空间色彩等同看待，确定建筑色彩时又多靠建筑师的主观审美经验，从定性方面来决定建筑色彩，缺乏科学定量所致。人工神经网络是近年来再度兴起的一个高科技研究领域，也是信息科学、脑科学、神经心理学等多种学科近几年研究的热点。人工神经网络是模拟人脑神经系统的结构和功能，运用大量的处理部件，在生物神经网络研究的基础上建立起来的，是目前世界上先进的智能信息处理方法之一。人工神经网络具备良好的自学习功能、自适应容错能力和联想功能，是与传统的数字计算机完全不同的网络系统。目前将人工神经网络应用于建筑技术领域已有不少成功的范例，同济大学、天津大学、重庆大学的学者们都进行过相关的研究和尝试，取得了较好的效果。重庆大学的学者将人工神经网络应用于泛光照明亮度设计中，将泛光照明的科学技术性与艺术性更好地统一起来，使泛光照明亮度设计更具合理性。

本文将人工神经网络引入到建筑色彩设计中，运用人工神经网络的特殊模糊运算方式，解决一些难以处理的定性和定量问题，并将人文审美等定性意向、日光光谱影响、大气衰减和材料光反射特性等转换为定量的数据分析，为建筑色彩设计提供科学技术基础支撑。

1 人工神经网络概述

1.1 人工神经网络的特点

人工神经网络是一个由简单处理元构成的规模宏大的并行分布式处理器，它在两个方面与人脑相似:神经网络获取的知识是从外界环境中学习获得的，互连神经元的连接强度即突触权值，用于储存获取的知识;用于完成学习过程的程序称为学习算法，功能是以有序的方式改变网络的突触权值以获得想要的设计目标。人工神经网络重点不是去复制生物的神经细胞网络，而是利用其自身的优势克服传统计算机和其他系统不能解决的问题，如学习、识别、控制、专家系统等。随着生物和认知科学的发展，人们对人脑的了解越来越深入，促进了人工神经网络的进一步发展，反过来又将其更好地应用到工程和科学领域。人工神经网络有如下特点。

(1）处理单元:单元是网络的结点，是具有计算能力的处理部件，可以任意排列。单元分为输入单元、输出单元、隐含单元。输入单元接受网络外部的输入，输出单元向网络外部发运输出。隐含单元与网络外部不发生直接联系。单个单元功能简单，但大量简单的处理单元共同地、并行地运行，可以得到惊人的预期识别和计算。人工神经网络与现代计算机的系统不同，它没有运算器、存储器、控制器，而是相同的众多简单处理器的组合，其信息存储在处理单元之间的联系上。

(2）学习功能与自适应能力:人工神经网络有强大的学习功能和自适应能力。每个样本由一个唯一的输入信号和相应期望响应组成。从一个训练集中随机选取一个样本给网络，网络就会调整它的自由参数，以最小化期望响应和由输入信号以适当的统计准则产生的实际响应之间的差别。使用训练集中的很多例子重复神经网络的训练，直到网络达到没有显著的突触权值修正的稳定状态为止。另外，人工神经网络嵌入了一个调整自身突触权值以适应外界变化的能力。一个在特定运行环境不接受训练的神经网络，对环境条件不大的变化可以容易进行重新训练，当它在一个变化环境中运行时，网络突触权值就可以设计成随时间变化。同时，人工神经网络还具有自适应模式识别、自适应信号处理和自适应控制。

(3）存储方式:人工神经网络是一种布散式的存储方式，其所记忆的信息是存储在神经元之间的触权中，从单个触权中看不出其贮存的信息内容。这也是其具有容错性的基础之一。

(4）容错性:人工神经网络有极强的容错性，当局部或部分神经元损坏后，它的性能会逐渐下降，但不会影响到全局的活动。比如一个神经元或它的连接被损坏了，存储模式的回忆在质量上被削弱，但是，由于网络信息存储的分布特性，或者说由于它具有并行运算的特征，在网络总体响应严重恶化之前这种损坏是分散的，只能使其性能缓慢减弱而不是灾难性的全局瘫痪。

