參數預測建模的神經網絡論文范文

本站小編為你精心準備了參數預測建模的神經網絡論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1PMV指標

20世紀80年代，丹麥教授Fanger根據穩態條件下能量平衡的熱舒適方程，提出了PMV－PPD指標，PMV指標的計算公式如下。由（1）式可知，PMV的表達式是一個非常復雜的非線性方程，直接求解的實時性差，同時方程中多個參數均為時變參數，傳統的時不變神經網絡模型在進行PMV參數建模時需要定時對其進行修正，實用性較差．

2Elman神經網絡

Elman神經網絡是Elman在1990年提出的一種典型的動態遞歸神經網絡，該網絡除了常規神經網絡中的輸入層、隱含層和輸出層外，還提出了一個特定的承接層．在Elman神經網絡的結構中，輸入層單元進行信號的傳輸，輸出層單元進行線性加權輸出，隱含層單元實現信號的映射變換，其傳遞函數可采用線性或非線性函數，承接層又稱上下文層，是Elman神經網絡的核心，可用來記憶隱含層單元前一時刻的激活狀態，并返回給網絡的輸入，本質上來說是一個時延算子，它使得Elman神經網絡特別適合于動態系統的識別和預測控制．結構為r－n－m的Elman神經網絡如圖1所示．

3Elman神經網絡

PMV指標預測建模影響PMV指標的主要因素包括環境因素（空氣溫度、空氣流速、相對濕度和平均輻射溫度）和自身因素（人的活動量和衣著）．根據PMV方程，只要通過傳感器測出室內4個環境參數（人體周圍的空氣溫度ta，房間的平均輻射溫度tr，相對空氣流速va，相對濕度RH），然后針對人體的服裝和活動情況進行相應的取值，就可以計算室內熱環境的PMV－PPD指標，從而對室內熱舒適感進行評估和預測．在實際應用中，同時在線監測這6個因素實施起來非常困難，而人的活動量和衣著往往可以使用典型的經驗值來表示，因此文中對測試環境做如下假設：居民在室內靜坐時人體的代謝率為58．15W／m2，居民室內著衣熱阻常取1clo，人體所做的機械功率為0［9］．根據以上假設，PMV指標的Elman預測模型可以表示。其中yi為第i個訓練數據的預測值，Yi為第i個訓練數據的理想值，n為訓練數據的數量．以上指標中EMSE代表預測誤差，其值越小，表示學習機器的預測誤差越小；R2代表預測值與測量值之間的相關度，其值越大，表示2種間存在越明顯的線性相關性．采用設計好的Elman神經網絡對隨機樣本進行訓練，并在測試樣本上進行驗證，訓練時的收斂曲線如圖2所示，訓練樣本和測試樣本的預測擬合結果如圖3所示．由圖2可知，Elman神經網絡對于隨機產生的訓練樣本在訓練階段均能夠穩定的收斂，驗證了采用Elman神經網絡對PMV指標進行預測建模的可行性．由圖3可知，Elman神經網絡對訓練樣本和測試樣本均能夠較好地擬合，僅在一些局部極值點出現了誤差，這是由于神經網絡的全局響應效應造成的．總的來說，建模達到了較好的效果．表4進一步給出了Elman神經網絡在訓練和測試階段的決定系數、均方誤差和計算時間．其中，測量計算時間的運算環境是CPU為Core（TM）i5－2450，內存為2GB，操作系統為WindowsXPSP4．由表4可知，Elman神經網絡在訓練和測試中均體現出較優的性能，預測數據與理論數據能擬合較好，這與圖3的結論相互印證．同時可知，Elman神經網絡在建模過程中因為存在訓練階段，所以總的計算時間達到了14s，但是一旦模型訓練完畢，Elman神經網絡可以對輸入的數據直接進行計算預測，其計算時間約為0．948s，該時間遠小于傳統數值計算PMV參數的運算時間，體現了Elman神經網絡模型預測PMV參數的實時優勢．

4結語

采用Elman神經網絡實現了熱舒適度指標PMV的預測建模，研究了建模中的關鍵技術，給出了優化后的Elman神經網絡模型．數值模擬和仿真的結果表明：（1）優化后的Elman神經網絡能夠對具有時變特征的PMV指標進行快速預測，有較高的準確性；（2）PMV指標的影響因素較多，合理地對一些參數進行假設，能夠簡化建模過程，提高預測效率；（3）建模后的Elman神經網絡參數可以方便地存儲在FPGA等可編程芯片中，為進一步實現系統的硬件監測與控制奠定了基礎．

作者：江沸菠申艷妮甘巧單位：湖南師范大學物理與信息科學學院