室内环境舒适度的神经网络建模与仿真
神经网络的建模与仿真
神经网络的建模与仿真随着科技的发展，越来越多的研究人员开始将神经网络应用于各个领域，如医疗、金融、自然语言处理等。
神经网络作为现代人工智能技术的核心，其建模与仿真技术也越来越受到关注。
神经网络的建模可以分为两个部分：架构的设计和权值的学习。
架构的设计通常使用基于数据的方法和基于先验知识的方法，其中基于数据的方法采用启发式搜索等技术自动寻找最优结构，而基于先验知识的方法则根据领域知识构建结构。
常见的神经网络架构包括前馈神经网络、循环神经网络、卷积神经网络等。
权值的学习是指通过训练数据来确定神经网络中各个神经元之间的权值，以最小化目标函数。
常见的训练算法包括梯度下降法、反向传播算法等。
仿真是评估神经网络模型性能的重要手段，通过对模型进行仿真可以了解模型在不同条件下的行为，从而优化模型的性能。
仿真工具包括MATLAB、Python等。
在使用这些工具时，需要注意对仿真过程中的各个参数进行控制，以确保仿真结果的准确性和稳定性。
在实际应用中，神经网络经常被用作分类器或回归器。
分类器用于将输入数据归类到不同的类别中，而回归器则用于估计输入数据与输出数据之间的映射关系。
除了分类器和回归器，神经网络还可以用于聚类、降维等任务，如自编码器和深度信念网络。
神经网络的成功应用离不开数据的支撑。
建模和仿真需要大量的数据来支持，数据的准确性和多样性对神经网络的表现影响极大。
因此，在应用神经网络时，需要注意对数据集的选择和预处理，以确保数据质量和可靠性。
总之，神经网络作为现代人工智能的核心技术，在各个领域都有着广泛应用。
神经网络建模和仿真技术的发展为神经网络应用提供了坚实的基础，相信在不久的将来，神经网络将在更广阔的领域内发挥更大的作用。
基于FMLP的热舒适仿真模型
基于FMLP的热舒适仿真模型作者：张瑜来源：《城市建设理论研究》2013年第24期摘要本文在动态热环境中对热舒适的响应过程（重点针对皮肤温度）进行研究，建立了基于FMLP的热舒适仿真模型，通过实验样本进行检测，该模型满足室内空调环境下舒适评估的精度要求，为人体的生理、心理、和行为热调节仿真，以及热环境的评价及控制提供了参考。
这个仿真模型还可以针对不同的空调对象，自适应学习，做到因人而异，提高舒适的满意度。
关键词：动态热环境，热舒适，皮肤温度，FMLP，热舒适仿真模型中图分类号：O571.21+1文献标识码： A 文章编号：1背景随着人们对热舒适性的要求越来越高，如何在节能的前提下达到尽可能高的舒适度是目前研究领域的一个热门话题[1]。
根据“热舒适其实是相对于热不舒适而言”[2-6]的理论，对动态热舒适的研究逐渐增多，然而人体对环境的反应相当复杂，动态热环境尤其如此。
大量的研究表明，人体的热舒适性与环境、气候、个体的生理、心理等因素均有关，这些因素具有多变模糊性，常规的建模难以实现。
本文希望建立动态热环境下，生理指标和热舒适之间的关系，为动态热环境的营造提供依据。
2建模2.1模型介绍FMLP（Fuzzy Multilayer Perceptrons）是一种在结构上类似多层前馈神经网络，在功能上实现模糊推理的模糊神经网络系统。
多层前馈神经网络是利用误差的反向传播训练算法的神经网络，至少含有一个隐含层，可以逼近任意的非线性映射。
FMLP具有大规模并行处理能力，容错性好，每个神经元均是完全独立的信息处理单元，局部的出错不会严重影响整个网络的学习和运算结果。
目标函数存在局部极小值，收敛速度较慢是神经网络学习中需要克服的难点。
神经网络广泛的应用前景，促使大量的优化学习研究不断开展，现在已经提出多种优化方法，例如：引入“动力项”、增添惯性项、改一阶学习算法为二阶梯度法、变步长法等，大大提高了网络的收敛速度和稳定性。
建筑环境热舒适性的仿真与评估模型构建
建筑环境热舒适性的仿真与评估模型构建建筑环境热舒适性是指人们在室内环境中的舒适感受，它与建筑设计、建筑材料、室内装修、空调系统等因素密切相关。
为了提高建筑环境的热舒适性，人们需要通过仿真与评估模型对建筑环境的热舒适性进行研究和评估。
建筑环境热舒适性的仿真与评估模型的构建是一个复杂而综合性的过程，需要综合考虑空气温度、相对湿度、空气流速等多个参数，并运用热力学、流体力学等相关理论进行建模。
以下将介绍建筑环境热舒适性的仿真与评估模型构建的基本步骤。
首先，需要进行建筑环境热舒适性参数的测量与收集。
在建设过程中，可以使用温湿度传感器、热像仪等设备对建筑环境的温度、湿度等参数进行实时监测，并将数据记录下来。
通过收集大量的实测数据，可以更准确地对建筑环境热舒适性进行评估。
其次，需要建立建筑环境热舒适性的数学模型。
这个模型可以通过建筑热环境理论和热力学方程来描述建筑内部的热传导、热辐射和热对流等过程。
同时，还需要考虑建筑外部环境的变化，如太阳辐射、气温等因素对建筑热舒适性的影响。
通过建立数学模型，可以对建筑内部的温度分布、湿度分布等进行预测和分析。
然后，需要对建筑环境热舒适性模型进行仿真。
利用计算机软件，可以对建筑环境的热舒适性进行仿真模拟。
在仿真过程中，可以设置不同的室内外温度、湿度、太阳辐射等参数，并观察仿真结果。
通过反复调整参数，可以找到最佳的建筑环境设计方案，以提供最佳的热舒适性。
最后，需要对建筑环境热舒适性模型进行评估与验证。
通过与实测数据进行对比，可以验证建筑环境热舒适性模型的准确性和可靠性。
