第四章 基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)光

第四章基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)光、聲環(huán)境舒適度及空氣品質(zhì)融合評價本課題是對影響室內(nèi)光、聲環(huán)境舒適度及空氣品質(zhì)的各因素進(jìn)行的等級劃分，然后將各影響因素融合以得到室內(nèi)光、聲環(huán)境舒適度等級和空氣品質(zhì)等級，是對模糊輸入信號進(jìn)行融合處理。而模糊神經(jīng)網(wǎng)絡(luò)在解決這類問題時具有優(yōu)勢，因此本課題采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行室內(nèi)光、聲環(huán)境舒適度及空氣品質(zhì)的融合評價。結(jié)合模糊評價法與神經(jīng)網(wǎng)絡(luò)評價法的優(yōu)點(diǎn)，建立了基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)光、聲環(huán)境舒適度及空氣品質(zhì)融合評價模型，以實(shí)現(xiàn)兩者的優(yōu)勢互補(bǔ)。4.1模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)點(diǎn)神經(jīng)網(wǎng)絡(luò)具有并行計算、分布式信息存儲、容錯能力強(qiáng)及自適應(yīng)學(xué)習(xí)能力等優(yōu)點(diǎn)，但一般來說，神經(jīng)網(wǎng)絡(luò)不適合表達(dá)基于規(guī)則的知識，即其內(nèi)部知識表達(dá)是不清楚的。因此在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，由于不能很好的利用先驗(yàn)知識，常常只能將初始權(quán)值取為零或隨機(jī)數(shù)，從而增加了網(wǎng)絡(luò)的訓(xùn)練時間和陷入非要求的局部極值，這是神經(jīng)網(wǎng)絡(luò)的不足。另一方面，模糊邏輯是一種處理不確定性、非線性等問題的有力工具，比較適合于表達(dá)那些模糊或定性知識，其推理方式比較適合于人的思維模式，但模糊邏輯系統(tǒng)缺乏學(xué)習(xí)和自適應(yīng)能力，只能主觀地依賴先驗(yàn)知識確定隸屬函數(shù)和模糊規(guī)則，不能根據(jù)積累的經(jīng)驗(yàn)自動改善系統(tǒng)的功能[59]。由此可知，神經(jīng)網(wǎng)絡(luò)和模糊理論的優(yōu)缺點(diǎn)具有明顯的互補(bǔ)性，將神經(jīng)網(wǎng)絡(luò)和模糊邏輯有機(jī)的結(jié)合起來，綜合二者的長處，可以得到比單獨(dú)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)或單獨(dú)的模糊系統(tǒng)更好的系統(tǒng)。模糊神經(jīng)網(wǎng)絡(luò)（FuzzyNeuralNetwork，F(xiàn)NN）是具有模糊權(quán)系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡(luò)，是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它匯聚了神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的優(yōu)點(diǎn)，集聯(lián)想、識別、自適應(yīng)及模糊信息處理于一體。模糊神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是利用神經(jīng)網(wǎng)絡(luò)調(diào)整模糊邏輯推理系統(tǒng)的隸屬度函數(shù)和推理規(guī)則，利用模糊推理規(guī)則的形式構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而充分發(fā)揮各自的優(yōu)點(diǎn)。模糊規(guī)則經(jīng)過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，以“權(quán)值”的形式體現(xiàn)出來，這樣規(guī)則的生成和修改則轉(zhuǎn)化為權(quán)值的確定和修改。模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)決定了模糊規(guī)則條數(shù)以及隸屬度函數(shù)個數(shù)，而參數(shù)決定了每條規(guī)則的具體表達(dá)及隸屬度函數(shù)的形狀[60]。由于本課題是先對影響室內(nèi)光、聲環(huán)境舒適度及空氣品質(zhì)的各因素進(jìn)行等級劃分，然后將各影響因素融合得到室內(nèi)光、聲環(huán)境舒適度等級和空氣品質(zhì)等級，是對模糊輸入信號進(jìn)行融合處理，模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了模糊評價法與神經(jīng)網(wǎng)絡(luò)評價法的優(yōu)點(diǎn)，在解決這類問題時具有優(yōu)勢。