基于遗传算法改进BP神经网络的IAQ评价

冯浩栋，韩 旭，罗华山

(解放军理工大学，江苏 南京 210007)

基于遗传算法改进BP神经网络的IAQ评价

冯浩栋，韩 旭，罗华山

(解放军理工大学，江苏 南京 210007)

室内空气品质(IAQ)的评价一直是困扰人们的一大问题，目前还没有一个完善的评价体系。将遗传算法和神经网络结合建立起一个基于遗传算法改进BP神经网络的IAQ评价模型，该模型预测精度更高且收敛速度更快，能较好地反映IAQ的好坏，得到一个评价等级。通过实际房间测量数据对模型进行检验，结果表明该模型能够客观准确地对IAQ进行评价。

室内空气品质；神经网络；遗传算法

0 引言

据研究人们大约有80%的时间在室内度过，室内空气品质(IAQ)对人们的身心健康起着至关重要的影响，且越来越受到人们的重视。近年来，大气环境的污染问题为人们的生活带来了严重的伤害，越来越受到人们的关注，IAQ的好坏也备受人们重视。目前国内外较为成熟的IAQ评价方法[1]主要有客观评价方法、主观评价方法和综合评价方法。客观评价方法包括达标评价方法、模糊评价方法[2]、灰色理论评价方法[3]、计算机模型模拟方法[4]、暖体假人评价方法[5]、综合指数法[6]等。主观评价方法主要是基于嗅觉和分贝等利用人体感官来衡量空气污染物的评价方法[7]。客观评价法将对人体健康影响较大的污染物挑选为评价指标，使得模糊的IAQ概念可以量化。客观评价得到的结果有助于更加公正地反映IAQ的优劣，有助于人们对改善IAQ制定更合理的控制措施。但是客观评价方法缺少对人体主观感受的考虑，也难以考虑到个体间的差异。且模糊、灰色理论等评价方法的计算较为复杂，不利于实时监测IAQ。主观评价法利用人体器官反映了人对环境的主观感受，但是人体由于不同的精神状态、身体状况、性别等，每个人对空气品质的感受程度也不一样，难以避免会有误差。还有一些无色无味的有害污染物人们短期内无法察觉，也很难意识到其不利影响。因此仅靠主观评价方法来评价IAQ是不够的，必须采用综合评价方法。近年来，有学者开始将神经网络应用在IAQ评价中[8]。本研究将遗传算法与BP神经网络联合建立起一个基于遗传算法改进BP神经网络的IAQ评价模型，该模型计算快捷，准确度高，为IAQ评价提出另一种新方法。

1 算法描述

1.1 BP神经网络

图1为最基本的神经网络结构，包含输入层、1个隐含层和输出层。BP 神经网络算法也被叫做误差反向后传算法，主要包含两部分[9]:信息向前馈入与误差向后推导。

信息向前馈入:样本信息通过输入层、隐含层和输出层被处理的过程，即输入信息(I1，…，Ii，…，II)经隐含层处理后转换成(H1，…，Hj，…，HJ) ，再经输出层处理后输出(O1，…，Ok，…，OK) 的过程。其中，隐含层输出Hj和输出层输出Ok表示为式(1)、式(2)：

Hj=f(∑Wij×Ii-qj)

(1)

Ok=f(∑Tjk×Hj-qk)

(2)

其中:Wij为输入层节点i与隐含层节点j的连接权值，Tjk为隐含层节点j与输出层节点k的连接权值，qk为输出层节点k的阈值，qj为隐含层节点j的阈值，f为非线性作用函数。

图1 三层前馈神经网络

误差向后推导：当输出层的输出值与期望值不一致时，误差由输出层向隐含层、输入层逐层反传，同时把样本均方误差降至最低为目的，逐层修改网络各权值和阈值，最终将样本均方误差降至最小。误差函数表示如式(3)[10]:

(3)

(4)

(5)

其中λ为学习效率。

样本均方误差公式为:

(6)

1.2 GA-BP算法

BP神经网络的学习算法是基于梯度降低的，这种方法存在局部最优问题，容易使问题的解陷入局部极值点。遗传算法(GA)可以有效地提高神经网络的训练效果，它不需要目标函数是连续的或者是可微的，只要问题可以计算。遗传算法的搜索可以始终遍及在整个解空间，所以容易得到全局最优解[11-13]。

遗传算法可以对全局进行搜索，效率高鲁棒性强，但其缺点也很明显：难以对候选解进行精调，所以往往难以确定最优解。将遗传算法和神经网络相结合有利于最大程度地施展各自的优点。本文通过以下方式将遗传算法与神经网络相结合建立IAQ评价模型[14-15]：