同时，还可以评估不同方案的热舒适性指标，如PMV（Predicted Mean Vote）和PPD（Predicted Percentage of Dissatisfied）等指标，以评判建筑环境的热舒适性。
建筑环境热舒适性的仿真与评估模型构建可以帮助设计师在建筑设计的初期阶段就能预测建筑的热舒适性，并进行针对性的优化设计。
基于神经网络的人工智能智能家居设计实验分析
基于神经网络的人工智能智能家居设计实验分析人工智能（Artificial Intelligence，简称AI）作为一项新技术，正在快速渗透到人类生活的方方面面。
智能家居作为其中的一项重要应用，通过结合神经网络技术，实现了更加智能化和智能化的家庭生活体验。
本文将探讨基于神经网络的人工智能智能家居设计实验的分析。
一、引言随着科技的发展，人工智能已经在日常生活中变得越来越普遍。
智能家居技术的快速发展使得人们能够通过智能设备实现家庭的自动化管理和智能控制。
而神经网络作为人工智能的核心技术之一，通过模拟人脑神经网络的工作原理，实现了智能系统的学习和自主决策能力。
因此，基于神经网络的人工智能智能家居设计具有很大的潜力。
二、智能家居设计基于神经网络的智能家居设计需要考虑多个因素，包括传感器技术、网络通信、智能控制等。
其中，神经网络的应用主要体现在智能控制系统上。
通过将神经网络引入到智能家居中，智能设备可以通过学习和感知环境，实现自主决策和智能化的家居管理。
三、智能家居实验设计为了验证基于神经网络的智能家居设计的可行性和效果，我们进行了一系列实验。
首先，我们搭建了一个实验环境，包括传感器节点、通信设备和智能设备。
然后，我们使用神经网络训练模型，以数据集作为输入，学习家庭生活的模式和规律。
最后，我们将训练好的模型应用于实际的智能家居场景，观察系统的性能和效果。
四、实验结果与分析通过实验，我们发现基于神经网络的智能家居设计具有以下优点：1. 学习能力强：神经网络可以通过大量的数据学习家庭生活的规律和模式，从而实现智能化的家居控制。
2. 自主决策：通过神经网络的训练，智能设备可以对环境变化做出自主决策，优化家庭资源的利用和节约。
3. 适应性强：神经网络的学习能力使得智能家居设计能够适应家庭成员的习惯和需求，提供个性化的服务和控制。
五、实验结论基于神经网络的人工智能智能家居设计实验表明，该设计方法具有良好的效果和应用前景。
复杂系统的建模与模拟
复杂系统的建模与模拟随着科学技术的不断发展，越来越多的领域需要研究和探索复杂系统，如生态系统、社会经济系统、气候系统等。
这些系统具有多变的因素和相互作用，因此需要进行建模和模拟来更好地理解和预测其变化趋势。
本文将讨论复杂系统的建模与模拟，并介绍几种常用的建模方法和模拟技术。
一、复杂系统的建模复杂系统的建模是指将一个系统抽象为一组数学方程或计算模型，以便进行分析和预测。
根据系统的不同特性，可以采用不同的数学和计算技术进行建模。
下面是几种常用的建模方法：1. 系统动力学建模系统动力学是一种系统性的思维方式和工具，用于描述和分析各种复杂系统的结构和行为。
它基于一些基本概念，如流量、库存、反馈环路等，并且使用一些图形和符号来表示这些概念之间的关系。
系统动力学建模可以揭示系统内在的动态机制和复杂性，因此在生态系统、经济系统和社会系统等领域有广泛应用。
2. 代理基模型建模代理基模型是基于一些简单的代理（通常是个体）的建模方法，这些代理具有单独的行为规则和反应机制。
这种模型通常用于模拟相互作用的个体行为，如群体动力学、交通流和自然灾害等。
这一方法的优点是简单易于理解，然而，对于复杂的代理行为，建模的难度会增加，同时需要更多的计算资源。
3. 神经网络建模神经网络是一种模仿人工神经网络的学习能力和适应能力的计算工具。
这种模型以节点和连接作为基本单元，节点之间的连接加强或减弱以识别模式和学习规则。
神经网络模型可以被应用于复杂系统的分类、预测和控制，如金融市场、医疗数据分析和智能交通管理等。
二、复杂系统的模拟复杂系统的模拟是指将建模结果输入计算机，通过模拟系统行为模型来生成人类预期的行为结果。
根据角度不同，可以将模拟方法分为不同的几类：1. 离散事件仿真离散事件仿真是一种建立在事件间隙的数学模型上的仿真技术。
该方法通过仿真一定的时间上的离散事件流来模拟系统行为。
离散事件仿真可以应用于一些非连续的系统，如机器制造、物流链等，因为在这些系统中事件的发生通常是相对独立的。
神经元和神经网络的建模和仿真
神经元和神经网络的建模和仿真神经元是神经网络的基本单元，它负责处理和传递信息。
神经网络是由多个神经元组成的网络，它能够模仿人类大脑中的神经处理和计算过程。
在现代科学技术的支持下，研究人员不断尝试建立和仿真神经元和神经网络，以探索人类大脑的机制，以及为人工智能的发展奠定基础。
一、神经元的建模和仿真神经元具有高度的复杂性，它包括细胞体、树突、轴突、突触等结构。
神经元的信号传递也非常复杂，包括神经元内部信息的传递和神经元之间信息的传递。
因此，为了更好地理解和研究神经元，研究人员需要将神经元建模并进行仿真。
建模神经元的过程非常复杂，需要考虑神经元的各种结构和功能。
其中一个流行的建模方法是Hodgkin-Huxley模型，该模型基于对贝塞尔方程和电势动力学的理解，揭示了神经元的动作电位形成机制。
而在神经元的仿真过程中，关键是如何模拟神经元的活动电位传递。
通常采用的方法是离散化和数值求解，通过模拟神经元内部信息传递的机制，以及神经元与神经元之间的信息传递，从而实现神经元的仿真。