因此，本課題采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行室內(nèi)光、聲環(huán)境舒適度及空氣品質(zhì)的融合評價。4.2基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)光環(huán)境舒適度融合評價4.2.1基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)光環(huán)境舒適度融合評價模型的建立模糊神經(jīng)網(wǎng)絡(luò)一般是多層前饋網(wǎng)絡(luò)，分為前層、中層和后層，前層完成前提變量基本模糊隸屬函數(shù)的模擬功能以實(shí)現(xiàn)模糊化，中層構(gòu)成模糊邏輯推理機(jī)，后層則完成解模糊的功能。其前、中、后層由單層或者多層節(jié)點(diǎn)構(gòu)成，每個節(jié)點(diǎn)層的節(jié)點(diǎn)數(shù)以及權(quán)值可根據(jù)模糊系統(tǒng)所采用的具體模塊預(yù)置，通過一定的學(xué)習(xí)算法自動地產(chǎn)生隸屬函數(shù)的合適形式以及模糊規(guī)則。根據(jù)2.2.2節(jié)中選擇的室內(nèi)光環(huán)境舒適度評價指標(biāo)及劃分的評價等級，建立室內(nèi)光環(huán)境舒適度融合評價模型如下：采用5層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、模糊化層、模糊推理層、去模糊化層和輸出層。其中[61]-[63]，第1層：輸入層。該層的節(jié)點(diǎn)數(shù)=3，分別對應(yīng)影響室內(nèi)光環(huán)境舒適度的3個因素——平均照度、一般顯色指數(shù)和光色相關(guān)色溫，起著將輸入值傳送到下一層的作用。第2層：模糊化層。該層的每個節(jié)點(diǎn)代表一個語言變量值，其作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬度函數(shù)，，。（4.1）式中，是輸入變量，是的模糊等級分割數(shù)。本課題3個輸入變量均分為4個模糊等級，即，則該層的節(jié)點(diǎn)總數(shù)為=4×3=12。由于高斯函數(shù)具有光滑平穩(wěn)的過渡特性，本課題的隸屬度函數(shù)采用高斯函數(shù)，即，（4.2）式中，和分別表示高斯函數(shù)的中心和寬度，為輸入變量個數(shù)，為輸入變量的模糊等級分割數(shù)。第3層：模糊推理層。該層的每個節(jié)點(diǎn)代表一條模糊規(guī)則，用來匹配模糊規(guī)則前件，計算出每條規(guī)則的適用度，即（4.3）其中，，，，=64。該層的節(jié)點(diǎn)數(shù)=64。第4層：去模糊化層。該層實(shí)現(xiàn)歸一化計算，即，（4.4）該層的節(jié)點(diǎn)數(shù)與第三層相同，即=64。第5層：輸出層，也叫反模糊化層，實(shí)現(xiàn)清晰化計算，即，，（4.5）其中，為第四層與第五層的連接權(quán)值。該層的節(jié)點(diǎn)數(shù)4，分別對應(yīng)室內(nèi)光環(huán)境屬于優(yōu)、良、中、差4個等級的隸屬度。至此，即建立了3-12-64-64-4型結(jié)構(gòu)的模糊優(yōu)優(yōu)級隸屬度第1層輸入層第2層模糊化層第3層模糊推理層第4層去模糊化層第5層輸出層┊┊良級隸屬度中級隸屬度差級隸屬度┊平均照度一般顯色指數(shù)光色相關(guān)色溫┊┊┊圖4.1室內(nèi)光環(huán)境舒適度融合評價模型結(jié)構(gòu)4.2.2訓(xùn)練過程根據(jù)表2.3中光環(huán)境各影響因素對應(yīng)各舒適度等級的范圍，取各等級范圍的中間值作為其極值點(diǎn)，構(gòu)成光環(huán)境各影響因素對應(yīng)各舒適度等級的標(biāo)準(zhǔn)值見表4.1。表4.1光環(huán)境各影響因素對應(yīng)各舒適度等級的標(biāo)準(zhǔn)值影響因素優(yōu)良中差平均照度()300250或337.5187.5或362.5150或375一般顯色指數(shù)97.592.58580光色相關(guān)色溫()43003850或47503500或51003300或5300根據(jù)表4.1，建立訓(xùn)練樣本見表4.2。其中，輸入樣本為平均照度、一般顯色指數(shù)和光色相關(guān)色溫的值，期望輸出為4個值，分別對應(yīng)訓(xùn)練樣本對于室內(nèi)光環(huán)境舒適度4個等級的隸屬度。為了避免在利用D-S證據(jù)理論進(jìn)行決策級融合時由于基本信任分配（即隸屬度）為0而引起的證據(jù)沖突，無法進(jìn)行融合的問題，本課題將期望輸出隸屬度定義為0.1和0.9，而非傳統(tǒng)的0和1。為避免輸入樣本數(shù)據(jù)過大而引起網(wǎng)絡(luò)訓(xùn)練時間過長，首先對輸入樣本進(jìn)行歸一化處理。