人体舒适度论文

人体舒适度论文 人体舒适度的综合评价问题 摘 要 为了建立人体舒适度模型，本文首先通过查找资料进行人体舒适度相关因素分析，通过资料可以知道影响人体舒适度的主要因素是 :大气温度，湿度，气压，光照，风，服装，个体差异这几项指标，因为并不是所有指标对人体舒适度都有较明显的影响，为了剔除非重要的指标量，则采取降维的方法进行筛选，最终确定大气温度，湿度，气压，光照，风，这五项指标对人体舒适度的影响较为明显。 通过降维后的五项指标建立基于改进的层次分析人体舒适度评价模型，将无量纲化后的样本指标值进行相关性分析，从而建立改进的层次分析模型，得到回归方程如下。 X=0.1128a+0.2275b+0.6597c+0.1947d+0.3282e 为了检验模型的鲁棒性，则利用神经网络算法进行模型检测与修正，可以看到，经 trainlm 函数训练后的神经网络对样本数据点实现了“过度匹配”，而经 trainbr 函数训练的神经网络对噪声不敏感，鲁棒性较好。因此我们可以利用该调控机制实现对人体舒适度宏观调控。最后利用灰度预测方法进行未来十年的人体舒适度走势变化，从而给出相应建议。 关键词: 改进层次分析 回归方程 降维 灰度预测 目 录 1 问题重述.................................................................................................................. 1 2 模型准备.................................................................................................................... 2 2.1 符号说明........................................................................................................ 2 2.2 模型假设........................................................................................................ 2 3 模型建立与求解........................................................................................................ 3 3.1 问题1分析与处理[1].................................................................................. 3 3.1.1 基于AHP-Delphi法的人体舒适度评价模型.................................. 3 3.1.1.1 人体舒适度模型指标体系............................................................ 4 3.1.1.2 数据降维........................................................................................ 4 43.1.1.3 基于单因子分析的数据降维(因子分析)................................ 3.1.2 基于AHP-Delphi的福田红树林生态系统人体舒适度模型权重计 算.................................................................................................................... 6 3.2 人体舒适度模型的应用于检测.................................................................... 7 3.2.1人体舒适度指标评价模型................................................................. 7 3.2.1.1 人体舒适度指标值的无量纲化.................................................... 7 3.2.1.2 建立人体舒适度测量模型............................................................ 