二、神经网络的建模和仿真神经网络是由多个神经元相互链接形成的网络，它是一种重要的计算模型，在人工智能领域得到了广泛的应用。
神经网络的建模和仿真需要考虑多个因素，包括神经元种类、拓扑结构、连接方式和学习算法等。
神经网络的建模方法有很多种，其中最流行的是前馈神经网络和循环神经网络。
前馈神经网络是一种最简单的神经网络，信息只能从输入层流向输出层，没有反馈回路。
而循环神经网络可以实现反馈回路，能够更好地处理序列数据等特殊的模型。
神经网络的仿真需要采用数值方法，对神经网络的动态行为进行建模和求解。
通常采用的方法是离散化和迭代求解，其中离散化是将连续的时间和空间离散化为离散的步数和网格，迭代求解则是将离散化后的模型在时间和空间上迭代求解。
三、未来展望神经元和神经网络的建模和仿真是神经科学和人工智能领域的一个重要研究方向。
未来，随着计算机技术的不断发展和计算能力的提高，神经元和神经网络的建模和仿真将变得更加精确和高效。
无线网络的信道建模与仿真
无线网络的信道建模与仿真随着无线网络技术的不断发展，越来越多的人们开始依赖无线网络来进行各种活动，比如上网、在线游戏、移动支付等等。
然而，在无线网络中，信道建模是一个非常重要的问题，因为它会直接影响到无线网络的性能。
因此，在无线通信中，进行信道建模和仿真是非常必要的。
接下来，本文将对无线网络的信道建模和仿真进行简要介绍。
一、信道建模信道建模是通过建立数学模型来描述无线信道的传输特性。
由于无线信道存在很多不同的影响因素，如多径效应、衰减、噪声、多普勒效应等，因此建立一个完整的信道模型是非常复杂的任务。
在一般情况下，我们可以将无线信道分为两大类：确定性和随机性信道。
1、确定性信道模型确定性信道是指那些可以用简单的数学公式或几何模型来描述其传输特性的信道。
在这种情况下，我们可以通过一些传输参数来确定整个信道系统，因此确定性信道模型是非常理想的。
例如，在室内环境中，我们通常使用射线跟踪技术来建立信道模型。
这种技术会将射线从信号源发出，并依次经过墙壁、障碍物等，最后到达接收端。
通过计算射线的路径和传输时延，我们可以获得信号的传输特性，从而建立信道模型。
2、随机性信道模型随机性信道是指那些在传输过程中存在波动和变化的信道，这种信道很难用确定性模型来描述。
在这种情况下，我们需要使用随机过程来进行建模。
通过将无线信道视为随机事件的产生过程，并使用随机变量和随机分布来表征其状态，我们可以建立出一个具有随机性的信道模型。
在现实应用中，例如移动通信系统中，随机性信道模型通常用于模拟移动终端在不同地点、不同速度下的传输特性。
二、信道仿真信道仿真是指利用计算机模拟无线信号传输的过程。
通过在计算机中实现信道模型，并对系统进行仿真分析，我们可以评估无线通信系统的性能和可靠性。
对于无线网络的研究工作者来说，信道仿真是非常必要的工作，因为它可以帮助我们设计和优化无线通信系统的参数，并为我们提供实验数据以验证理论分析的有效性。
在信道仿真的过程中，我们需要选取适当的仿真工具和软件。
神经网络在空气污染预测中的应用研究
神经网络在空气污染预测中的应用研究随着城市化进程的加快和工业化程度的提高，空气污染成为了大家关注的焦点问题。
在过去的几十年间，科学家们通过不断的研究和运用各种技术手段，对空气质量的监控、预测和治理取得了一定的进展。
而其中一个被广泛运用的技术便是神经网络。
下面本文将结合案例，对神经网络在空气污染预测中的应用展开研究。
一、神经网络是什么神经网络是一种基于人造神经元之间相互连接而构建起来的拓扑结构，以实现对信息的处理和模拟人类大脑决策的机器学习模型。
它的核心思想是通过训练数据集来获得模型的隐式知识，使之能够自动预测、分类和识别目标，具有更强的自适应性和泛化性能。
在计算机科学、工业控制、金融服务、医学诊断等领域具有极广泛的应用。
二、神经网络在空气污染预测中的应用案例随着空气污染日益加剧，人们对于监测和预测空气污染的要求也越来越高，其中神经网络就成为了一种常用的预测手段。
以我国的广东省为例，广东省环境监测中心曾经利用神经网络对大气污染物进行预测，以辅助和改进环境监测与预警水平。
该研究从广东省2012年PM2.5实时数据中获得了67,869条统计数据，以外部数据因素（如湿度、温度、风速等）和PM2.5水平输入神经网络进行建模、模拟和优化。
经过训练和测试，该模型的准确度和稳定性得到了较高的确认，有效地提高了预测精度和预警预报能力。
三、神经网络在空气污染预测中的优势环境污染是一个非常复杂的系统问题，涉及到众多因素的综合作用，比如人类活动、气象因素、自然环境和生态系统等。
这其中，许多关键因素尤其是非线性因素，很难用传统的数学模型和统计学方法来描述。
而神经网络在解决这类问题时，具有如下的独特优势。
1. 非线性建模能力强神经网络可以通过多层连接和非线性转换来实现对于复杂污染影响因素和污染物间相互作用的深度解析和建模。
这样不仅可以为预测准确度提供了可靠依据，也可以在一定程度上解决传统模型面对较为复杂系统和多源数据集时可能出现的过拟合和欠拟合问题。
建筑室内环境建模控制与优化及能耗预测
建筑室内环境建模控制与优化及能耗预测建筑室内环境建模控制与优化的作用越来越受到重视，因为它能够提高建筑物的舒适性、健康性和能源效率。
在这篇文章中，我们将讨论建筑室内环境建模控制与优化的重要性，并介绍一些常用的方法和技术，以及它们的能耗预测。
建筑室内环境建模控制与优化是利用计算机模型和控制算法来控制建筑内部环境的温度、湿度、光照等参数，以提供舒适和健康的室内环境。
