[发明专利]基于改进粒子群的T-S模糊神经网络室内空气质量评价系统

摘要

本发明公开了基于改进粒子群的T‑S模糊神经网络室内空气质量评价系统。该系统由智能家居控制中心，室内空气质量检测装置，智能家居控制终端，客户端四个部分组成。该系统可使用户通过电脑或手机的浏览器登录系统的Web服务器查看室内空气质量参数，系统并设有智能控制模式和手动控制模式供用户选择使用，智能控制模式下，无需人为参与，系统根据编入的控制策略智能调节家电，从而使室内空气质量保持在较优的状态下。室内空气质量检测装置CPU中编入的算法模型是在T‑S模糊神经网络的基础上引入改进的粒子群算法，改进的粒子群优化具有良好的全局优化和收敛性能。本发明实现了对室内空气质量的检测、评价与监控，评价结果客观、准确、可靠。

主权项

1.基于改进粒子群的T‑S模糊神经网络室内空气质量评价方法，实现该方法的系统是基于一种智能家居控制装置进行的，所述的智能家居控制装置包括智能家居控制中心、外围电路、传感器模块组、微控制器、网络传输模块、看门狗及复位电路模块、电源模块、智能家居控制终端、客户端；看门狗及复位电路模块和电源模块分别与各微控制器连接，传感器模块组通过外围电路与室内空气质量检测装置微控制器连接，空气质量检测装置采集的数据上传至智能家居控制中心，客户端通过Internet与智能家居控制中心进行交互；智能家居控制中心能够提供支持浏览的访问；外围电路包括温湿度、甲醛、光照值的外围电路；传感器模块组包括采集PM2.5、PM10、一氧化碳、二氧化碳的模块，且与室内空气质量检测装置相连；智能家居控制终端用于驱动下位机并实现开关量的输入输出、红外编码输出；用户端通过PC端或智能手机的浏览器与智能家居控制装置的客户端进行访问交互；微控制器为基于改进粒子群的T‑S模糊神经网络IPSO‑TSFNN模型的算法；网络传输模块置于室内空气质量检测装置和智能控制终端上，网络传输模块为WIFI模块；看门狗及复位电路模块用于保障系统正常运行；电源模块用于提供系统电源；其特征在于：实现该方法具体包括以下步骤：步骤一：系统控制中心操作系统的移植；步骤二：系统控制中心Web服务器的移植；步骤三：系统控制中心CGIC库的移植；步骤四：建立基于IPSO‑TSFNN模型；步骤五：根据国家《室内空气质量标准》 GB/T18883‑2002 建立训练集和检测集，对该网络进行训练和测试，得到可应用的网络模型；步骤六：温湿度传感器，PM2.5、PM10检测器，CO检测器，CO₂检测器，HCHO检测器，光照检测器，实时将采集的数值上传给CPU；步骤七：CPU根据已经训练好的网络模型将PM10检测值，HCHO检测值，CO₂检测值作为输入得到相应评价等级输出值，在智能控制模式下根据预先编入的控制策略智能调节家电，实现对室内空气质量的调节，使室内空气质量保持在较好的状态下；同时将各传感器采集的数值和空气质量等级通过串口发给系统控制中心；步骤八：系统控制中心接收到室内空气检测装置传来的数据后，根据交互的协议解析数据，然后上传到浏览器客户端，供用户实时查看；步骤九：如果用户通过浏览器客户端的按钮下达控制命令，将由控制中心通过串口传输到室内空气检测装置，再由无线WIFI传输到智能控制终端实现对家电的手动控制；所述步骤四的网络模型建立实现具体分为以下步骤：6.1，根据实际环境选取PM10、HCHO、CO₂作为网络模型输入，当然也可根据实际监控环境进行变换；因此网络模型的后件网络输入节点I为3个，隐含节点按M＝2I+1计算，为7个，输出节点为1个，前件网络为输入层、模糊化层、规则层、去模糊化层；6.2，模糊系统参数p_0j，p_ij，隶属度函数的中心c_ij和宽度b_ij的初值分别为(0,1)上的随机数，其中i＝1,2，3，j＝1,2...7；6.3，由6.1和6.2确定需要训练的参数宽度b有21个，中心c有21个，模糊系统参数p_0j各有7个，p_ij有21个，共计70个参数；6.4，将这70个参数组成一个粒子，粒子群算法中种群规模m选为15，每个粒子长度n为70，优化公式如下：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为粒子位置，V为粒子的速度，ii＝1,2,3...70，sign(·)表示符号函数，学习因子c₁和c₂取为2，d为空间维数，其中，r₁，r₂和r₃都是[0,1]区间上均匀分布的随机数，k为迭代次数，P_iid和P_gd分别表示粒子群个体及群体搜索到的最优位置；公式(2)中第一部分先前速度的系数相当于标准粒子群算法的惯性权重，sign(r₃)只有两个取值情况+1和‑1，起到调整速度方向的作用，r₂的随机性较大，会至使粒子一直朝着最好位置的相反方向飞去，离最优解越来越远，这时的粒子群算法会需要更多的迭代来达到全局最优，且会找不到全局最优；为了解决算法存在的收敛速度收敛精度问题增加了自适应调节因子，其L计算公式如(4)，当个体最优位置优于新更新的位置时，说明粒子正在远离较好解，此时让L取值为‑sign(r₃)，使粒子往回调节，避免粒子离较好解越来越远；相反则让L取值为sign(r₃)，加快粒子到较好解位置，通过社会经验与个体经验差值为因子对粒子的反向进行调节，这样既能保证粒子群算法全局搜索与局部搜索的平衡，又提高了收敛速度和收敛精度。