8 3.2.2 基于改进型ANN的人体舒适度调控机制(人体舒适度调控模型) ........................................................................................................................ 9 3.2.3 人体舒适度调控模型仿真.............................................................. 13 3.2.3.1 基于改进型ANN的人体舒适度调控机制.................................. 13 3.3 近10年人体舒适度预测............................................................................ 13 4 模型优缺点.............................................................................................................. 14 4.1 优点.............................................................................................................. 14 4.2 缺点.............................................................................................................. 14 5 参考文献.................................................................................. 错误～未定义书签。 附录.............................................................................................. 错误～未定义书签。 1 问题重述 人体舒适度指数是为了从气象角度来评价在不同气候条件下人的舒适感，根据人类机体与大气环境之间的热交换而制定的生物气象指标。 人体的热平衡机能、体温调节、内分泌系统、消化器官等人体的生理功能受到多种气象要素的综合影响。例如大气温度、湿 度、气压、光照、风等。实验表明:气温适中时，湿度对人体的影响并不显著。由于湿度主要影响人体的热代谢和水盐代谢。当气温较高或较低时，其波动对人体的热平衡和温热感就变的非常重要。例如，气温在15.5?C时，即使相对湿度波动达50%，对人体的影响也仅为气温变化1?C的作用。而当温度在21—27?C时， 若相对湿度改变为50%时，人体的散热量就有明显差异，相对湿度在30%时，人体的散热量比相对湿度在80%时为多。而当相对湿度超过80%时，由于高温高湿影响人体汗液的蒸发，机体的热平衡受到破坏，因而人体会感到闷热不适。随着温度的升高，这种情况将更趋明显。当冬季的天气阴冷潮湿时，由于空气中相对湿度较高，身体的热辐射被空气中的水汽所吸收。加上衣服在潮湿的空气中吸收水份，导热性增大，加速了机体的散热，使人感到寒冷不适。当气温低于皮肤温度时，风能使机体散热加快。风速每增加1米/秒，会使人感到气温下降了2—3?C，风越大散热越快，人就越感到寒冷不适。 一般而言，气温、气压、相对湿度、风速四个气象要素对人体感觉影响最大，服装，个体差异等因素也对人体舒适度构成重要影响。请查阅相关文献，收集相关信息，考虑各项可能影响人体舒适度的的因素，建模综合分析人体舒适度。 2 模型准备 2.1 符号说明 符号 说明 各评价指标权重 W i 各评价指标评分值 P i SST 观测变量总离差平方和 SSA 观测变量组间离差平方和 SSE 观测变量组内离差平方和 k 观测变量组数 n 观测变量总数 2.2 模型假设 (1)假设人为因素对模型建立及求解没有影响; (2)假设模型在一定误差范围内对结果没有影响; (3)假设数据整理在一定范围内对最终的结果没有影响。 3 模型建立与求解 3.1 问题1分析与处理[1] 外的在人体皮肤和各种组织内部有许多感受器官，它们能够感受到肌体内"环境变化，并通过神经系统对感受到的变化产生反应人体在不同的外界环境条件下，皮肤"眼"神经等器官因受环境刺激而产生不同的感觉，经过大脑神经系统整合后形成的总体感觉的适宜或不适宜程度，就是人体舒适度。故通过数据调查得到15个样本数据进行调研研究其在不同条件下的舒适度，从而进一步建立模型，考虑大气温度，湿度，气压，光照，风，服装，个体差异这几项因素对人体舒适度的影响。 