这种技术可以通过调整空调、加热、通风和照明系统的操作来实现。
传统上，室内环境控制主要依靠人工操作，但是人工操作往往不够精确和高效。
通过建筑室内环境建模控制与优化，可以实现智能化的、自动化的室内环境控制，提高舒适性和健康性，同时降低能源消耗。
建筑室内环境建模控制与优化的方法和技术有很多，其中最常用的是基于物理模型和数据驱动模型的方法。
基于物理模型的方法是根据建筑物的结构和热力学原理建立数学模型，通过求解模型方程来计算建筑物的室内温度、湿度等参数。
这种方法需要建筑物的详细几何信息和材料参数，计算复杂度较高。
数据驱动模型则是基于历史数据和统计分析来预测未来的室内环境状态，通过建立数据模型来进行决策和控制。
这种方法不需要建筑物的详细信息，计算速度较快，但是准确性相对较低。
对于建筑室内环境控制与优化，能耗预测是一个重要的问题。
能耗预测可以帮助建筑管理者和设计师在决策过程中考虑能源利用效率，并采取相应的措施来降低能源消耗。
能耗预测可以通过建筑能耗模型和运算模型进行，建筑能耗模型是根据建筑物的特性和用途建立的数学模型，通过对建筑物的能耗过程进行建模和仿真来进行预测。
运算模型是基于历史数据和统计分析来预测未来的能耗状况，通过建立数据模型来进行决策和控制。
通过能耗预测，可以识别能源消耗的高峰时段和原因，进一步优化建筑室内环境控制策略，降低能源消耗。
在建筑室内环境建模控制与优化和能耗预测的过程中，数据的收集和处理非常重要。
建筑物的室内环境数据可以通过传感器和监测系统获得，这些数据可以包括温度、湿度、光照等参数。
《全空气空调系统室内热湿环境数值模拟与热舒适性研究》
《全空气空调系统室内热湿环境数值模拟与热舒适性研究》一、引言随着科技的不断进步，空调系统已成为现代建筑中不可或缺的设施之一。
全空气空调系统以其高效、灵活的特点，广泛应用于各类建筑中。
然而，为了确保室内环境的舒适性，对全空气空调系统进行热湿环境的数值模拟和热舒适性研究显得尤为重要。
本文将探讨全空气空调系统室内热湿环境的数值模拟方法，并分析其对热舒适性的影响。
二、全空气空调系统概述全空气空调系统是一种以空气为介质进行温度调节的空调系统。
它通过新风系统和回风系统的配合，实现室内外空气的交换和温度调节。
全空气空调系统具有灵活性强、处理能力强、能满足多种环境需求等优点，广泛应用于各类建筑中。
三、室内热湿环境数值模拟为了研究全空气空调系统对室内热湿环境的影响，本文采用数值模拟的方法。
首先，建立室内外环境的物理模型，包括建筑结构、空调系统布局等。
然后，利用计算流体动力学（CFD）技术对室内热湿环境进行模拟。
通过设定不同的参数（如温度、湿度、风速等），观察室内热湿环境的分布和变化情况。
四、模拟结果分析根据数值模拟结果，我们可以得出以下结论：1. 温度分布：全空气空调系统能够有效地调节室内温度，使温度分布更加均匀。
然而，在局部区域（如角落、遮挡处）仍可能出现温度偏高或偏低的情况。
2. 湿度分布：全空气空调系统对湿度的调节作用显著。
在湿度较高的环境中，通过合理的空调设置，可以有效地降低室内湿度，提高居住舒适度。
3. 风速分布：风速对热舒适性具有重要影响。
适当的风速可以改善室内通风状况，提高居住者的舒适度。
然而，过高的风速可能导致人体感到不适，因此需合理控制风速。
4. 热舒适性：综合考虑温度、湿度和风速等多个因素，全空气空调系统能够显著提高室内热舒适性。
然而，不同人群对热舒适性的需求存在差异，因此需根据实际情况进行个性化调节。
五、个性化调节与优化策略针对不同人群对热舒适性的需求，全空气空调系统应采用个性化调节与优化策略。
神经回路的建模与仿真
神经回路的建模与仿真神经回路是神经系统中的一个重要组成部分，其中包括神经元和它们之间的突触连接。
研究神经回路的工作原理是理解神经系统的一个关键。
神经回路的建模与仿真是一种重要的研究方法。
它通过将复杂的神经回路抽象为数学模型，进而进行计算机仿真，模拟神经回路的运行和行为，探究神经系统的机理和功能。
本文将从神经回路建模的基本理论入手，介绍目前主流的神经回路模型，以及它们在仿真中的应用和展望。
一、神经回路建模的基本理论神经回路建模涉及的主要理论是计算机科学和生物学交叉的神经科学。
它要解决的主要问题是如何将神经元和突触连接等复杂的神经结构，转化为能够计算机识别和处理的数学模型。
在神经模型中，神经元通常通过描述其典型的电化学特性来表达，突触连接通常采用脉冲神经网络模型，来描述其电生理特性。
除此之外，神经回路建模中还考虑了神经元之间的空间关系、时间因素等方面。
神经回路的建模有很多不同的方法，其中包括传统的分散式神经网络（Distributed Neural Network，DNN）、反向传播神经网络（Back Propagation Neural Network，BPNN）、Hopfield神经网络等。
但是，这些方法都面临着不同的缺点，如收敛速度缓慢、鲁棒性差等。
因此，新的神经元模型逐渐涌现。
二、主流的神经回路模型在神经回路建模的研究中，出现了许多不同的神经元模型，其中最知名的是Hodgkin-Huxley模型。
1. Hodgkin-Huxley模型Hodgkin-Huxley模型是由阿兰·派恩、安德鲁·霍奇金和珍·哈夫是共同开发出来的，它被认为是最早最经典的神经元模型。
Hodgkin-Huxley模型是基于针对神经元膜电位变化的实验研究所推导出来的，它考虑了神经元膜电位与电流之间的关系，将神经元看作一个电路，模拟神经元作为一个复杂的电路系统的行为。