1.2 BP网络的神经元模型结构

目前，在应用和研究中所采用的人工神经网络模型不下30种，学习算法是多种多样的，其中较有代表性的有十几种。反向传播(Back Propagatio）算法简称BP网，是一种反向传播并修正误差的多层映射网，在参数适当时，能收敛到较小的均方误差，是目前应用最广的一种神经网络学习算法，其最典型的是三层BP网络结构(图1）。它由输入层、隐层(中间层）、输出层三层神经元组成。虽然隐层与外层没有直接联系，但如果隐层神经元状态发生改变，输入与输出之间的关系就会受到影响，图中i、j、k分别表示输入层、隐层、输出层上的神经元，输入层第i个神经元与隐层第j个神经元的结合权值为Wji，阈值为Qj，隐层第j个神经元与输出层第k个神经元的结合权值为Vkj，阈值为Yk，每个神经元的输入、输出关系应满足:

算式(1）表示神经元i输入信息的累加值，Qi为阈值。式(3）中，ui为细胞 i的状态，Yi为神经元 i输出。f(ui）是激活函数，它是一个单调上升的函数，当Ui大时，yi也大，但f(ui）是一个有限制函数，在BP网络中f(ui）表示为下列非线性函数:

图1 三层BP网络结构

BP神经网络的学习过程由正向传递和反向传递组成。正向传递过程中学习样本从输入层经过隐层逐层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态，如在输出层不能得到预期的输出，就转入反向传递，并将产生的误差信号沿原来的连接线路返回，经过修正各神经元的权值和阈值，使误差信号最小。BP神经网络的学习过程是一个求解权值和阈值的过程。对学习则并不要求绝对精确，学习过程所得到的只是一种近似解。因此，学习过程的容错性就很重要。这正是BP神经网络具有更大的灵活性之所在。

2 人工神经网络在建筑色彩设计中的模型及算法

2.1 BP算法的输入及输出层的设计

为准确反映建筑色彩设计中各参数之间的关系，包括日光光谱影响、大气衰减和材料光反射特性等，应充分考虑建筑色彩对人生理心理的种种影响因素。我们已知道BP神经网络是由多个神经元构成，神经元设置太少不能获得学习经验及完成必要的运算;神经元太多会增加系统的规模，使学习时间和系统复杂性增加。鉴于人视觉对色彩的复杂性，笔者归纳了一些影响因素，在BP算法中作为输入元素加以应用。

(1）客观量元素:天气情况修正系数K1、光源种类修正系数K2、受光条件修正系数K3、测试距离修正系数K4、近地大气对光的衰减影响修正系数K5、建筑物饰面材料光泽度值Gz、建筑物立面面积M(m2）、被测物表面污染程度修正系数W、天空背景亮度LH、近距离观测时建筑物的亮度Lo、天空背景饱和度CH、近距离观测时建筑物的饱和度Co、天空背景色相HH、近距离观测时建筑物的色相Ho。

(2）主观量元素:知觉定向性d、对象识别s、格式塔组织完形法则(相似性、连续性、图底关系确定性）Z、心理定势D、视错觉C、知觉恒常性h、立体感指数x、眩光评价指数IT。为了减少神经网络的规模，缩短计算机进行学习时间，这里忽略了主观量元素中人的个体差异。对于输出层，确定出建筑物的亮度L、饱和度C、色相H。

2.2 BP算法的隐层设计

如果隐层神经元数目太少，不能适应以前没有学习过的样本，容错性差，算不出需要的结果;如果隐层神经元数目太多，会使网络学习过程没有尽头，不能收敛，还会使网络回忆起每件事以致无法更好地学习新样本。有关资料给出的确定隐层神经元数量的算式如下:

式中，n1为隐层神经元数目;n为输入神经元数目;m为输出神经元数目;a为1～10之间的常数。为使BP网络能够学习成功，在建筑色彩设计的3层BP网络中，把式(5）的建议值作为初始隐层数目。经过试算，认为隐层神经元数目定为36是合适的。

2.3 BP算法的数据前后处理

BP算法的输入数据通常被设定于一定的范围内，但在实际工程应用中输入的数据并不一定在这个范围，这就需要数据的转换，称数据的前处理。前处理将物理量空间的数据转换为神经网络计算空间的数据，神经网络计算的输出须再次转换而映射到实际的物理量空间，这一过程称为后处理。

