傅軍棟，鄒　歡，康水華

（華東交通大學電氣與電子工程學院，江西南昌330013）

?

PSO-SVM算法在智能建筑環(huán)境監(jiān)控系統(tǒng)中的應用

傅軍棟，鄒歡，康水華

（華東交通大學電氣與電子工程學院，江西南昌330013）

摘要：針對智能建筑環(huán)境監(jiān)控系統(tǒng)中，多個傳感器獨立工作可能會造成系統(tǒng)誤判的問題，提出了一種基于粒子群優(yōu)化支持向量機（PSO-SVM）的環(huán)境質(zhì)量綜合評價模型，即利用粒子群算法快速優(yōu)化支持向量機的懲罰參數(shù)和核函數(shù)參數(shù)，然后采用ZigBee無線傳感網(wǎng)絡采集的環(huán)境數(shù)據(jù)對PSO-SVM分類模型進行訓練和測試。實驗結果表明PSO-SVM分類器對環(huán)境質(zhì)量判斷的平均精度達到94.44%，且分類結果穩(wěn)定。將這種方法應用于智能建筑環(huán)境監(jiān)控系統(tǒng)中，可以增加系統(tǒng)監(jiān)測數(shù)據(jù)的準確性，提高系統(tǒng)工作的可靠性。

關鍵詞：環(huán)境監(jiān)控；多傳感器；粒子群優(yōu)化；支持向量機

智能建筑環(huán)境監(jiān)控系統(tǒng)需要實時監(jiān)測建筑內(nèi)的各種環(huán)境變量，并控制相應的電氣設備對環(huán)境進行調(diào)節(jié)，使用戶的生活更加安全、舒適和智能。與傳統(tǒng)的建筑環(huán)境監(jiān)控系統(tǒng)相比，智能建筑環(huán)境監(jiān)控系統(tǒng)在安裝、維護以及節(jié)能方面都具有明顯的優(yōu)勢[1-2]。

由于傳感器相對獨立地工作，采用單個傳感器的數(shù)據(jù)來評價環(huán)境質(zhì)量具有一定的不確定性，因此如何快速準確地對環(huán)境信息進行融合是智能建筑環(huán)境監(jiān)控系統(tǒng)的一項重要任務。王超采用了模糊綜合評判的算法對多傳感器信息進行加權融合處理，需設計各項影響因素對環(huán)境質(zhì)量等級的隸屬函數(shù)，這種方法能夠減少單一傳感器的局限性[3]；周廷剛采用了遺傳算法訓練神經(jīng)網(wǎng)絡權重的方法建立了GA-BP模型，克服了單純的BP算法容易陷入局部極小的缺點[4]；陳祖云采用了支持向量機對環(huán)境質(zhì)量進行評價，該模型具有較高的識別能力和魯棒性，且算法簡單，訓練樣本少[5]。支持向量機通過結構風險最小化原理來提高泛化能力，可以較好地解決小樣本、非線性、高維數(shù)、局部極小點等實際問題，可用于模式分類和非線性回歸，適用于環(huán)境質(zhì)量評價中。

由于支持向量機核函數(shù)的構造及其參數(shù)的選擇對分類效果有較大的影響，而傳統(tǒng)的參數(shù)選擇一般是通過交叉驗證的方法，需要大量的訓練樣本，優(yōu)化過程非常耗時，且很難精確找到最優(yōu)參數(shù)[6]，粒子群優(yōu)化算法簡便易行，收斂快速，可以減少試算的盲目性和提高預測精度，因此本文采用粒子群優(yōu)化算法優(yōu)化支持向量機的懲罰參數(shù)及核函數(shù)參數(shù)[7]，使優(yōu)化后的支持向量機能夠更好地進行環(huán)境質(zhì)量的判斷。

1　智能建筑環(huán)境監(jiān)控系統(tǒng)構成

所設計的智能建筑環(huán)境監(jiān)控系統(tǒng)如圖1所示，采用Zigbee技術將建筑內(nèi)環(huán)境及各控制設備組成無線網(wǎng)絡系統(tǒng)，以ARM嵌入式網(wǎng)關[8]為信息控制中心，對傳感器獲得的環(huán)境參數(shù)進行算法處理得出環(huán)境質(zhì)量的等級，再對相應的電氣設備進行控制從而達到環(huán)境自動調(diào)節(jié)的作用。系統(tǒng)包括3大模塊：環(huán)境信息的采集和調(diào)控模塊、信息管理中心模塊以及上位機模塊。