当神经元发生兴奋时，它通过神经元膜上的离子通道释放离子，进而改变了神经元膜的电位，而当神经元处于抑制状态，则通道关闭。
基于优化神经网络模型的系统建模仿真研究
基于优化神经网络模型的系统建模仿真研究曲东才;范绍里;吴光彬;彭军【期刊名称】《海军航空工程学院学报》【年(卷),期】2008(023)003【摘要】建立一个结构优化的系统模型是设计控制系统的基础,但对于实际系统尤其是非线性系统一般没有统一表达形式,其模型结构难以构造,对其结构优化难以实施,给非线性系统建模带来很大困难.为此,基于神经网络理论,分析了非线性系统的神经网络模型并对其神经网络模型结构进行仿真研究.基于OBS (Optimal Brain Surgeon)优化策略,对初始神经网络模型结构进行优化操作,进而获得结构优化的神经网络模型并对非线性系统的建模进行仿真.仿真结果表明,优化的神经网络模型对非线性系统的建模效果是良好的,其模型的泛化能力亦得到增强.【总页数】5页(P288-292)【作者】曲东才;范绍里;吴光彬;彭军【作者单位】海军航空工程学院,控制工程系,山东,烟台,264001;海军航空工程学院,七系,山东,烟台,264001;海军航空工程学院,控制工程系,山东,烟台,264001;海军航空工程学院,新装备培训中心,山东,烟台,264001【正文语种】中文【中图分类】TP183【相关文献】1.基于Modelica的电动汽车制动系统建模仿真与参数优化 [J], 熊会元;詹爽;于丽敏;周玉山2.基于系统建模仿真分析的安吉整车物流多式联运网络优化设计 [J], 吴传良;胡钢;陈为3.基于WITNESS的看板生产系统建模仿真与优化研究 [J], 吴媛媛;余海明;吴隆4.基于GA优化BP神经网络模型的污水管道系统健康状况评估 [J], 杨利伟;邢雯雯;张莉平;赵传靓;周煜欣;路鹏;李昊5.基于Petri网的包装物流系统建模仿真与优化 [J], 王大威;郭彦峰因版权原因，仅展示原文概要，查看原文内容请购买。
室内环境温控系统建模研究
室内环境温控系统建模研究吴豪;方潜生;杨亚龙【摘要】影响人体热舒适的因素有很多,其中环境温度是最为主要的可控因素,研究室内环境的温控特性具有重要的意义.然而室内环境是一个复杂的热力系统,环境温度受多种不确定因素影响,数学模型很难精确确定,经典控制方法难以实现节能与舒适的平衡.针对上述实际,该文通过机理分析和系统辨识2种建模方法的有机结合,确定了室内环境温度的数学模型;在原有控制系统基础上加入模糊控制的思想,对改进后的控制系统进行仿真.仿真结果表明所建模型更接近实际,更便于控制;改进控制具有更快的动态响应、更小的超调,抗干扰能力更强,节能、舒适效果更明显.【期刊名称】《自动化与仪表》【年(卷),期】2015(030)010【总页数】5页(P5-9)【关键词】热舒适;机理分析;系统辨识;模糊控制【作者】吴豪;方潜生;杨亚龙【作者单位】安徽建筑大学电子与信息工程学院,合肥230022;安徽省智能建筑重点实验室,合肥230022;安徽建筑大学电子与信息工程学院,合肥230022;安徽省智能建筑重点实验室,合肥230022;安徽建筑大学电子与信息工程学院,合肥230022;安徽省智能建筑重点实验室,合肥230022【正文语种】中文【中图分类】TP273.4热舒适是人对周围热环境所做的主观满意度评价[1]。
影响人体热舒适的因素主要有环境因素（空气温度、平均辐射温度、相对湿度、气流速度）和个人因素（人体活动量、衣着情况），其中空气温度是最为主要的可控因素[2]。
随着我国经济发展以及人民生活水平的提高，人们对室内环境舒适性要求日益增高与能源愈发紧张的矛盾越来越严重，这就迫使寻找最佳热舒适方案。
空调是改善室内环境热舒适状况不可或缺的一部分，近年来出现的地板送风、工位送风等新的空调形式，在一定程度上缓解了上述矛盾。
然而空调控制系统比较复杂，运行过程中受各种不确定因素（人员流动、门窗启闭、生产工艺、设备散热等）影响，精确的数学模型很难确定，经典控制方法难以兼顾节能与舒适的要求。
建筑室内空气环境虚拟仿真实验
建筑室内空气环境虚拟仿真实验简介建筑室内空气质量对人们的生活和健康有着重要的影响。
为了提高室内空气的质量，建筑师和设计师需要进行一系列的实验和仿真来评估和优化建筑的环境效果。
其中，室内空气环境虚拟仿真实验是一种常用的方法。
什么是室内空气环境虚拟仿真实验？室内空气环境虚拟仿真实验是通过计算机模拟室内环境的各种参数，如空气流速、温度、湿度、污染物浓度等，来评估室内空气质量和环境效果的一种方法。
通过仿真，我们可以了解不同设计方案的优劣，并进行有针对性的改进。
实验流程室内空气环境虚拟仿真实验通常包括以下几个步骤：1.建模：首先，需要根据实际建筑的几何形状和结构，利用计算机辅助设计软件创建建筑模型。
建模过程需要考虑建筑的各种区域、墙壁、天花板、地板等，以及通风系统、空调系统等设备的位置和形状。
2.设定参数：在建模完成后，需要设定各种实验参数，比如室内外温度、湿度、人员数量等。
这些参数会影响室内空气质量的分布和流动。
3.运行仿真：设定好参数后，可以通过虚拟仿真软件运行模拟。
仿真软件会基于建模和设定参数，计算模型中各个位置的空气质量和环境效果。
4.分析结果：仿真完成后，需要分析和评估仿真结果。
可以通过可视化工具查看室内空气质量的分布图、动态效果图、温湿度变化曲线等，从而判断室内环境是否达到设计标准。
5.优化设计：根据仿真结果和分析，可以发现建筑设计中存在的问题和不足之处。