2.3.1 BP 算法的数据前处理

一般而言，将BP算法的输入数据限定在［0，1］区域内，要达到实际输入X=xi向［0，1］区域转换，常采用的处理形式有:

同时应将教师信号T作上述处理，则有:常数TO=max{tl}或TO=Σ t1;教师信号则为

2.3.2 BP 算法的数据后处理

对于BP算法的数据后处理，最简单的方法就是把BP算法的输出数据乘以1个常数因子，当给定的误差为时则有:‖0－Y‖≤;整理后得到‖0·TO－Y·TO‖≤ε，由前处理中教师数据的处理方法可将上式变为:

因教师数据T来自实际状态空间，因而用0·TO作为输出在ε误差范围内属于实际状态空间，即将BP算法的输出乘以常数TO后，可认为属于实际状态空间，TO成为BP算法的应用关键，但是TO的获取并不容易，原因是在多样本时，不同的学习样本将有不同的TO，同时，在BP算法学习成功后的计算过程中根本不存在教师信号，在数据前处理中CI仅描述了输入总量，明显地不能从它获得TO。TO值的获得是BP算法完结后，其输入数据与输出数据之间的关系全都被记忆在权值和阈值中，要想在计算阶段获取因子TO，只能从BP算法的输入、权值、阈值及输出中获得。有的学者的方法是在输出层中增加1个神经元，通过它的输出计算出TO，增加1个输出层神经元后，教师信号改为T={t1，t2…tn，tn+1}，其中，tn+1为增加的输出层神经元对应的教师信号，由教师数据前处理可知:

由‖0·TO－T‖≤ε可知，输出层第n+1个神经元的输出满足:

近似地有:On+1·TO=tn+1

式(10）的意义是学习过程中所增加的神经元教师信号量如果为非零常数(多样本时），可由该常数与相应神经元输出之比作为因子 TO，如果取tn+1=，则由式(8）、(10）可推得:

式(11）给出了第n+1个神经元输出与TO的关系，这种关系在BP算法学习成功时被记忆在权值和阈值中，因此，在BP算法的计算阶段可用式(11）的值与输出层神经元相应的输出值的乘积作为实际状态空间的输出。

2.4 程序设计

“建筑色彩设计”程序的开发环境是:(1）编程环境:Borland公司的Delphi 7.0;(2）数据库环境:Borland公司的 Database Desktop;(3）数据库:Paradox 7.0;(4）操作系统环境:Windows XP。程序的运行环境是:(1）操作系统环境:Windows 98、2000、XP;(2）数据库环境:Paradox 7.0。Delphi 7.0是Borland公司2002年推出的Windows环境下的快速应用开发(Rapid Application Development）工具。它将面向对象技术、优化编译、数据库支持等结合在一起，是目前Windows环境下的优秀开发工具，程序的主界面见图2。

图2 空智能建筑色彩设计程序主界

采用直流供电后LED路灯驱动电源内已取消了整流桥、滤波电容、PFC等回路，使驱动电源的设计更加灵活，主电路结构简单、可靠性高。

4 小结

城市LED路灯采用直流供电模式，由直流供电站提供LED路灯直流电源，可以提高供电系统功率因数、减少谐波电流，将分散的LED路灯驱动电源中的整流、滤波、PFC元器件取消，提高照明灯具的可靠性，延长LED路灯寿命，促进LED路灯推广应用。同时可解决路灯变压器不平衡输出，降低变压器容量，减少供电电缆截面积，提高整个路灯系统的安全性、可靠性、可维护性，并延长寿命。

［1］开关电源功率因数补偿及谐波限制方法，输配电设备网

［2］王晶.UPS整流滤波与电能质量.UPS应用

［3］陈士军.直流输电的优势与前景［J］.水电站设计

［4］吴昊，王钢.加强驱动电源可靠性设计匹配LED路灯寿命［J］.国际光电与显示

［5］俞红祥，林敏，纪延超.单开关三相交直流变换器的谐波消除PWM技术［J］.电力系统及其自动化学报