其中，家庭網(wǎng)關作為整個系統(tǒng)的核心，對環(huán)境數(shù)據(jù)進行處理的過程如圖2所示，讀取環(huán)境數(shù)據(jù)后進行環(huán)境質(zhì)量等級的判斷，2002年國家環(huán)保部頒布了我國《室內(nèi)空氣質(zhì)量標準》[9]，對影響室內(nèi)空氣的各污染物程度作了等級的劃分：一級表示室內(nèi)環(huán)境良好，二級表示室內(nèi)環(huán)境可以保證大眾健康，三級表示能保護員工健康，基本能居住或辦公的室內(nèi)環(huán)境。本系統(tǒng)根據(jù)此劃分標準把環(huán)境質(zhì)量簡化為3個等級：①質(zhì)量在二級以上的為“安全”：代表環(huán)境適宜人類生活，人員舒適性良好；②質(zhì)量在二級到三級之間的為“一般”：代表環(huán)境不會對人的健康造成傷害，但會影響人體的舒適性；③質(zhì)量三級以下為“危險”：代表環(huán)境參數(shù)超過了健康標準的要求，將對人的健康造成傷害。當判斷環(huán)境等級為“安全”時，處理器驅動指示燈顯示為綠燈；當判斷環(huán)境等級為“一般”時，顯示為黃燈，并根據(jù)用戶設置判斷是否進行智能調(diào)整；當判斷環(huán)境等級為“危險”時，顯示為紅燈，服務器將自動啟動消防報警設施，包括自動滅火設施、防煙排煙設施、自動報警設施、應急照明設施等。

圖1　智能建筑環(huán)境監(jiān)控系統(tǒng)構成Fig.1 Structure of intelligent building environment monitoring system

圖2　處理環(huán)境數(shù)據(jù)流程圖Fig.2 Flow diagram of environment data processing

智能建筑環(huán)境監(jiān)控系統(tǒng)的實現(xiàn)需要依靠多個傳感器協(xié)同工作，因此多個傳感器之間的信息融合對用戶端的判決起到了關鍵性的作用。本文結合環(huán)境數(shù)據(jù)非線性、小樣本、多維等特點，充分利用支持向量機的結構風險最小化與粒子群算法快速全局優(yōu)化的特點，建立PSO-SVM的多傳感器信息融合的數(shù)學模型。

2　基于PSO-SVM的多傳感器信息融合模型

2.1 SVM分類器

支持向量機（support vector machines，SVM）[10-11]基本思想是通過非線性映射函數(shù)把數(shù)據(jù)樣本映射到高維特征空間，再在高維特征空間中求得最優(yōu)分類面來分離訓練樣本點，使得訓練樣本點與最優(yōu)分離面距離最大化?；驹砣缦拢航o定樣本集T={(xi,yi)|i=1，2，3，…，m}，其中xi為輸入矢量，yi為對應的期望輸出，m為樣本數(shù)。引入松弛變量ξi，用于衡量實際指示值與支持向量機輸出之間的距離。則最優(yōu)分類超平面可以描述為

式中：w為權值向量；||w||2為w的歐拉范數(shù)；c為懲罰因子，用于實現(xiàn)對錯分樣本懲罰程度的控制；b為偏差；wxi表示內(nèi)積。引入拉格朗日系數(shù)ai將上述優(yōu)化問題轉化為二次規(guī)劃的優(yōu)化問題。由于環(huán)境數(shù)據(jù)是非線性的，因此要將原輸入空間的樣本映射到高維的特征空間中，再構造最優(yōu)分類超平面。引入滿足Mercer條件的核函數(shù)k（xi，xj）=φ（xi）φ（xj）來代替內(nèi)積運算，最終得到分類決策函數(shù)：

