参数预测建模的神经网络论文范文

1PMV指标

20世纪80年代，丹麦教授Fanger根据稳态条件下能量平衡的热舒适方程，提出了PMV－PPD指标，PMV指标的计算公式如下。由（1）式可知，PMV的表达式是一个非常复杂的非线性方程，直接求解的实时性差，同时方程中多个参数均为时变参数，传统的时不变神经网络模型在进行PMV参数建模时需要定时对其进行修正，实用性较差．

2Elman神经网络

Elman神经网络是Elman在1990年提出的一种典型的动态递归神经网络，该网络除了常规神经网络中的输入层、隐含层和输出层外，还提出了一个特定的承接层．在Elman神经网络的结构中，输入层单元进行信号的传输，输出层单元进行线性加权输出，隐含层单元实现信号的映射变换，其传递函数可采用线性或非线性函数，承接层又称上下文层，是Elman神经网络的核心，可用来记忆隐含层单元前一时刻的激活状态，并返回给网络的输入，本质上来说是一个时延算子，它使得Elman神经网络特别适合于动态系统的识别和预测控制．结构为r－n－m的Elman神经网络如图1所示．

3Elman神经网络

PMV指标预测建模影响PMV指标的主要因素包括环境因素（空气温度、空气流速、相对湿度和平均辐射温度）和自身因素（人的活动量和衣着）．根据PMV方程，只要通过传感器测出室内4个环境参数（人体周围的空气温度ta，房间的平均辐射温度tr，相对空气流速va，相对湿度RH），然后针对人体的服装和活动情况进行相应的取值，就可以计算室内热环境的PMV－PPD指标，从而对室内热舒适感进行评估和预测．在实际应用中，同时在线监测这6个因素实施起来非常困难，而人的活动量和衣着往往可以使用典型的经验值来表示，因此文中对测试环境做如下假设：居民在室内静坐时人体的代谢率为58．15W／m2，居民室内着衣热阻常取1clo，人体所做的机械功率为0［9］．根据以上假设，PMV指标的Elman预测模型可以表示。其中yi为第i个训练数据的预测值，Yi为第i个训练数据的理想值，n为训练数据的数量．以上指标中EMSE代表预测误差，其值越小，表示学习机器的预测误差越小；R2代表预测值与测量值之间的相关度，其值越大，表示2种间存在越明显的线性相关性．采用设计好的Elman神经网络对随机样本进行训练，并在测试样本上进行验证，训练时的收敛曲线如图2所示，训练样本和测试样本的预测拟合结果如图3所示．由图2可知，Elman神经网络对于随机产生的训练样本在训练阶段均能够稳定的收敛，验证了采用Elman神经网络对PMV指标进行预测建模的可行性．由图3可知，Elman神经网络对训练样本和测试样本均能够较好地拟合，仅在一些局部极值点出现了误差，这是由于神经网络的全局响应效应造成的．总的来说，建模达到了较好的效果．表4进一步给出了Elman神经网络在训练和测试阶段的决定系数、均方误差和计算时间．其中，测量计算时间的运算环境是CPU为Core（TM）i5－2450，内存为2GB，操作系统为WindowsXPSP4．由表4可知，Elman神经网络在训练和测试中均体现出较优的性能，预测数据与理论数据能拟合较好，这与图3的结论相互印证．同时可知，Elman神经网络在建模过程中因为存在训练阶段，所以总的计算时间达到了14s，但是一旦模型训练完毕，Elman神经网络可以对输入的数据直接进行计算预测，其计算时间约为0．948s，该时间远小于传统数值计算PMV参数的运算时间，体现了Elman神经网络模型预测PMV参数的实时优势．

4结语

采用Elman神经网络实现了热舒适度指标PMV的预测建模，研究了建模中的关键技术，给出了优化后的Elman神经网络模型．数值模拟和仿真的结果表明：（1）优化后的Elman神经网络能够对具有时变特征的PMV指标进行快速预测，有较高的准确性；（2）PMV指标的影响因素较多，合理地对一些参数进行假设，能够简化建模过程，提高预测效率；（3）建模后的Elman神经网络参数可以方便地存储在FPGA等可编程芯片中，为进一步实现系统的硬件监测与控制奠定了基础．

作者：江沸菠申艳妮甘巧单位：湖南师范大学物理与信息科学学院