[發明專利]基于改進粒子群的T-S模糊神經網絡室內空氣質量評價系統

有效

• 申請號: 201610987448.6
• 申請日: 2016-11-09
• 公開（公告）號: CN106777863B
• 公開（公告）日: 2019-07-12
• 發明（設計）人: 陳雙葉;徐文政
• 申請（專利權）人: 北京工業大學
• 主分類號: G01D21/02
• 分類號: G01D21/02;G06N3/02
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.基于改進粒子群的T-S模糊神經網絡室內空氣質量評價方法，實現該方法的系統是基于一種智能家居控制裝置進行的，所述的智能家居控制裝置包括智能家居控制中心、外圍電路、傳感器模塊組、微控制器、網絡傳輸模塊、看門狗及復位電路模塊、電源模塊、智能家居控制終端、客戶端；看門狗及復位電路模塊和電源模塊分別與各微控制器連接，傳感器模塊組通過外圍電路與室內空氣質量檢測裝置微控制器連接，空氣質量檢測裝置采集的數據上傳至智能家居控制中心，客戶端通過Internet與智能家居控制中心進行交互；

智能家居控制中心能夠提供支持瀏覽的訪問；

外圍電路包括溫濕度、甲醛、光照值的外圍電路；

傳感器模塊組包括采集PM2.5、PM10、一氧化碳、二氧化碳的模塊，且與室內空氣質量檢測裝置相連；

智能家居控制終端用于驅動下位機并實現開關量的輸入輸出、紅外編碼輸出；

用戶端通過PC端或智能手機的瀏覽器與智能家居控制裝置的客戶端進行訪問交互；

微控制器為基于改進粒子群的T-S模糊神經網絡IPSO-TSFNN模型的算法；

網絡傳輸模塊置于室內空氣質量檢測裝置和智能控制終端上，網絡傳輸模塊為WIFI模塊；

看門狗及復位電路模塊用于保障系統正常運行；電源模塊用于提供系統電源；

其特征在于：實現該方法具體包括以下步驟：

步驟一：系統控制中心操作系統的移植；

步驟二：系統控制中心Web服務器的移植；

步驟三：系統控制中心CGIC庫的移植；

步驟四：建立基于IPSO-TSFNN模型；

步驟五：根據國家《室內空氣質量標準》 GB/T18883-2002 建立訓練集和檢測集，對該網絡進行訓練和測試，得到可應用的網絡模型；

步驟六：溫濕度傳感器，PM2.5、PM10檢測器，CO檢測器，CO₂檢測器，HCHO檢測器，光照檢測器，實時將采集的數值上傳給CPU；

步驟七：CPU根據已經訓練好的網絡模型將PM10檢測值，HCHO檢測值，CO₂檢測值作為輸入得到相應評價等級輸出值，在智能控制模式下根據預先編入的控制策略智能調節家電，實現對室內空氣質量的調節，使室內空氣質量保持在較好的狀態下；同時將各傳感器采集的數值和空氣質量等級通過串口發給系統控制中心；

步驟八：系統控制中心接收到室內空氣檢測裝置傳來的數據后，根據交互的協議解析數據，然后上傳到瀏覽器客戶端，供用戶實時查看；

步驟九：如果用戶通過瀏覽器客戶端的按鈕下達控制命令，將由控制中心通過串口傳輸到室內空氣檢測裝置，再由無線WIFI傳輸到智能控制終端實現對家電的手動控制；

所述步驟四的網絡模型建立實現具體分為以下步驟：

6.1，根據實際環境選取PM10、HCHO、CO₂作為網絡模型輸入，當然也可根據實際監控環境進行變換；因此網絡模型的后件網絡輸入節點I為3個，隱含節點按M＝2I+1計算，為7個，輸出節點為1個，前件網絡為輸入層、模糊化層、規則層、去模糊化層；

6.2，模糊系統參數p_0j，p_ij，隸屬度函數的中心c_ij和寬度b_ij的初值分別為(0,1)上的隨機數，其中i＝1,2，3，j＝1,2...7；

6.3，由6.1和6.2確定需要訓練的參數寬度b有21個，中心c有21個，模糊系統參數p_0j各有7個，p_ij有21個，共計70個參數；

6.4，將這70個參數組成一個粒子，粒子群算法中種群規模m選為15，每個粒子長度n為70，優化公式如下：

X_iid^k+1＝X_iid^k+V_iid^k+1 (1)

V_iid^k+1＝r₂*sign(r₃)*V_iid^k+(1-r₂)*c₁*r₁*(P_iid-X_iid^k)

+(1-r₂)*c₂*(1-r₁)*(P_gd-X_iid^k)+L*r₃(P_iid-P_gd) (2)

其中，X為粒子位置，V為粒子的速度，ii＝1,2,3...70，sign(·)表示符號函數，學習因子c₁和c₂取為2，d為空間維數，其中，r₁，r₂和r₃都是[0,1]區間上均勻分布的隨機數，k為迭代次數，P_iid和P_gd分別表示粒子群個體及群體搜索到的最優位置；公式(2)中第一部分先前速度的系數相當于標準粒子群算法的慣性權重，sign(r₃)只有兩個取值情況+1和-1，起到調整速度方向的作用，r₂的隨機性較大，會至使粒子一直朝著最好位置的相反方向飛去，離最優解越來越遠，這時的粒子群算法會需要更多的迭代來達到全局最優，且會找不到全局最優；為了解決算法存在的收斂速度收斂精度問題增加了自適應調節因子，其L計算公式如(4)，當個體最優位置優于新更新的位置時，說明粒子正在遠離較好解，此時讓L取值為-sign(r₃)，使粒子往回調節，避免粒子離較好解越來越遠；相反則讓L取值為sign(r₃)，加快粒子到較好解位置，通過社會經驗與個體經驗差值為因子對粒子的反向進行調節，這樣既能保證粒子群算法全局搜索與局部搜索的平衡，又提高了收斂速度和收斂精度。