人体舒适度是各种环境因素综合影响的结果，在自然环境中，气象要素是影响人体舒适度的主要因子，气象要素及其变化与人体舒适度有显著的关系#在所有的气象要素中，气温是影响人体舒适度的最主要因子，其次是湿度"风和太阳辐射天气发生变化时对人体舒适度也有显著的影响晴朗"温和的天气给人以舒适和愉悦感; 而强降温"阴雨"大风"持续高温等天气，都能造成人体不适感其他因子除气象因子外，还有一些非气象因子对人体舒适度也有十分显著的影响，概括 气候适应与遗传的影响"环境差异的影响"着装的影响"个体差异的起来主要有: 影响!气象要素与人体舒适度气温是影响人体舒适度最主要的气象要素之一，湿度"风"太阳辐射等因子因能影响人体与环境的热交换，也会影响人体的冷热感觉气温与人体舒适度。 3.1.1 基于AHP-Delphi法的人体舒适度评价模型 由于综合评价指标较多，我们可以运用层次分析法对指标进行综合评价，运用层次分析法，处理定性和定量的因素，根据评判者综合考虑和衡量指标的相对重要性，但是单纯运用层次分析法(AHP)确定评价指标的权重存在许多不足，虽然ahp能够有效地将主观因素客观化，但在运用1-9阶标度和两两比较矩阵时，无法进行科学的人体舒适度委员评价，具有较强的主观性，评价指标很容易受单个主导人影响。 为此，我们采用AHP-Delphi相结合的方法建立人体舒适度评价模型。Delphi法依据系统的程序，采用匿名方式，即评价者之间不得互相讨论，不发生横向联系，只能与调查对象发生关系，通过多轮次调查人体舒适度员对可持续评价指标的看法，作为决策依据。这种方法具有广泛的代表性，较为可靠。Delphi法具有匿名制、反馈原则和统计规律的优良性质。将Delphi法应用人体舒适度指标权重的确定中，可以避免团体评价时个人主观因素对决策的重大影响，弥补个人主观知识的欠缺对1-9标度的两可判断，因此，将Delphi法与AHP法相结合，可以满足人体舒适度指标权重确定的科学性、准确性和一致性要求。 确定人体舒适度指标权重后，我们建立基于AHP-Delphi法的人体舒适度度模型。 3.1.1.1 人体舒适度模型指标体系 3.1.1.2 数据降维 可以看出对于人体舒适度的指标变量为多个，计算起来数据量过大误差过大，所以首先要先刨除大量非重要因素，即需要降维。 数据降维，又称为维数约简。顾名思义，就是降低数据的维数。为什么要降低数据的维数,如何有效地降低数据的维数,由此问题引发了广泛的研究和应用。数据降维，一方面可以解决“维数灾难”，缓解“信息丰富、知识贫乏”现状，降低复杂度;另一方面可以更好地认识和理解数据。 截止到目前，数据降维的方法很多。从不同的角度入手可以有着不同的分类，主要分类方法有根据数据的特性可以划分为线性降维和非线性降维，根据是否考虑和利用数据的监督信息可以划分为无监督降维、有监督降维和半监督降维，根据保持数据的结构可以划分为全局保持降维、局部保持降维和全局与局部保持一致降维等。 目前降维的主要分析方法有主成分分析与因子分析。因为主成分分析对原始数据会产生影响，故本次模型主要用因子分析来进行降低维度。因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。基本思想是:根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构一即公共因子。 3.1.1.3 基于单因子分析的数据降维(因子分析) 为了探究哪项指标对其他指标影响最大，从而在众多指标中挑选最主要的指标进行人体舒适度评价，我们应用单因素分析法，首先利用题目中的数据库将所有的条件值进行量化，例如利用物种来源类代表物种起源，从而将其量化以进行下一步的研究，由于要研究哪个因素对其他因素影响更大，即要研究各个因素之间的相关性，于是我们采用单因素分析模型，利用用SPSS软件建立各项指标(包括额外的干扰因素)与可持续性之间的相关性。我们建立单因子方差分析模型: 将观测变量总的离差平方和分解为组间离差平方和和组内离差平方和两部分，分别表示为: SST,SSA，SSE 其中，SST为观测变量的总离差平方和;SSA为组间离差平方和，是由控制变量不同水平造成的观测变量的变差;SSE为组内离差平方和，是由抽样误差引起的观测变量的变差。其中: 2nki SST,(x,x),,ij,,11 22ijnkki SSA,(x,x),n(x,x) ,,,,,11,1 iii2nki SSE,(x,x)iji ,,,,11iji ij 在观测变量总离差平方和中，如果组间离差平方和所占比例较大，则说明观测变 量的变动主要是由于控制变量引起的，可以主要由控制变量来解释，即控制变量 给观测变量带来了显著影响。 