室內環(huán)境多信息融合算法的研究.pdf_第1頁
已閱讀1頁,還剩83頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著人們生活水平的不斷改善,人們對生活環(huán)境的要求也不斷提高。室內環(huán)境與人們的生活息息相關,其質量高低直接影響到人們生活質量的高低,甚至關乎人類的生存,對室內環(huán)境各參數進行監(jiān)測,并進行舒適度評價,創(chuàng)造一個舒適、安靜、清潔的室內環(huán)境具有非常重要的意義。然而室內環(huán)境是一個綜合環(huán)境,目前對室內環(huán)境舒適度的研究大都只是針對室內熱、光、聲環(huán)境舒適度或空氣品質的某一方面,而沒有將其結合起來。針對此問題,本課題提出一種神經網絡(特征級)和D-S證據理論

2、(決策級)相結合的兩級融合評價結構,將神經網絡的輸出經歸一化處理后直接作為D-S證據理論的一證據,進行決策級證據組合,避免了基本概率賦值函數選取的復雜性和主觀性。
  本課題的研究工作主要集中在以下幾個方面:
  (1)確定了室內各環(huán)境舒適度評價指標的選擇及評價等級的劃分,為室內環(huán)境舒適度的融合評價建立了一套基本的評判標準。
  (2)采用了基于遺傳神經網絡的室內熱環(huán)境舒適度融合評價算法。對比BP網絡和遺傳神經網絡,結

3、果表明:遺傳神經網絡利用遺傳算法進行BP網絡初始權值和閾值的優(yōu)化,訓練速度明顯增快,且預測精度較高。
  (3)針對影響熱舒適PMV(Predicted Mean Vote)指標的各因素之間存在復雜的非線性關系這一問題,分別利用PCA(Principal Component Analysis)和KPCA(Kernel Principal Component Analysis)對樣本數據進行特征提取,并用PCA+BP網絡、PCA+遺

4、傳神經網絡、KPCA+BP網絡、KPCA+遺傳神經網絡4種方法對室內熱環(huán)境舒適度進行了評價,結果表明:KPCA是非線性特征提取的有效方法,可去除變量之間的高階非線性相關性,提取完備、有效的樣本特征,對于該室內熱環(huán)境舒適度融合評價問題,KPCA+遺傳神經網絡是最有效的預測方法。
  (4)采用了基于模糊神經網絡的室內光、聲環(huán)境舒適度及空氣品質融合評價算法,并對模糊神經網絡和模糊綜合評判2種方法進行了對比仿真研究,結果表明:該算法能夠

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論