由于神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的激活函數(shù)為Sigmoid函數(shù)，考慮到Sigmoid函數(shù)在值域[0，0.1]和[0.9，1.0]區(qū)間內(nèi)曲線變化極為平坦，故將各輸入量歸一化至[0.1，0.9]區(qū)間內(nèi)，歸一化計算公式為：（4.6）式中，和分別為輸入特征量的最大值和最小值，為第個輸入數(shù)據(jù)，為歸一化后的數(shù)據(jù)。歸一化后的輸入樣本見表4.2，然后利用這些樣本訓(xùn)練該網(wǎng)絡(luò)模型。表4.2訓(xùn)練樣本及其擬合輸出結(jié)果序號輸入樣本歸一化后輸入樣本期望輸出擬合輸出平均一般顯光色相照度色指數(shù)關(guān)色溫平均一般顯光色相照度色指數(shù)關(guān)色溫130097.543000.52350.90000.51140.90.10.10.10.88920.11620.10790.1058225092.538500.42940.75450.40860.10.90.10.10.09890.88010.10310.11633337.592.538500.59410.75450.40860.10.90.10.10.09980.87870.10330.1163425092.57500.42940.75450.61430.10.90.10.10.10480.88400.10320.11695337.592.547500.59410.75450.61430.10.90.10.10.10580.88240.10350.11696187.58535000.31180.53640.32860.10.10.90.10.11560.09650.90230.09937187.58551000.31180.53640.69430.10.10.90.10.12280.09920.90140.09848362.58535000.64120.53640.32860.10.10.90.10.10720.10220.89950.10009362.58551000.64120.53640.69430.10.10.90.10.10480.10540.89860.0989101207531000.18470.24550.23710.10.10.10.90.10180.10160.10070.8989111207555000.18470.24550.78570.10.10.10.90.10080.10180.10190.8986124007531000.71180.24550.23710.10.10.10.90.10090.10080.10160.8997134007555000.71180.24550.78570.10.10.10.90.10220.10140.10280.899814757025000.10000.10000.10000.10.10.10.90.10070.10040.09920.901515757060000.10000.10000.90000.10.10.10.90.09820.10170.10040.9016165007025000.90000.10000.10000.10.10.10.90.09960.10150.10050.9018175007060000.90000.10000.90000.10.10.10.90.10070.10510.10350.9027模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練包括網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)和網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)。圖4.1結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)第一層至第四層層與層之間的連接權(quán)值均為1，神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)要調(diào)整的是第二層隸屬函數(shù)參數(shù)（中心和寬度）和第四層與第五層之間的連接權(quán)值[74]。本課題中，隸屬函數(shù)為高斯函數(shù)，對于3-12-64-64-4型結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)，有本課題采用BP算法即梯度下降法來訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)，對網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)進(jìn)行學(xué)習(xí)。設(shè)為期望輸出，為實(shí)際輸出，網(wǎng)絡(luò)學(xué)習(xí)就是使誤差函數(shù)（4.7）最小，則網(wǎng)絡(luò)權(quán)值按照下式進(jìn)行調(diào)整：，（4.8）高斯函數(shù)參數(shù)的調(diào)整公式為：，（4.9），（4.10）式中，，，分別為連接權(quán)值、高斯函數(shù)中心和寬度的學(xué)習(xí)速率。設(shè)定目標(biāo)誤差E為0.001，其訓(xùn)練誤差曲線如圖4.2所示。