本文選用具有全局收斂性且適應性強的徑向基核函數(shù)（其中g指核寬度）：

2.2粒子群優(yōu)化算法

粒子群優(yōu)化算法(particle swarm optimization, PSO)[12]思想來源對鳥群覓食行為的模仿，通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解，原理如下：設在一個D維的搜索空間內(nèi)，由n個粒子組成的種群X=（X1，X2，...,Xn），根據(jù)目標函數(shù)可計算出每個粒子位置Xi對應的適應度值。每次迭代過程中，粒子通過個體極值和群體極值來更新自身的速度和位置：

式中：ρ為慣性權重；d=1，2，...，D；i=1，2，...,n；k為當前迭代次數(shù)；Vid為粒子的速度；c1和c2為加速度因子；r1和r2是分布在[0，1]區(qū)間的隨機數(shù)。

2.3基于PSO的SVM參數(shù)優(yōu)化

PSO優(yōu)化過程中，自適應粒子根據(jù)實際情況，通過動態(tài)平衡其全局搜索與局部搜索能力，能快速準確地找到支持向量機的最優(yōu)參數(shù)，從而有效進行識別。通過優(yōu)化得到SVM誤差最小的懲罰參數(shù)cbest和核函數(shù)半徑參數(shù)gbest，使優(yōu)化后的SVM能夠更好地進行分類判斷[13]。過程如圖3所示。

步驟1：初始化，隨機產(chǎn)生一組粒子的初始位置和速度，即確定SVM參數(shù)，選用一定輸入樣本建立SVM模型；

步驟2：根據(jù)SVM分類決策函數(shù)確定其函數(shù)值，進行粒子適應度值的計算及評估；

步驟3：根據(jù)適應度值更新個體極值c和全局極值g，按式(4)和(5)更新粒子的速度和位置；

步驟4：尋找全局最優(yōu)參數(shù)，若滿足終止條件，結束尋優(yōu)；若不滿足終止條件，則迭代搜索更新粒子的速度和位置，轉至步驟2；

步驟5：得到使SVM誤差最小的懲罰參數(shù)c和核函數(shù)半徑參數(shù)g，用于SVM訓練和分類預測。

圖3　基于PSO的SVM參數(shù)優(yōu)化過程Fig.3 Process of optimizing the SVM parameters with PSO

3　實驗及結果分析

3.1數(shù)據(jù)來源及特征提取

考慮影響人體舒適度和健康的主要環(huán)境因素，包括溫度、濕度、CO、煙塵、甲醛、氨氣6種環(huán)境因素，為了增加對比性，30組實驗監(jiān)測數(shù)據(jù)引自文獻[14]，如表1所示，其中環(huán)境質(zhì)量等級為“1”表示安全，環(huán)境質(zhì)量等級為“2”表示一般，環(huán)境質(zhì)量等級為“3”表示危險。

表1　環(huán)境數(shù)據(jù)Tab.1 Environment data

由于每種環(huán)境因素的影響大小不同，為了更好地進行訓練和識別，需要進行歸一化處理[15]，采用線性函數(shù)轉換：

式中：P為原始數(shù)據(jù)；P′為歸一化后的數(shù)據(jù)。

3.2構造PSO-SVM分類器

將得到的特征樣本數(shù)據(jù)按照一定比例，隨機分為訓練樣本集和測試樣本集，為了使訓練的SVM分類器有更好的分類性能，訓練樣本和測試樣本數(shù)據(jù)需要進行合理的分配[16]。分析表1中的數(shù)據(jù)，可知在30組數(shù)據(jù)中，環(huán)境質(zhì)量等級為1的有6組，等級為2的有7組，等級為3的有17組，選擇訓練樣本時3種等級的數(shù)據(jù)都應該包括，保證訓練樣本的規(guī)模要求，兼顧分類器的泛化能力，還需考慮參數(shù)優(yōu)化及分類識別時的計算成本，如從環(huán)境質(zhì)量等級為1的6組數(shù)據(jù)中隨機選取5組作為訓練樣本，其余組作為測試樣本。最終選擇結果如表2所示，共選取了21組數(shù)據(jù)進行樣本訓練，其余9組數(shù)據(jù)作為樣本測試，訓練集用于對SVM分類器進行訓練，測試集則用于輸入SVM分類器進行分類測試，得到環(huán)境質(zhì)量的判斷結果。若結果與測試目標一致，說明判斷正確，否則判斷錯誤。