这里我们用F统计量 SSA/(k,1)MSA F,,~F(k,1,n,k) SSE/(n,k)MSE来表示这种比例关系，如果控制变量的不同水平对观测变量造成了显著影响，那 么观测变量总变差中控制变量所占的比例较大，则F值就比较大;反之，如果控 制变量的不同水平对观测变量没有造成显著影响，那么观测变量总变差中控制变 量所占的比例较小，则F值就比较小。 1.提出原假设:控制变量不同水平下观测变量各总体的均值无显著差异 2.计算检验统计量和概率P值: SSA/(k,1)MSA F,, SSE/(n,k)MSE 3.给定显著性水平与p值做比较:如果p值小于显著性水平，则应该拒绝原 假设， 反之就不能拒绝原假设。 4.如果方差分析判断总体均值间存在显著差异，接下来可通过多重比较对每 个水平的均值逐对进行比较，以判断具体是哪些水平间存在显著差异。 基于以上原理，下面利用SPSS进行单因素方差分析。 我们分别对所有指标因素与其他指标因素进行逐一的相关性分析，计算出 pearsan值。首先将所有指标进行量化处理，同时进行spss相关性分析，得到 结果如下表(下表为每个因素对其他因素的相关性值的总和，从而代表该指标量 的相关性，具体相关性计算表由于过大放入附件中，在此不具体给出，只给出最 终相关性和表格): 表1 各个指标值的相关性和表 综合关系 大气温度 湿 度 气压 光照 风 服装 个体差异 值 大气温度 1 0.355 0.12 0.139 0.23 0.114 0.385 2.343 湿 度 0.355 1 0.359 0.513 0.071 0.669 0.358 3.325 气压 0.12 0.359 1 0.265 0.01 0.503 0.221 2.478 光照 0.139 0.513 0.265 1 0.009 0.495 0.029 2.45 服装 0.23 0.071 0.01 0.009 1 0.018 0.012 1.35 风 0.114 0.669 0.503 0.495 0.018 1 0.232 3.031 个体差异 0.385 0.358 0.221 0.029 0.012 0.232 1 2.237 可以看出很多元素与其他因素之间的相关性并无过大联系，所以在此省略相 对非重要的因素也就是服装与个体差异因素，利用剩下来的大气温度，湿度，气 压，光照，风来进行下一步的研究与模型的建立。从而可以列得最终的层次分析 指标层次如下图 图1 层次分析结构 3.1.2 基于AHP-Delphi的福田红树林生态系统人体舒适度模型权重计算 3.1.2.1 人体舒适度指标相对权重 (1) 确定人体舒适度评价指标的分层体系。 (2) 组成人体舒适度评审员专家小组。按照人体舒适度评价指标所需的知识范围，确定专家平评审员，专家的人数一般以10人左右为佳。 (3) 向所有专家评审员提出所要决策的问题及有关要求，并附上有关的所有背景材料，同时请专家提出还需要什么材料。 (4) 第四步，各个专家收到材料后，依据5级定量法对各个层次上的评价指标的重要性进行两两比较，将比较矩阵正规化和归一化后，得出同一层次上各个指标的相对权重，并作书面答复。一般而言，专家还应该对自己的判断矩阵进行一致性检验。 在这里，我们对n个指标分配权重。首先构造各层的判断矩阵，在同一层次上的各因素，按其影响程度或重要程度可以划分若干等级，赋以定量值，这里我们采用5级定量法，即相等、稍强、强、很强、极强五个等级，相应的赋值可以是1、3、5、7、9。2、4、6、8分别介于上述各评分值之间，表述的重要程度也介于它们之间。如果活动i相对活动j有一个评分值，则活动j相对活动i的评分值为其倒数。其评价尺度如表1所示。 表2 人体舒适度指标评价尺度 标度 含义 备注 1 表示2个因素相比，具有同等重要性 因素i与j比较 的判断为3 表示2个因素相比，一个因素比另一个因素稍微重要 5 表示2个因素相比，一个因素比另一个因素明显重要 b,b，则因素ij7 表示2个因素相比，一个因素比另一个因素强烈重要 j与i比较的判9 表示2个因素相比，一个因素比另一个因素极端重要 2、4、6、8 上述2个相邻判断的中值 b,1/b断为 ij 然后根据上述标度法构造判断矩阵。先通过相关性分析中的pearson值来代表两两比较决定同层指标相对上一层的指标的重要程度，这里我们采取两级权重相复合的方法，最终确定领域-指标层C对目标层A的权重，即先确定领域-指标 层C中各指标对准则层B的重要性的比较矩阵，然后进行标准化处理，得出领域-指标层C中各指标对准则层B的权重。然后再以同样的方法，确定准则层B对目标层A的权重。最后，把两级权重进行复合得到领域-目标层C对目标层A的各指标的权重。 