通過109次學(xué)習(xí)訓(xùn)練，使誤差E<0.001，成功地建立了基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)光環(huán)境舒適度融合評價模型。其訓(xùn)練前后的隸屬函數(shù)曲線分別如圖4.3和圖4.4所示。圖4.2訓(xùn)練誤差曲線（1）平均照度（2）一般顯色指數(shù)（3）光色相關(guān)色溫圖4.3訓(xùn)練前的隸屬度函數(shù)曲線（1）平均照度（2）一般顯色指數(shù)（3）光色相關(guān)色溫圖4.4訓(xùn)練后的隸屬度函數(shù)曲線4.2.3基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)光環(huán)境舒適度融合評價仿真結(jié)果將建立的網(wǎng)絡(luò)模型應(yīng)用于室內(nèi)光環(huán)境實(shí)測樣本的舒適度評價，根據(jù)式（4.6）對輸入樣本進(jìn)行歸一化處理，評價采用最大隸屬度原則，即光環(huán)境舒適度為最大隸屬度所對應(yīng)的舒適度等級。實(shí)測樣本及評價結(jié)果見表4.3。表4.3實(shí)測樣本及評價結(jié)果序號實(shí)測樣本歸一化后實(shí)測樣本輸出結(jié)果評價等級平均一般顯光色相照度色指數(shù)關(guān)色溫平均一般顯光色相照度色指數(shù)關(guān)色溫130010042000.57460.90000.48400.63290.40680.10520.1436優(yōu)22709140000.49320.64290.42000.05880.68230.46020.0947良33309348000.65590.70000.67600.02420.91840.22310.0976良42008435450.30340.44290.27440.11970.07080.78110.2704中53688652150.75900.50000.80880.14730.03020.78220.3196中61257830000.10000.27140.10000.10140.10130.09880.9011差74207255000.90000.10000.90000.09680.10630.10470.9027差4.2.4利用模糊綜合評判法進(jìn)行室內(nèi)光環(huán)境舒適度融合評價本課題利用模糊綜合評判法對該室內(nèi)光環(huán)境實(shí)測樣本進(jìn)行融合評價，以驗(yàn)證該模糊神經(jīng)網(wǎng)絡(luò)模型的有效性，并對比哪種方法更優(yōu)。根據(jù)2.2.2節(jié)中光環(huán)境舒適度評價指標(biāo)的選擇及評價等級的劃分可知，光環(huán)境舒適度有個影響因素，分別為平均照度、一般顯色指數(shù)和光色相關(guān)色溫，且每個影響因素有個評價等級，分別對應(yīng)“優(yōu)、良、中、差”。（1）確定權(quán)值由于各影響因素對光環(huán)境舒適度的影響程度不同，因此需確定各影響因子的權(quán)重，依據(jù)其影響程度對各影響因子量化賦值。在進(jìn)行模糊綜合評判時，權(quán)重集的確定是綜合評判的關(guān)鍵環(huán)節(jié)之一。常用的權(quán)值確定方法有：層次分析法、德爾裴法、專家調(diào)查法和判斷矩陣法。由于影響光環(huán)境舒適度的各個因素一旦超標(biāo)或不達(dá)標(biāo)，就會使人產(chǎn)生不舒適感，且超標(biāo)或不達(dá)標(biāo)程度越大，人體的不舒適感越強(qiáng)烈，因此本文根據(jù)各影響因素的超標(biāo)或不達(dá)標(biāo)情況來確定其權(quán)值，計算公式為：，（4.11）式中，為第個影響因素的超標(biāo)指數(shù)，為第個影響因素的實(shí)測值，為第個影響因素的參考基準(zhǔn)，分別取各影響因素的“良”等級為基準(zhǔn)。對于照度和光色相關(guān)色溫，由于其“良”級的標(biāo)準(zhǔn)值有兩個，分別為“250或337.5”和“3850或4750”，則其參考標(biāo)準(zhǔn)的取法為：當(dāng)照度值小于300時，基準(zhǔn)為250，當(dāng)照度值大于300時，基準(zhǔn)為337.5；光色相關(guān)色溫基準(zhǔn)的取法與照度相同。設(shè)為由值確定的第個影響因素的權(quán)值，則：，（4.12）則權(quán)重集為。（2）確定隸屬度函數(shù)隸屬度函數(shù)是反映影響因素對評價等級的親疏關(guān)系，即隸屬度越大，表明該影響因素越接近該評價等級。同模糊神經(jīng)網(wǎng)絡(luò)對隸屬度的定義，將隸屬度定義為0.1～0.9之間，而非傳統(tǒng)的0～1之間，以便更有效地對比兩種評價方法。根據(jù)表4.1中各影響因素對應(yīng)光環(huán)境舒適度各等級的標(biāo)準(zhǔn)值及表2.3中各影響因素對應(yīng)光環(huán)境舒適度各等級的范圍，確定其隸屬度函數(shù)如下。