针对这些问题，设计师可以进行有针对性的优化，比如调整通风系统的布局、增加空气净化设备等。
虚拟仿真软件目前市场上有许多专业的室内空气环境虚拟仿真软件，比如ANSYS Fluent、COMSOL Multiphysics等。
这些软件提供了丰富的功能和工具，可以模拟室内空气流动、传热、湿度调控等多个方面，并输出可视化的结果。
虚拟仿真软件通常使用计算流体动力学（CFD）方法来解决室内空气流动和传热问题。
该方法基于流体力学原理，通过求解流体的控制方程组来模拟流动的速度、压力、温度等参数。
建筑空间气流流场模拟与室内环境舒适性评估
建筑空间气流流场模拟与室内环境舒适性评估近年来，随着人们对生活质量的要求不断提高，建筑空间的室内环境舒适性成为了一个关注的焦点。
在建筑设计和实际使用过程中，对室内空气流动状况的模拟与评估变得愈发重要。
基于此，建筑空间气流流场模拟与室内环境舒适性评估成为了设计师和研究人员们关注和研究的热门领域。
建筑空间气流流场模拟是通过数值模拟手段计算建筑空间内的气流流动状态。
流体动力学模拟（CFD）是其中最常用的方法之一。
CFD 可以通过数学模型对建筑内各个位置的温度、湿度、压力等因素进行模拟计算，并对空气流动情况进行预测。
通过改变不同的设计参数，如风机布局、开窗位置和大小等，可以优化建筑内的空气流动效果，提高室内的空气品质和舒适性。
在进行建筑空间气流流场模拟前，需要确定一些基本参数，如建筑形状、通风系统的布局和材料的传热性能等。
然后，使用CFD软件，输入建筑的几何模型和物理参数，包括建筑的大小、楼层高度、墙体结构等，以及室内外的温度、湿度和压力等数据。
通过CFD模拟软件计算，可以得到建筑内部各个位置的流速、压力和温度等参数。
基于建筑空间气流流场模拟的结果，可以进行室内环境舒适性评估。
舒适性评估包括室内空气质量、室内温湿度舒适度和室内噪音水平等指标的评估。
通过建筑空间模拟，可以提前预测和评估不同设计方案对于这些指标的影响，进而优化设计方案，提供更好的室内环境。
在实际应用中，建筑空间气流流场模拟与室内环境舒适性评估可以帮助设计师和建筑工程师更好地理解建筑内部空气流动的分布和特性。
通过模拟分析，可以提供一些实用的设计建议，如调整通风口的布局、采用适当的隔墙设计等，来改善室内空气质量和舒适性。
此外，在建筑施工过程中，基于模拟结果还可以通过调整材料、增设隔音装置等方式，进一步提升室内环境的品质。
然而，建筑空间气流流场模拟与室内环境舒适性评估仍然存在一些挑战。
首先，模拟软件的准确性和可靠性需要进一步提升，以提供更准确的模拟结果。
基于卷积神经网络的室内定位技术研究
基于卷积神经网络的室内定位技术研究近年来，室内定位技术备受关注，并在各个领域得到广泛应用。
基于卷积神经网络的室内定位技术是其中的一种重要方法。
本文将针对该技术进行深入研究，探讨其原理、方法和应用等方面的内容。
首先，我们来了解一下卷积神经网络。
卷积神经网络（Convolutional Neural Network, CNN）是一种在计算机视觉领域广泛应用的深度学习模型。
它通过对输入数据进行卷积操作和池化操作，逐层提取特征，从而实现对图像等数据的高效处理和识别。
在室内定位领域，基于卷积神经网络的方法借助于其对图像数据的强大处理能力，可以通过处理接收到的Wi-Fi信号信息和环境图像等数据，实现室内定位的精确和快速。
具体而言，室内定位系统通过收集并处理Wi-Fi信号和环境图像，将其转化为输入数据，经过多层的卷积神经网络进行特征提取和定位计算，最终得到目标物体或人员的准确位置坐标。
基于卷积神经网络的室内定位技术的优势主要体现在以下几个方面：首先，卷积神经网络可以对复杂、多变的室内环境进行有效的特征提取。
室内环境中存在大量的信号干扰，但卷积神经网络可以通过多层的卷积和池化操作，自动学习并提取出与室内定位相关的有效特征，从而减小了环境干扰对定位精度的影响。
其次，卷积神经网络具有较快的计算速度和较小的计算量。
由于室内定位需要实时性，因此对于定位算法的计算效率有较高的要求。
基于卷积神经网络的定位方法通过对输入数据的并行处理和权值共享，大大减少了计算量，并实现了定位速度的提升。
第三，基于卷积神经网络的室内定位技术可以很好地解决多物体定位和多人员定位的问题。
在室内环境中，往往存在多个目标物体或多个人员需要进行定位。
传统的定位算法通常难以同时处理多个目标，而卷积神经网络可以通过多输出层的设计，实现对多目标的定位。
基于卷积神经网络的室内定位技术在很多应用场景中都有广泛的应用前景。
例如，室内导航系统可以利用该技术为用户提供准确的导航服务，帮助用户快速找到目标位置；室内安防系统可以利用该技术实现对室内人员的实时定位和监控，提高安全性和反应速度。
基于虚拟现实技术的室内仿真与布局优化设计
基于虚拟现实技术的室内仿真与布局优化设计虚拟现实（Virtual Reality，简称VR）技术作为一种沉浸式交互技术，已经在多个领域得到广泛应用。
在室内布局设计方面，虚拟现实技术能够帮助设计师以更直观的方式展现设计方案，同时通过优化布局，提供更优质的居住、工作和生活环境。
本文将重点探讨基于虚拟现实技术的室内仿真与布局优化设计。
首先，基于虚拟现实技术的室内仿真能够有效地模拟现实环境，让用户感受到真实的体验。
通过使用专业的VR设备，用户可以在虚拟环境中自由行走、观察、交互，准确感受到不同设计方案的细节和空间感。
设计师可以将建筑模型、家具摆放和装饰等元素在虚拟环境中进行实时调整，以对不同设计方案进行逐步优化。