利用以上原理方法以及spss软件(计算pearson值)，AHP层次分析软件 [12](计算相对权重)，最终我们可以得到以下结果:基于AHP-Delphi法的人体 [8][9]舒适度模型的判断，上述原理以及AHP相关软件给出9个准则层因素的权重如下: 表3 准则层权重的确定 气压大气温度湿 度光照风 权重 0.1128 0.2275 0.6597 0.1947 0.3282 名称 a b c d e 通过上表可以列得模型方程: X=0.1128a+0.2275b+0.6597c+0.1947d+0.3282e 3.2 人体舒适度模型的应用于检测 3.2.1人体舒适度指标评价模型 以上为理论上的实现，下面我们利用具体的数据带入模型中进行模型检测实现，并给出2000-2014年的人体舒适度评价值，从而进行未来几年人口舒适度的预测，给出相应建议。 3.2.1.1 人体舒适度指标值的无量纲化 由于指标数据量纲不同，不便于统一化处理，因此，我们对不同量纲的原始数据进行同量度处理。人体舒适度系统模型的无量纲化是指:指标统计值相对于指标上限值(满意值)和下限值(不允许值)的得分。其无量纲化计算公式为: 正向指标: ,1ca,ii,cb,,iipbca,,,,iiiiab,ii, ,0cb,ii, 负向指标: ,1ca,ii,ca,,iipacb,,,,iiiiba,ii, ,0cb,ii, 式中:为指标相对分，范围在 之间， p01,,Pii abc 为指标上限值;为指标下限值;为指标统计值 iii 3.2.1.2 建立人体舒适度测量模型 在运用AHP-Delphi进行权重赋值后，选取一个样本人，以其2000-2014年为样本年，对其进行3.2.2.2的发展指标值无量纲化处理，并给出相应舒适指标分值。从而得到近几年其舒适度的变化趋势。人体舒适度度的计算如下: n APW,,iii PW式中，A为待考察指标值的人体舒适度;为评价指标的评分值;为各评价指ii n标的权重;为评价指标项数。 从而我们可以得到待考察的样本人在2000-2014年的舒适度评价结构中，大气温度，湿 度，气压，光照，风的各项指标值。并根据目标层人体舒适度值的级差情况，依据模糊隶属度最大原则，设定人体舒适度度的5级评价表，如表2。 表4 人体舒适度5级评价表 人体舒适度 >3.08 2.96-3.08 2.84-2.96 2.72-2.84 <2.72 comment 非常舒适 较舒适 中度舒适 弱舒适 不舒适 依据我们给出的人体舒适度的5级评价表，我们可以判定该样本人系统何时处于舒适，以及人体舒适度是多少，从而在其非舒适时给出相关预警，以满足保护生态系统需要。 结合问题1的结论成果以及基于AHP-Delphi法的人体舒适度模型，基于大气温度，湿 度，气压，光照，风这些指标计算值，我们可以进一步给出2000-2014年这些年的人体舒适度值，从而可以对整体的人体舒适度近些年发展有个大致的了解。 具体实现如下:基于AHP-Delphi的人体舒适度评价系统2000-2014年评价 值 表5 2000-2014年舒适度评价计算表 2000 2001 2002 2003 2004 2005 2006 2007 舒 适3.204425307 3.08309812 2.945822155 3.000622722 2.907757483 3.041950941 3.021515756 3.052755811 值 2008 2009 2010 2011 2012 2013 2014 舒 适3.02145884 3.086258046 2.939595204 3.042760892 2.894379867 2.853180129 2.922049491 值 图2 2000-2014年舒适值走势图 可以看出整体舒适值处于下降状态，而在2004,2010,2013分别跌入三个低谷，翻阅资料可以找到，20世纪90年代，出现大量自然灾害以及空气污染，从而导致空气指标各项的改变，进而导致人体舒适度的改变。 3.2.2 基于改进型ANN的人体舒适度调控机制(人体舒适度调控模型) 同时为了更加科学、客观的评价人体舒适系统的未来走向，更好地对该生态系统进行更适宜人体舒适度情况做细致性规划，我们用任务1中的模型作为舒适 [13]指标评价指标参考体系，进一步构建人工神经网络(ANN)的人体舒适度调控机制。对该红树林生态系统未来一些年的人体舒适度进行反馈调控。 引入ANN神经网络进行人体舒适度的反馈调控，更加科学。在这里，我们运 [8]用BP神经网络模型，反向传播网络(Back-Propagation Network，简称BP 网络)是将W-H学习规则一般化，对非线性可微分函数进行权值训练的多层网络。权值的调整采用反向传播(Back-propagation)的学习算法，输出量为0到1之间的连续量，它可实现从输入到输出的任意的非线性映射。