對于第1個影響因素：平均照度，即當(dāng)時評價等級時，其隸屬度函數(shù)為：（4.13）評價等級時，其隸屬度函數(shù)為：當(dāng)時，（4.14）當(dāng)時，（4.15）評價等級時，其隸屬度函數(shù)為：當(dāng)時，（4.16）當(dāng)時，（4.17）評價等級時，其隸屬度函數(shù)為：當(dāng)時，（4.18）當(dāng)時，（4.19）式（4.13）～式（4.19）中，為平均照度值，單位：。②一般顯色指數(shù)和光色相關(guān)色溫隸屬度函數(shù)的建立同平均照度，在此不做贅述。（3）模糊關(guān)系的確定將各影響因子對評判結(jié)果的隸屬度集組合，即可得到模糊關(guān)系矩陣：（4.20）經(jīng)歸一化處理后為：（4.21）則綜合評價結(jié)果集為：（4.22）評價結(jié)果集中的元素（）分別對應(yīng)評價結(jié)果屬于各個評價等級的隸屬度，采用最大隸屬度原則，即最大的值所對應(yīng)的等級就是光環(huán)境舒適度綜合評判列入的那一級。（4）綜合評判結(jié)果利用MATLAB進(jìn)行編程，通過仿真計算得到其綜合評判結(jié)果見表4.4。表4.4實(shí)測樣本模糊綜合評判結(jié)果序號實(shí)測樣本模糊綜合評判結(jié)果歸一化后模糊綜合評判結(jié)果評價等級平均一般顯光色相照度色指數(shù)關(guān)色溫130010042000.45000.05560.05000.05000.74310.09170.08260.0826優(yōu)22709140000.21000.29000.07800.05000.33440.46180.12420.0796良33309348000.13000.37000.05000.05000.21670.61670.08330.0833良42008435450.05000.13000.37000.07800.07960.20700.58920.1242中53688652150.05000.06200.27400.22600.08170.10130.44770.3693中61257830000.05000.05000.05000.45000.08330.08330.08330.7500差74207255000.05000.05000.05000.45000.08330.08330.08330.7500差4.2.5仿真結(jié)果對比及分析從表4.3和表4.4可以看出，利用模糊神經(jīng)網(wǎng)絡(luò)和模糊綜合評判法進(jìn)行室內(nèi)光環(huán)境舒適度融合評價的結(jié)果完全一致，且模糊神經(jīng)網(wǎng)絡(luò)的評價結(jié)果屬于各個等級的隸屬度較之模糊綜合評判的評價結(jié)果屬于各個等級的隸屬度差別較大，能夠很好地進(jìn)行區(qū)分，說明該模糊神經(jīng)網(wǎng)絡(luò)模型能夠正確有效地進(jìn)行室內(nèi)光環(huán)境舒適度融合評價。而且，由于隸屬度定義為[0.1，0.9]之間，而非[0，1]之間，兩種方法的評價結(jié)果均未出現(xiàn)隸屬度為0的情況，避免了第5章中采用模糊神經(jīng)網(wǎng)絡(luò)的融合評價結(jié)果作為證據(jù)，利用D-S證據(jù)理論進(jìn)行決策級融合時，由于隸屬度為0，容易出現(xiàn)“證據(jù)沖突”，無法正確進(jìn)行融合的問題。若要對光環(huán)境舒適程度進(jìn)行排序，則按照其評價等級“優(yōu)、良、中、差”的順序排列。另外，在同一等級內(nèi)，評價結(jié)果對前一等級的隸屬度越高，表明該樣本越接近前一等級，即光環(huán)境舒適度等級越高。4.3基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)聲環(huán)境舒適度融合評價4.3.1基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)聲環(huán)境舒適度融合評價模型的建立同4.2節(jié)室內(nèi)光環(huán)境舒適度的融合評價，根據(jù)2.2.3節(jié)中選擇的室內(nèi)聲環(huán)境舒適度評價指標(biāo)及劃分的評價等級，建立室內(nèi)聲環(huán)境舒適度融合評價模型如下：第1層：輸入層。節(jié)點(diǎn)數(shù)為4個，分別對應(yīng)影響室內(nèi)聲環(huán)境舒適度的4個因素—噪聲對語言、思考、睡眠、煩惱度的影響；第2層：模糊化層。隸屬度函數(shù)采用高斯函數(shù)，每個輸入變量分為4個模糊等級，則該層節(jié)點(diǎn)數(shù)為4×4=16個；第3層：模糊推理層。計算每條規(guī)則的適用度，該層節(jié)點(diǎn)數(shù)為4×4×4×4=256個；第4層：去模糊化層。實(shí)現(xiàn)歸一化計算，該層節(jié)點(diǎn)數(shù)與第三層相同，為256個；第5層：輸出層。節(jié)點(diǎn)數(shù)為4個，分別對應(yīng)評價結(jié)果屬于各個等級的隸屬度。至此，即建立了4-16-256-256-4型結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)，如圖4.5所示。