这种仿真能力使得设计师能够在实际施工前就能够预测和解决潜在的问题，从而节约时间和成本。
其次，基于虚拟现实技术的室内布局优化设计可以满足用户个性化的需求。
在虚拟环境中，用户可以根据自己的喜好和需求，自由选择、调整家具、材料、装饰等元素，并实时预览效果。
设计师可以根据用户的反馈和意见，进行实时修改和优化，以最大程度地满足用户的期望。
虚拟现实技术的高度互动性和自由度，使得用户可以参与到设计过程中，提前体验到最终的室内布局效果，从而增加用户的满意度和参与度。
此外，基于虚拟现实技术的室内布局优化设计还能够提高设计效率和减少错误。
在传统的设计过程中，设计师需要通过手绘或者使用CAD软件进行设计方案的制作和修改，这些过程都需要一定的时间和经验。
而使用虚拟现实技术，设计师可以直观地在虚拟环境中进行设计，省去了繁琐的绘图和修改步骤。
设计师可以实时将自己的想法和创意转化为可视化的效果，快速进行布局优化和模拟评估。
这种高效的设计过程能够帮助设计师更好地控制设计质量，从而减少施工过程中的错误和问题。
虚拟现实技术的室内仿真与布局优化设计还能够提供更多的设计选择和比较。
在虚拟环境中，设计师可以简单地更换不同的材料、家具、装饰等元素，并即时预览效果。
基于神经网络的自适应控制系统设计与仿真
基于神经网络的自适应控制系统设计与仿真随着科技的发展，控制系统在日常生活中得到了广泛的应用，例如：家庭智能化控制系统、工业自动化控制系统等。
而神经网络作为一种类似于人脑的计算机模型，已经被广泛应用于控制系统中。
本文将以神经网络为基础，探讨如何设计与仿真基于神经网络的自适应控制系统。
一、神经网络的控制原理神经网络由多个神经元构成的网络，可以实现复杂的非线性系统的建模和控制。
在神经网络中，输入信号经过加权处理后，会传递到隐藏层，最终输出到输出层。
神经网络可以基于所学习到的知识对输入数据进行处理，并输出对应的数据。
神经网络在控制系统中的核心原理，就是利用其学习和记忆的能力，对于系统中的复杂非线性关系进行学习和模拟。
神经网络可以不断根据系统的反馈信息进行调整，从而逐渐达到一个稳态的控制。
二、基于神经网络的自适应控制系统设计在设计基于神经网络的自适应控制系统时，主要分为以下几个步骤：1. 确定系统模型首先需要确定系统的模型，即输入与输出的变量关系及其参数。
如果系统的模型较为简单，可以手动推导得到；如果系统较为复杂，则需要通过实验来获得系统的参数。
获得系统的模型后，可以用神经网络来模拟系统的非线性特性，以实现系统控制。
2. 神经网络选型在确定系统模型后，需要选择适合的神经网络。
常用的神经网络结构有BP神经网络、RBF神经网络、Hopfield神经网络等。
不同的模型和应用场景需要选择不同的神经网络来实现。
3. 神经网络训练对选定的神经网络进行训练，使其能够准确地模拟系统的行为。
训练可以采用梯度下降算法、反向传播算法等方法，通过迭代调整网络的权值和阈值向目标函数收敛的过程，得到满足要求的控制模型。
4. 控制器的设计和实现根据所选的神经网络模型和训练结果，设计出控制器，并对其进行实现。
在实现控制器时，需要考虑电路元器件的匹配和输出电信号的传输延迟等因素，以保证控制的稳定性和精度。
三、基于神经网络的自适应控制系统仿真完成基于神经网络的自适应控制系统设计后，需要进行仿真测试。
一类非线性系统的神经网络控制器建模方法及其仿真研究
型形式 ：
ｚ （）＝ １
（） （） Ａ， ｆ ， ｆ
（ ） ＋ｂ （） （ ） ） ｕｔ １
其 中＿ 已知或耒知的连续函数 ， 为控制增益 ， 厂 是 ６ ｎ∈ Ｒ， Ｙ∈ Ｒ分别是系统的控制和输出 。 控制 目标是使 状态 向量 Ｘ
’ｆ ＋ ｈｅ （） （）＋Ａ ＋ （ ）＝０ ＜ ｔ ｔ
（） ２
４ 信 息的并行处理方式 使得快 速进行 大量 的运算 成为 ）
可能 ： 因此 ， 工 神 经 元 网络 在 解 决 高 度 非 线 性 和严 重 不 确 定 人
其中 ， 所有 ．ｉ＝ １２ … ， ） （ ， ， ｎ 均是经适 当选择 的常数 ， 它保证式 （ ） ２ 的线性闭环 系统具 有满 意的特性 。 比较式 （ ） １、 或（ ）很容易求得反馈控制律 为 ： ２，
２ 反馈 线 性化
一
类 连续时 问动态 系统的动 态方程可 以表达 为如下 典
定性过程 和非线性 及 时变 的特 点 ， 难于精 确建模 ， 有的虽 可 以建立粗略 的摸 型 ， 遇 到求解 的 困难， 势 必给控 制系 但 这 统带来越来越高 的要 求。由 于人工 神经元 网络 具有一 定 的 自学习 、 自适应 和非线 性映 射能 力及 容错性 等 ， 它在控 制领 域中 的应用 已经 成为发 展 的必然 趋势。人 工神经 元 网络控 制的一个显著 的特点是 ： 输＾到对象上 的动作 信号是 由神经 元 网络为基础 的控制器产 生的… 。 人工神经元网络控制 的基本思 想是从仿生学 的角度 ， 模 拟人脑神经 系统 的运作 方式 ， 机器 具有人 脑那样 的 感知 、 使 学 习和推 理能力 。对 控制科学 而盲 ， 工神经 元 网络具有 以 人
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｌ ｎ ＣＨＥＮ ａ ＩＴｉ ｇ ． Ｙｕ ｎ—ｍ ｉ
（ ．Ｉｓｔｔ ｏ ｌ ｔｃ ｏ ｅ， ｏｔ Ｃ ｉａＵ ｉｅ ｉ ｆ ｅｈ ｏ ｇ ，Ｇ ａｇｈｕＧ ａｇｏｇ５０ ４ ，Ｃ ｉａ １ ｎｔｕｅ ｆ ｅ ｒ ｗ ｒ Ｓ ｕ ｈｎ ｎｖｒ ｔ ｏ ｃｎｌ ｙ ｕ ｎｚｏ ｕ ｎｄｎ １６０ ｈｎ ； ｉ ｅ ｃｉｐ ｈ ｓｙ Ｔ ｏ