BP神经网络通常由输入层、隐含层和输出层组成。 图 3. 神经网络结构图s 我们在隐含层采用S型对数函数作为激活函数，在输出层采用线性激活函数。 2fx,,1，，,,x，e1 2，，,,x,1fx,，，2e,，， fx,,，，2,x,21e，，， 图4 . 双s形函数 假设输入为P，输入神经元有r个，隐含层内有s1个神经元，激活函数为F1，输出层内有s2个神经元，对应的激活函数为F2，输出为A，目标矢量为T。 图5 学习原则 (1)信息的正向传递 隐含层中第i个神经元的输出 r,, afwpbi1,2,......,s,，,,,,11111jiiji,1j,,， 输出层第k个神经元的输出 s1,,afwabk,，,1,2,......,s ,,,222122kkiiki,1,,， 定义误差函数 2s21 EWBta,,,，，，，,k2k2,k1 (2)利用梯度下降法求权值变化及误差的反向传播 输出层的权值变化 ,a,E2k,,,,w2ki,,aw22 kki ',,,tafaa，，,,,kki2211kii 其中， ,,,,tafef''，，kikk222k eta,,kk2k 同理可得， ,a,E2k,,,,,b2ki,,ab22 kki ',,,,,taf，，,,,kki22k 隐含层权值变化 ,,aa,,EE21ki,,,,,,,w,,1ij,,,,waaw1211ijkiij s2 ,,,,,,,,tafwfpp''，，,,,,kjijj2221kkik,1 其中， s2 ,,,,,efew',,12ijiikiki,1k 同理可得 ,,b,,1iji 对于为对数S型激活函数， f1 1fn,，，1,n，e1 ,n,n,,e01，，efn,,'，，12,n,n，e1，，，e1，， ,,fnfn，，1，，，，11，， 对于为线性激活函数 f2 fnn''1,,，，2 运用BP神经网络处理人体舒适度情况信息，输入信号通过中间节点(隐Ci层点)作用于输出节点，经过非线形变换，产生输出信号Y，网络训练的每个样 本包括输入量和期望输出量Q，网络输出值Y与期望输出值Q之间的偏差，通Ci W过调整输入节点与隐层节点的连接权值和隐层节点与输出节点之间的连接权ij T值以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差jk 相对应的网络参数(权值和阈值)，停止训练。此时经过训练的BP神经网络能对在输入范围内的输入信息自行处理，然后输出误差最小的经过非线形转换的输出信息。 3.2.3 人体舒适度调控模型仿真 3.2.3.1 基于改进型ANN的人体舒适度调控机制 利用matlab以及上述所介绍的神经网络原理进行ANN训练，通过训练可以得到训练在第17次迭代过程达到均方误差最小，MSE=0.00022617。此时，训练结束。用训练好的神经网络预测人体舒适度指标值，如图 图6 BP神经网络预测误差(左)与预测输出(右) 可以看到，经 trainlm 函数训练后的神经网络对样本数据点实现了“过度匹配”，而经 trainbr 函数训练的神经网络对噪声不敏感，鲁棒性较好。因此我们可以利用该调控机制实现对人体舒适度宏观调控。 3.3 近10年人体舒适度预测 在该次预测系统中运用到了灰度预测方法，该方法的特点变现在首先它先把离散数据视为连续变量在其变化过程中所取得离散值，从而可利用微分方式处理数据;而不直接使用原始数据而是有它产生累加生成数，对生成数列使用微分方程模型。这样，可以抵消大部分的随机误差，显示出规律性。通过该方法可以得到未来10年的预测: 图7 红树林生态系统未来10年规划表格 上图是多个指标的预测结果总集，以下是人体舒适度的预测结果。 人体舒适度的预测结果:该图是人体舒适度的原始数据与预测数据的对比 图8 人体舒适度的预测结果 4 模型优缺点 4.1 优点 (1)将Delphi法与AHP法相结合，可以满足人体舒适度指标权重确定的科学性、准确性和一致性要求。 )运用SPSS能够生动的刻画影响力模型，使影响力评估更加具体，更具 (2 说服力。 (3)运用matlab更加准确的直观的反映的数据的逻辑性，做到直观，准确的效果。 (4)基于改进型ANN的人体舒适度调控机制具有速度快、准确率高的优点，在实际仿真中得到了满意的评价结果。 4.2 缺点 (1)由于数据收集存在一定的局限性，所选定的人体舒适度指标未能全面表 达人体舒适度趋势。同时由于数据的缺乏，在神经网络训练过程中误差较大。 (2)尽管AHP-Delphi法能够很好的避免主观因素的影响，但是在进行评价分析时仍存在一定的局限性。 (3)运用单因素分析法存在的着一定的误差，并不能全面地反映一个生态系统的所有指标，具有一定的片面性。