基于特征提取自适应神经网络和CO2的室内人员定位方法

技术领域

本发明涉及一种基于特征提取自适应神经网络和CO

背景技术

现如今人们长时间呆在室内生活和工作，健康舒适的室内环境是人们生活和工作的重要保障，然而，实现健康舒适的室内环境需要消耗大量的能源，通常供热通风和空气调节系统约占建筑物总能耗的40％，由于普通的供热通风和空气调节系统通常是按照人们预先设定的时间表固定运行的，会造成一定能源浪费。研究表明，在大型的室内环境中，基于室内人员信息对供热通风和空气调节系统进行精确的控制可以节约建筑物中约三分之一的能源。因此室内人员的位置对室内供热通风和空气调节系统具有重要意义。

现有的获取室内人员位置的方法有通过摄像机视频识别技术预测室内人数和位置，但是由于硬件成本高，并且涉及办公室内人员隐私问题，该方法并不能广泛应用。还有基于终端设备的方法，例如要求室内人员佩戴带有基于UWB(超宽带)、WiFi或RFID(射频识别)的标签或手机获取室内位置信息，使用这些方法也会导致硬件成本高，并且也不能保障数据的安全性。

发明内容

为了解决传统建筑供热通风和空气调节系统能源消耗大，控制不精确灵活，获取室内人员位置成本高等问题，本发明提出了一种基于特征提取自适应神经网络和CO

本发明为解决其技术问题采用如下技术方案：

一种基于特征提取自适应神经网络和CO

步骤1，采集原始环境参数数据；

步骤2，采用最小二乘法对采集的数据进行处理；

步骤3，采用滑动窗口对数据进行特征提取；

步骤4，结合神经网络评价模块训练神经网络模型；

步骤5，通过训练好的神经网络模型对室内人员进行定位；

步骤6，对空调通风系统进行控制。

步骤1具体过程如下：

步骤1.1，对室内进行区域划分，确定传感器数量；

步骤1.2，确定传感器监测的频率，在划分的每个区域放置气体传感器，对气体浓度进行监测记录。

步骤2具体过程如下：

步骤2.1，每个传感器节点监测的所有原始数据点中，前后各取两个相邻时间的点，用三次多项式进行逼近平滑；

步骤2.2，根据最小二乘原理确定系数，得到五点三次平滑公式；

步骤2.3，对每个数据点进行平滑处理。

步骤3的具体过程如下：

步骤3.1，确定窗口的大小；

步骤3.2，确定窗口的数量；

步骤3.3，求出每个窗口内数据的最大值、最小值、均值、方差值。

步骤4的具体过程如下：

步骤4.1，确定神经网络输入输出数据形式，输入为每个位置CO

步骤4.2，确定神经网络；

步骤4.3，确定激活函数；

步骤4.4，对神经网络进行训练；

步骤4.5，通过神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，设置最低门限，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小、特征、神经网络的参数。

步骤5的具体过程如下：

步骤5.1，获取气体浓度：从布置在室内每个区域的传感器中得到不同区域的CO

步骤5.2，数据处理：对数据进行最小二乘法数据处理和特征提取；

步骤5.3，人员位置预测:将处理后的数据输入到神经网络模型中，得到预测的人员位置。

步骤6的具体过程如下：

通过室内人员的分布位置情况和气体分布情况对空调通风系统进行控制。

本发明的有益效果如下：

本发明通过气体传感器采集CO

附图说明

图1是基于特征提取自适应神经网络和CO

图2是Sigmoid函数图。

图3是Tanh函数图。

图4是ReLU函数图。

图5是室内CO

图6是特征提取图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1为本发明所述基于特征提取自适应神经网络和CO

基于特征提取自适应神经网络和CO

如图1所示，具体包括如下步骤：

(1)采集原始环境参数:采集原始环境参数阶段是通过室内布置的多个CO

(2)最小二乘法数据处理：最小二乘法数据处理阶段是在原始数据中每个监测数据点的前后各取两个相邻的点，用三次多项式进行逼近平滑。

(3)特征提取阶段：分别对多个传感器节点，将每个传感器浓度数据划分为多个窗口，计算出每个窗口的最大值、最小值、均值、方差等作为神经网络的输入特征。

(4)训练神经网络模型：该阶段是将处理后的二氧化碳数据作为神经网络的输入，人员的真实位置作为输出，对神经网络进行训练，训练完成后神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小、特征、神经网络的参数。

(5)室内人员定位:该阶段是通过CO

(6)控制空调通风系统阶段：通过室内人员的位置分布情况和气体分布情况对空调通风系统进行控制。

所述采集原始环境参数步骤如下：

a.本实施例将室内划分为8个区域如图5所示，每个区域中间放置一个CO

b.设定传感器监测频率为1Hz，对CO

所述最小二乘法数据处理步骤如下：

1)设已知监测点n个连续监测时间点上t

x＝a

其中：x为监测的数据值，t为时间。

2)根据最小二乘原理确定系数a

其中：x

3)对每个数据点进行平滑。

所述特征提取步骤如下：

A.确定窗口大小为15S内的CO

B.选择1小时的浓度数据作为神经网络训练的数据，则每个节点有240个窗口。

C.求出每个窗口内数据的最大值、最小值、均值、方差等值如图6所示。

所述训练神经网络模型如下：

(一)确定输入神经网络的数据形式：将8个CO

表1输入神经网络的数据结构

其中C

(二)确定神经网络模型：常用的神经网络模型有BP(Back Propagation)神经网络，径向基神经网络，多层感知机神经网络，线性神经网络等，本实施例选择多层感知机作为神经网络模型，隐藏层数为两层，第一层隐藏层有50个神经元，第二层也有30个神经元。

(三)确定激活函数：常用的激活函数有

1.Sigmoid函数

Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。公式如下

函数图像如图2所示。

2.Tanh函数

Tanh是双曲函数中的一个，Tanh()为双曲正切。在数学中，双曲正切“Tanh”是由基本双曲函数双曲正弦和双曲余弦推导而来。公式如下

函数图像为如图3所示。

3.ReLU函数

Relu激活函数，用于隐层神经元输出。公式如下

f(x)＝max(0，x)

函数图像如图4所示。

本实施例选用的激活函数为Tanh函数。

(四)对神经网络进行训练。

(五)通过神经网络评价模块结合神经网络的准确率和运行时间对神经网络进行综合评价，设置最低门限，根据评价结果对特征提取阶段的窗口大小和特征选择进行修改，最终确定特征提取的窗口大小为15、特征为最大值、最小值、均值、方差时神经网络的效果最好。

所述室内人员定位步骤如下：

i.从布置在室内的多个传感器中得到不同区域CO

ii.对数据进行最小二乘法数据处理和特征提取。

iii.将处理后的数据输入到神经网络模型中，得到预测的人员位置。

所述控制空调通风系统阶段步骤如下：

通过室内人员的分布情况和气体分布情况对空调通风系统进行控制。

上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。