关 键 词 ： 适 度指 标 ； 时 ； 经 网 络 舒 实 神
中 图分 类 号 ：Ｐ ８ Ｔ １３ 文献 标 识 码 ： Ｂ
Ｉ ｏ ｒ Ｔｈ ｒ ａ ｍ ｆ ｒ ｏ ｌ ｎ Ｓ ｍ ｕｌ ｔｏ ｎｄ ｏ ｅ ｍ ｌＣｏ ｏ ｔＭ ｄｅｉ ａ ｄ ｉ ｎｇ ａｉｎ ｗｉｈ Ｎｅ ａ ｔ ｒ ｔ ｕｒ ｌＮｅ ｗｏ ｋ
Ｇ ａｇｈｕＧ ａｇｏｇ５０ ０， ｈｎ ） ｕｎ ｚｏ ｕｎｄｎ １６ ４ Ｃ ｉａ
ＡＢＳ ＴＲＡＣＴ： ｈ ｉ ｕ ｐ ｓ ｆ ａｒｃ ｎ ｉ ｏ ｉ ｇ ｓ ｓ ｍ ｓ ｔ ｒｖ ｄ ｏ ｆ ｒ ｂ ｅ ｅ ｖｒ ｍｅ ｔ ｈ ｅ ａｉｎ ｈ ｐ Ｔ ｅ ｍａｎ ｐ ｒ ｏ ｅ ｏ ｉ ｏ ｄ ｔ ｎｎ ｙ ｔ ｉ ｏ ｐ ｏ ｉ ｅ ａ ｃ ｍ ｏ ｔ ｌ ｎ ｉ ｉ ｅ ａ ｏ ｎ ．ｔ ｅ ｒｌ ｔ ｓ ｉ ｏ ｂ ｔ ｅ ｎ ｔ ｅ ｔ ｅｍａ ｏ ｏ ｄ ｘ Ｓ Ｔ ｅｗ ｅ ｈ ｒ ｌ ｍ ｒ ｉ ｅ Ｅ ｈ ｃｆ ｔ ｎ ａ ｄ ｔ ｏ ｅ ｅ ｖｒ ｎ ｎａ ａ ｔｒ ｉｈ ａ ｅ ｔ ＥＴ ｎ ｈ ｓ ｎ ｉ ｍｅ ｔｌｆｃ ｏｓ ｗｈｃ ｆ ｃ ｅ Ｓ ｏ ｉ ｅ ｙ ｃ ｍｐ ｉａｅ ｓｖｒ ｏ ｌ ｔｄ ｃ
ａ ｄ ｎ ｎ ｉｅ ｒ ｈ ｒ ｆｒ ａ ｏ ｅ ｈ ｅ ｌ ｉ ｅｍａ ｏ ｆ ｒ ｉ ｄ ｘ ｎ ｌ ｔｃ ｎ ｎ ｔｍｅ ｔｔ ｅ ｒ ｑ ｉｅ ｎ ｏ ｌ ａ ，ｔｅ ｅｏ ｅ ｉ ｃ ｎ ｎ ｔｇ ｔｔ ｅ ｒ ａ —ｔ ｎ ｔ ｍｅ ｔ ｒ ｌｃ ｍ ｏ ｎ ｅ ，ａ ｄ ａｓ ｉ ａ ｏ ｅ ｈ ｅ ｕ ｒ — ｈ ｔ ｏ ｍｅ ｔ ｏ ａ —ｔ ｏ ｔ １ ｎ ｔ ｅｐ ｐ ｒ ｈ ｅ ｌ ｉ ｅ ａ ｏ ｏ ｎ ｅ Ｅ ｃ ｎ ｂ ｂ ａｎ ｄ ｂ Ｐ ｎ ｕ ａ ｎｓ ｆ ｅ ｒｌ ｉ ｃ ｎ ｒ ．Ｉ ａ ｅ ．ｔ ｅｒ ａ —ｔ ｍｅ ｏ ｈ ｍｅ ｔ ｒ ｌ ｍ ｒ ｉ ｄ ｘ Ｓ Ｔ ｈｍ ｃｆ ｔ ａ ｅｏ ｔｉ ｅ ｙ Ｂ ｅ ｒ ｌ ｎ ｔ ｒ ｓｎ ｐ ｉ ｚ ｄ Ｌ—Ｍ ｇ ｒｔｍ．Ｗ ｉ ｅＳ Ｔ ￥ ｉ ｄ ｘ ａ ｕｐ ｔ ｎ ｈ ｎ ｉ ｎ ｎａ ａ ｔｒ ｓｉ ｐ ｔ ， ｅｗｏ ｋ ｕ ｉ ｇ ｏ ｔ ｅ ｍｉ ｌ ａ ｏｉ ｈ ｔ ｔ Ｅ ｈｈ ｎ ｅ ｓｏ ｔ ｕ ，ａ ｄ ｔ ｅ ｅ ｖｒ ｍｅ ｔｌ ｃｏｓ ａ ｎ ｕ ｓ ｏ ｆ ｈ ｅ ｒ ｎ ｔ ｒ ｒｄ ｃｉ ｄ ｌ Ｅ ｉ ｄ ｘｉ ｓ ｌ ｈ ｄ ｈ ｅｒ ｓ ｌｓｏ ｉ ｌ ｔ ｎ ｓ ｏ ｏ ｄ ａ ｒ ｅ ｎ ｅ ｔ ｅｎ ｕ ａ ｅ ｏ ｋ ｐ ｅ ｉｔ ｎ ｍｏ ｅ ｆＳ Ｔ ｌ ｗ ｏ ｏ ｎ ｅ ｓｅ ｔ ｉ ｅ ．Ｔ ｅ ｕ ｔ ｆｓ ｂ ａ ｓ ｍｕ ａｉ ｈ ｗ ｇ ｏ ｇｅ ｍｅ ｔ — ｏ ｂ ｗ ｅ ｈ ｈ ｒ ｌ ｃ ｍ ｒ ｉ ｄ ｘ Ｓ ｔ ｅ ｎ ｔｅ ｔ ｅ ｍａ ｏ ｏ ｎ ｅ ＥＴ￥ ｃ ｌ ｕａ ｅ ｒ ｍ ｈ ｅ ｒ ｌ ｅ ｗ ｒ ｄ ｌｉ ｅ １ ｉ ｎ ｈ ｓ ａｃ ｌｔｄ ｆ ｔ ａ ｃ ｌｔｄ ｆ ｏ ｔｅ ｎ ｕ ａ ｎ ｔ ｏ ｋ ｍｏ ｅ ｎ ｔ ａ 一ｔ ｍｅ ａ ｄ ｔｏ ｅ ｃ ｌ ｕａｅ ｆ ｍ ｔｒ ｔ ｅ ｆ ｒ ｕ ａ ｈ ｃ ｎ ｕ ｅ ｈ ａｉ ｉ ｆ ｈ ｄ １ ｒ ｉ ａｉ ｏ ｏ ｅ ｖ ｍ ｌ ，ｗ ｉｈ ｅ ｓ ｒ ｓ ｔｅ ｖ ｌ ｔ ｏ ｅ ｍｏ ｅ ． ｄｙ ｔ ＫＥＹＷ ＯＲＤＳ： ｅｌ ａ ｏ ｏ ｎ ｅ ； ａ —ｔ ； ｕ ａ ｅｗ ｒ ｈ Ｔ ｉ ｌｃ ｍ ｒ ｉｄ ｘ Ｒｅ ｎ ｆ ｔ ｌ ｉ ｍｅ Ｎｅ ｒ ｌｎ ｔ ｏ ｋ
第２卷 第 期 ８ ６
文章编号 ：０ ６—９４ （０ １ ０ ０ ８ １０ ３８ ２ １ ） ６— １９—０ ４
计算机源自仿真 ２１年６ ０ １ 月
室 内环 境 舒 适 度 的 神 经 网 络 建 模 与 仿 真
李 婷 陈 渊睿 ，
（ ．华南理工 大学 电力学院 ， １ 广东 广州 ５ ０４ １６０；・ ２ ．华南理工大学亚热带建筑科 学国家重点实验室 ， 广东 广州 ５０ ０ １６ ） ４ 摘要 ： 空调控制系统是提供给人一个舒适 的热环境 ， 影响热环境的舒适度指标 Ｓ Ｔ Ｅ 值 与影响它的环境 因素之 间具有 复杂 性和非线性等特点 ， 针对能实时的确定人体舒适度 ， 为了能够满足空调系统实时控制 的要求 。采用优化 Ｌ—Ｍ算法 的 Ｂ Ｐ神
２ Ｓａ ｅ Ｋ ｙ Ｌ ｂ ｒ ｔｒ ｆ ｕ ｔｏ ｉａ ｕｌ ｉ ｇ Ｓ ｉｎ ｅ ｏ ｔ ｈ ｎ ｉｅ ｓ ｙ ｏ ｅ ｈ ｏｏ ｙ， ． ｔｔ ｅ ａ ｏ ａｏ ｙ ｏ ｂ ｒｐ ｃ ｌＢ ｉ ｎ ｃ ｅ ｃ ，Ｓ ｕ ｈ Ｃ ｉ ａ Ｕｎｖ ｒｉ ｆ ｃ ｎ ｌ ｇ Ｓ ｄ ｔ Ｔ
经 网络 方 法 能够 控制 实 时 的 确 定 Ｓ Ｔ 指 标 ， 析 热 环境 因 素与 Ｓ Ｔ 指 标 的关 系 ， Ｓ Ｔ 指 标 作 为 输 出 ， 响 Ｓ Ｔ 的 Ｅ 分 Ｅ 以 Ｅ 影 Ｅ
环境变量作为输 入， 建立 了 Ｓ Ｔ 指标的神经 网络模型。仿 真结果表明神经网络模型实时计算的 Ｓ Ｔ 值与迭代计算得 到 Ｅ Ｅ 的ＳＴ Ｅ 值相一致， 保证 了室 内舒适度 的效果 。