該網(wǎng)絡(luò)模型有16×2=32個隸屬函數(shù)參數(shù)和256優(yōu)優(yōu)級隸屬度第1層輸入層第2層模糊化層第3層模糊推理層第5層輸出層┊┊良級隸屬度中級隸屬度差級隸屬度┊噪聲對語言的影響噪聲對思考的影響噪聲對睡眠的影響噪聲對煩惱度影響┊┊┊第4層去模糊化層圖4.5室內(nèi)聲環(huán)境舒適度融合評價模型結(jié)構(gòu)根據(jù)表2.4中聲環(huán)境各影響因素對應(yīng)各舒適度等級的范圍，建立訓(xùn)練樣本見表4.5。其中，輸入樣本為噪聲值，期望輸出為4個值，分別對應(yīng)訓(xùn)練樣本對于室內(nèi)聲環(huán)境4個舒適度等級的隸屬度。同樣將期望輸出隸屬度定義為0.1和0.9，避免了利用D-S證據(jù)理論進(jìn)行決策級融合時由于基本信任分配（即隸屬度）為0而引起的證據(jù)沖突，無法進(jìn)行融合的問題。首先根據(jù)式（4.6）對輸入樣本進(jìn)行歸一化處理，歸一化后的輸入樣本見表4.5，然后利用這些樣本訓(xùn)練該網(wǎng)絡(luò)模型。設(shè)定目標(biāo)誤差E為0.001，其訓(xùn)練誤差曲線如圖4.6所示，通過161次學(xué)習(xí)訓(xùn)練，使誤差E<0.001，成功地建立了基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)聲環(huán)境舒適度融合評價模型。其訓(xùn)練前后的隸屬函數(shù)曲線分別如圖4.7和圖4.8所示。表4.5訓(xùn)練樣本及其擬合輸出結(jié)果序號輸入樣本歸一化后輸入樣本期望輸出擬合輸出1200.10000.90.10.10.10.91780.07490.10280.10732250.15710.90.10.10.10.91850.07700.10240.10363300.21430.90.10.10.10.91430.08480.10140.09944350.27140.90.10.10.10.81720.18750.09520.09505400.32860.10.90.10.10.14870.85450.07600.09406450.38570.10.90.10.10.04360.95950.06500.10137500.44290.10.90.10.10.04270.92260.13020.10258550.50000.10.10.90.10.10070.10010.88720.10859600.55710.10.10.90.10.10880.08330.94510.063410650.61430.10.10.90.10.10210.10700.87410.122411700.67140.10.10.10.90.09400.08940.14100.875612750.72860.10.10.10.90.09620.09350.08460.918813800.78570.10.10.10.90.09980.10050.08250.910814900.90000.10.10.10.90.10590.11190.08150.8944（1）語言（2）思考（3）睡眠（4）煩惱度圖4.7訓(xùn)練前的隸屬度函數(shù)曲線（1）語言（2）思考（3）睡眠（4）煩惱度圖4.8訓(xùn)練后的隸屬度函數(shù)曲線4.3.2基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)聲環(huán)境舒適度融合評價仿真結(jié)果將建立的網(wǎng)絡(luò)模型應(yīng)用于室內(nèi)聲環(huán)境實(shí)測樣本的舒適度評價，并根據(jù)結(jié)果進(jìn)行評價分級，采用最大隸屬度原則，即室內(nèi)聲環(huán)境為最大隸屬度所對應(yīng)的舒適度等級。實(shí)測樣本及其評價結(jié)果見表4.6。表4.6實(shí)測樣本及評價結(jié)果序號實(shí)測樣本歸一化后實(shí)測樣本輸出結(jié)果評價等級1560.49220.04640.10370.88380.1791中2310.10000.91770.07450.10280.1080優(yōu)3780.83730.09870.09830.08270.9137差4640.61760.08790.05840.10820.9474差5470.35100.22170.78240.07910.0933良6360.17840.91850.10340.07720.1024優(yōu)7630.60200.08000.06820.10920.8726差8500.39800.05740.09870.94550.0676中9710.72750.09410.08990.16300.8555差10820.90000.10220.10490.08210.9046差4.3.3利用模糊綜合評判法進(jìn)行室內(nèi)聲環(huán)境舒適度融合評價同樣，利用模糊綜合評判法對該室內(nèi)聲環(huán)境實(shí)測樣本進(jìn)行融合評價，以驗(yàn)證該模糊神經(jīng)網(wǎng)絡(luò)模型的有效性，并對比哪種方法更優(yōu)。根據(jù)2.2.3節(jié)中聲環(huán)境舒適度評價指標(biāo)的選擇及評價等級的劃分可知，聲環(huán)境舒適度有個影響因素，分別為噪聲對語言、思考、睡眠、煩惱度的影響，且每個影響因素有個評價等級標(biāo)準(zhǔn)。