(1)确定网络结构参数；

(2)按照一定的顺序级将网络的权值和阈值连起来形成1个长串；

(3)组成初始种群，染色体从交配池中形成；

(4)网络性能评价(评价函数f)；

(5)若网络性能不满足评价函数，对染色体执行选择、变异和交叉操作，得到新的染色体，直至满足评价函数；

(6)选择最优染色体作为网络权值和阈值，并对网络实行训练和评价。

其工作流程如图2所示。

图2 GA-BP神经网络算法流程图

2 构建评价标准

室内污染物种类繁多，来源复杂，主要分为颗粒、气体和蒸气三类。目前在国内外的各项规范标准中一般选用CO2、CO、甲醛、氨、TVOC、苯、可吸入颗粒物(PM10)、NOx、二氧化硫等代表性污染物作为评价因子来制定空气品质标准。本文根据《室内空气质量标准》(GB/T 18883-2002)[16]，充分考虑IAQ影响因素的特点，选择甲醛、TVOC、氮氧化物(NOx)、二氧化碳(CO2)4种污染物浓度作为评价因子。此外，室内空气品质的好坏与环境对人体健康的影响有很大的关系，也需要考虑到人体对环境的主观感觉。因此笔者将IAQ分为清洁、未污染、轻污染、中污染、重污染5个等级，如表1所示。并按照《室内空气质量标准》(GB/T 18883-2002)及表1所示评价等级划分将IAQ划分为4级，如表2所示。

表1 评价等级划分

表2 IAQ标准

3 空气品质评价模型仿真实现

3.1 训练样本和模型的建立

为了使网络得到充分的训练以及训练后的模型具有较好的适应性，在训练中将4级标准进行扩展，将表2评价标准应用内插法在每两级之间均匀插入，生成训练样本，共得到样本数据501组。将4个评价因子的浓度值作为模型的输入，1、2、3、4作为模型的输出，建立了4-8-1型的模型结构，取最大步数1 000，学习率0.01，训练精度0.001。

本文以南京某高校教学楼为研究对象，于2017年4月10日对10个房间的污染物浓度进行了测量，测量结果如表3所示。训练结束后，用表3的测量样本对建立的模型进行检验。

表3 污染物浓度实测数据

3.2 仿真结果及讨论

本文应用MATLAB语言编写算法程序，结合MATLAB神经网络工具箱，构建了基于遗传算法改进BP神经网络的室内空气品质(IAQ)评价模型。为了证明GA-BP算法评价模型性能的优越性，本文采用相同的样本数据和参数设置，对GA-BP模型和BP模型进行仿真对比。运算过程中，两种模型的训练误差随迭代次数的变化曲线如图3所示。模型训练结束后，将表3中的实测数据分别代入GA-BP模型和BP模型中，得到了两种模型对10个房间空气品质的预测评价结果，将预测结果与期望值进行对比，如图4所示。图5为两种模型的预测误差。

图3 模型收敛结果

图4 模型预测结果

图5 模型预测误差

由图3可以看出，两种模型经过有限次迭代都可以收敛，但GA-BP模型收敛速度明显快于BP模型。由图4、图5可以看出GA-BP模型的预测精度更高，误差更小。

4 结论

本文联合神经网络与遗传算法的优点建立了基于遗传算法改进BP神经网络的IAQ评价模型，该模型预测精度更高且收敛速度更快，能较好地反映IAQ的好坏，获得一个评价等级，评价结果准确、直观。通过实际房间测量数据对模型进行检验，结果表明该模型能够客观准确地对IAQ进行评价，且评价计算简单，便于实时监测，具有较好的应用前景。

[1] 刘艳华, 王新轲, 孔琼香. 室内空气质量检测与控制[M]. 北京：化学工业出版社, 2013.

[2] 初春玲, 曹叔维, 周俊彦. IAQ的模糊性综合评判[J]. 建筑热能通风空调, 1999(3):9-11.

[3] 李念平, 朱赤晖, 文伟. IAQ的灰色评价[J]. 湖南大学学报(自然科学版), 2002, 29(4):85-91.

[4] 马哲树, 姚寿广. IAQ的CFD评价方法[J]. 江苏科技大学学报(自然科学版), 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, 赵加宁, 刘京. 室内空气环境[M]. 北京：化学工业出版社, 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] 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.

[9] 何正风. MATLAB R2015b神经网络技术[M]. 北京：清华大学出版社, 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. 室内空气质量标准[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

冯浩栋，韩旭，罗华山.基于遗传算法改进BP神经网络的IAQ评价[J].微型机与应用，2017,36(23)：54-57.

2017-04-28)

冯浩栋(1994-)，通信作者，男，硕士研究生，主要研究方向：室内空气环境保障技术与设备。E-mail:fhd921223@163.com。

韩旭(1969-)，男，教授，主要研究方向：生命支持技术与系统研究。

罗华山(1994-)，男，硕士研究生，主要研究方向：室内空气环境安全保障技术和设备。