（1）確定權(quán)值噪聲一旦超標(biāo)，對人所產(chǎn)生的不舒適感非常明顯，且超標(biāo)程度越大，人體的不舒適感越強(qiáng)烈，因此本文根據(jù)各影響因素噪聲的超標(biāo)情況來確定其權(quán)值，計算公式為：（）（4.23）式中，為第個影響因素的超標(biāo)指數(shù)，為噪聲實(shí)測值（等效A聲級值），為第個影響因素的噪聲參考標(biāo)準(zhǔn)，取“良”等級為基準(zhǔn)。根據(jù)表2.4中各影響因素對應(yīng)聲舒適度各等級的噪聲值范圍，取各等級范圍的中間值作為其極值點(diǎn)，構(gòu)成各影響因素對應(yīng)聲舒適各等級的噪聲值標(biāo)準(zhǔn)見表4.7。表4.7各影響因素對應(yīng)聲舒適各等級的噪聲值標(biāo)準(zhǔn)單位：影響因素優(yōu)良中差對語言影響4047.56065對思考影響40506570對睡眠影響30354550煩惱度4552.56570設(shè)為由值確定的第個影響因素的權(quán)值，則：，（4.24）則權(quán)重集為。（2）確定隸屬度函數(shù)同模糊神經(jīng)網(wǎng)絡(luò)對隸屬度的定義，將隸屬度定義為0.1～0.9之間，以便更有效地對比兩種評價方法。根據(jù)表4.7，確定其隸屬度函數(shù)如下。對于第1個影響因素：噪聲對語言的影響，即當(dāng)時評價等級時，其隸屬度函數(shù)為：（4.25）評價等級時，其隸屬度函數(shù)為：（4.26）評價等級時，其隸屬度函數(shù)為：（4.27）評價等級時，其隸屬度函數(shù)為：（4.28）②其他3個影響因素的隸屬度函數(shù)的建立同第1個影響因素，在此不做贅述。（3）模糊關(guān)系的確定將各影響因子對評判結(jié)果的隸屬度集組合起來，即可得到模糊關(guān)系矩陣：（4.29）經(jīng)歸一化處理后為：（4.30）則綜合評價結(jié)果集為：（4.31）評價結(jié)果集中的元素（）分別對應(yīng)評價結(jié)果屬于各個等級的隸屬度，采用最大隸屬度原則，即最大的值所對應(yīng)的等級就是聲環(huán)境舒適度綜合評判列入的那一級。（4）綜合評判結(jié)果利用MATLAB進(jìn)行編程，通過仿真計算得到其綜合評判結(jié)果見表4.8。表4.8實(shí)測樣本模糊綜合評判結(jié)果序號實(shí)測樣本模糊綜合評判結(jié)果歸一化后模糊綜合評判結(jié)果評價等級1560.16000.72110.75921.44000.05190.23410.24650.4675差2310.65540.23030.08860.08860.61670.21670.08330.0833優(yōu)3780.22290.22290.22292.00570.08330.08330.08330.7500差4640.18290.19991.08371.64570.05880.06420.34820.5288差5470.61470.83780.77890.56400.21990.29970.27860.2018良6360.84340.68210.18510.10290.46510.37610.10210.0567優(yōu)7630.18000.27360.99961.62000.05860.08900.32530.5271差8500.34920.90001.28570.27370.12430.32040.45780.0974中9710.20290.20290.20291.82570.08330.08330.08330.7500差10820.23430.23430.23432.10860.08330.08330.08330.7500差4.3.4仿真結(jié)果對比及分析由表4.6和表4.8可知，利用模糊神經(jīng)網(wǎng)絡(luò)和模糊綜合評判法進(jìn)行室內(nèi)聲環(huán)境舒適度融合評價，除第一個樣本的評價結(jié)果不同外，其余樣本的評價結(jié)果均一致，說明該模糊神經(jīng)網(wǎng)絡(luò)模型能夠較正確有效地進(jìn)行室內(nèi)聲環(huán)境舒適度評價。且模糊神經(jīng)網(wǎng)絡(luò)的評價結(jié)果具有唯一性，而模糊綜合評判法的評價結(jié)果隨著權(quán)重的不同而改變，說明該模糊神經(jīng)網(wǎng)絡(luò)評價法更具有客觀性。同理，由于隸屬度定義為[0.1，0.9]之間，而非[0，1]之間，兩種方法的評價結(jié)果均未出現(xiàn)隸屬度為0的情況。避免了第5章中采用模糊神經(jīng)網(wǎng)絡(luò)的融合評價結(jié)果作為證據(jù)，利用D-S證據(jù)理論進(jìn)行決策級融合時，由于隸屬度為0，容易出現(xiàn)“證據(jù)沖突”，無法正確進(jìn)行融合的問題。4.4基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)空氣品質(zhì)融合評價目前對室內(nèi)空氣品質(zhì)的研究大都是對其主要影響因素進(jìn)行監(jiān)測并對結(jié)果進(jìn)行分析，判斷各個單因素是否超標(biāo)，而沒有將其各影響因素綜合起來對室內(nèi)空氣品質(zhì)進(jìn)行評價。該課題提出了基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)空氣品質(zhì)融合評價方法，試圖探索一種新的室內(nèi)空氣品質(zhì)評價方法，為進(jìn)一步深入研究奠定基礎(chǔ)。4.4.1基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)空氣品質(zhì)融合評價模型的建立根據(jù)2.2.4中選擇的室內(nèi)空氣品質(zhì)評價指標(biāo)及劃分的評價等級，建立室內(nèi)空氣品質(zhì)融合評價模型如下：第1層：輸入層。節(jié)點(diǎn)數(shù)為4個，分別對應(yīng)影響室內(nèi)空氣品質(zhì)的4個因素——甲醛、TVOC、NOX和CO2；第2層：模糊化層。隸屬度函數(shù)采用高斯函數(shù)，每個輸入變量分為4個模糊等級，則該層節(jié)點(diǎn)數(shù)為4×4=16個；第3層：模糊推理層。計算每條規(guī)則的適用度，該層節(jié)點(diǎn)數(shù)為4×4×4×4=256個；第4層：去模糊化層。實(shí)現(xiàn)歸一化計算，該層節(jié)點(diǎn)數(shù)與第三層相同，為256個；第5層：輸出層。節(jié)點(diǎn)數(shù)為4個，分別對應(yīng)評價結(jié)果屬于各個等級的隸屬度。至此，即建立了4-16-256-256-4型結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)，如圖4.9所示。該網(wǎng)絡(luò)模型優(yōu)優(yōu)級隸屬度第1層輸入層第2層模糊化層第3層模糊推理層第5層輸出層┊┊良級隸屬度中級隸屬度差級隸屬度┊┊┊┊第4層去模糊化層甲醛TVOCNOXCO2圖4.9室內(nèi)空氣品質(zhì)融合評價模型結(jié)構(gòu)根據(jù)表2.5中室內(nèi)空氣品質(zhì)各影響因素對應(yīng)各等級的范圍，對于“良”和“中”等級，取其中間值作為極值，建立訓(xùn)練樣本見表4.9。其中，輸入樣本為甲醛、TVOC、NOX和CO2值，期望輸出為4個值，分別對應(yīng)訓(xùn)練樣本對于室內(nèi)空氣品質(zhì)4個等級的隸屬度。同樣將期望輸出隸屬度定義為0.1和0.9，以避免利用D-S證據(jù)理論進(jìn)行決策級融合時由于基本信任分配為0而引起的證據(jù)沖突，無法進(jìn)行融合的問題。首先根據(jù)式（4.6）對輸入樣本進(jìn)行歸一化處理，歸一化后的樣本見表4.9，然后利用這些樣本訓(xùn)練該網(wǎng)絡(luò)模型。設(shè)定目標(biāo)誤差E為0.001，其訓(xùn)練誤差曲線如圖4.10所示，通過51次學(xué)習(xí)，使誤差E<0.001，成功地建立了基于模糊神經(jīng)網(wǎng)絡(luò)的室內(nèi)空氣品質(zhì)融合評價模型。其訓(xùn)練前后的隸屬函數(shù)曲線分別如圖4.11和圖4.12所示。表4.9訓(xùn)練樣本及其擬合輸出結(jié)果序號輸入樣本歸一化后輸入樣本期望輸出擬合輸出甲醛TVOCNOXCO2甲醛TVOCNOXCO210.040.20.026000.10000.10000.10000.10000.90.10.10.10.91780.07490.10280.107320.060.250.048000.30000.20000.18890.27780.10.90.10.10.91850.07700.10240.103630.10.450.1312500.70000.60000.58890.67780.10.10.90.10.91430.08480.10140.099440.120.60.215000.90000.90000.90000.90000.10.10.10.90.81720.18750.09520.0950圖4.10訓(xùn)練誤差曲線（1）甲醛（2）TVOC(3)NOX(4)CO2圖4.11訓(xùn)練前的隸屬度函數(shù)曲線（1）甲醛（2）TVOC(3)NOX(4)CO2圖4.12訓(xùn)練后的隸屬度函數(shù)曲線4.4.2仿真結(jié)果對比及分析本文參考文獻(xiàn)[35]中的測量數(shù)據(jù)進(jìn)行融合評價，并與其結(jié)果進(jìn)行對比，以驗(yàn)證該方法的正確性和有效性。按照式（4.6）對測量數(shù)據(jù)進(jìn)行歸一化處理，測量數(shù)據(jù)及歸一化處理后的數(shù)據(jù)見表4.10。表4.10室內(nèi)空氣品質(zhì)測量數(shù)據(jù)序號輸入樣本歸一化后輸入樣本甲醛TVOCNOXCO2甲醛TVOCNOXCO210.0240.170.0240.800.10000.13250.10890.247620.0490.250.04521.640.14690.18460.29730.900030.0240.120.1130.800.10000.10000.90000.247640.0240.180.1040.890.10000.13900.82000.317550.0370.290.0231.070.12440.21060.10000.457360.0370.370.0261.150.12440.26260.12670.519470.0980.210.0270.820.23900.15850.13560.263180.451.350.0320.990.900