表2　樣本訓練集和測試集的選取Tab.2 Sample selection of training set and testing set

構造PSO-SVM分類器時還需要設置PSO算法的初始參數(shù)[17]，慣性權重的選擇非常關鍵，較大的慣性權重有較好的全局搜索能力，而較小的慣性權重有較強的局部搜索能力，因此隨著迭代次數(shù)的增加，慣性權重應不斷減少，從而使得粒子群算法在初期具有較強的全局收斂能力，而晚期具有較強的局部收斂能力，本文慣性權重采用ρi=0.9-0.5i/Maxnum的計算方法，隨迭代次數(shù)由0.9線性遞減到0.4；學習因子c1較大時，會使粒子過多地在局部范圍徘徊，而學習因子c2較大時會促使粒子過早收斂到局部最小值，為了平衡隨機因素的作用，學習因子設置為c1=c2=2；粒子規(guī)模設置為20，最大迭代次數(shù)初設為100；為防止粒子的盲目搜索，將其位置和速度限制在一定的區(qū)間內(nèi)，c的取值范圍為[0.1，1 000]，g的取值范圍為[0.1，100]。采用MATLAB編寫PSO-SVM非線性擬合程序。

3.3結果與討論

把選好的21組訓練數(shù)據(jù)輸入模型進行訓練，按照圖3的過程進行迭代，當PSO滿足迭代終止條件，優(yōu)化過程結束，得到懲罰參數(shù)和核函數(shù)半徑參數(shù)的最優(yōu)值cbest和gbest。如圖4所示，隨著迭代次數(shù)的增加，實際適應度(準確率)逐漸趨近于最佳參數(shù)的適應度，當進化到22代左右時就可以找到SVM的最佳參數(shù)，輸出的最優(yōu)參數(shù)為cbest=17.208 8，gbest=3.906 4。為了結果更加準確，進行10次測試，SVM參數(shù)c，g和準確率如表3所示，可以看出訓練集分類準確率平均達到94.74%，尋找最佳參數(shù)的準確率高。

圖4　SVM訓練集分類精度Fig.4 Classification accuracy of SVM training set

表3　PSO-SVM參數(shù)優(yōu)化及其訓練集分類精度Tab.3 Training set classification accuracy and optimal parameters of PSO-SVM classifiers

通過PSO-SVM得到的模型對9個預測檢驗樣本的預測值與實際值對比，經(jīng)過10次測試發(fā)現(xiàn)準確率大多能達到100%和88.889%，圖5是準確率為100%時的測試效果圖，圖6是準確率為88.889%時的測試效果圖，可以看出準確率為88.889%時，只有一個分類錯誤，環(huán)境質(zhì)量等級2預測成等級1，對人員安全不會產(chǎn)生很大的影響，總體來說，系統(tǒng)的可靠性比較高。

圖5　測試集準確率為100%時的分類效果圖Fig.5 Effect diagram when testing set accuracy is 100%

圖6　測試集準確率為88.889%時的分類效果圖Fig.6 Effect diagram when testing set accuracy is 88.889%

為了進一步說明PSO -SVM模型的優(yōu)越性，和未進行參數(shù)優(yōu)化的SVM以及常用的增量型極限學習機（increased extreme learning machine，I-ELM）、BP神經(jīng)元算法的分類結果進行對比，分別統(tǒng)計各模型運行10次的準確率，統(tǒng)計結果如表4所示，可以看出PSO-SVM算法平均分類精度最高，平均達到94.44%，并且在10次運行中的分類準確率比較穩(wěn)定，未經(jīng)參數(shù)優(yōu)化的SVM模型準確率相對偏低，I-ELM和BP算法的模型平均分類精度分別為83.33%和80.00%，且波動較大。因此PSO-SVM模型應用于智能建筑環(huán)境監(jiān)控系統(tǒng)中，在準確度和穩(wěn)定性方面有一定的優(yōu)勢。

表4　測試集分類準確率比較Tab.4 Comparison of testing set classification accuracy %

4　結語

結合支持向量機的結構風險最小化與粒子群算法快速全局優(yōu)化的特點，建立基于PSO-SVM算法的環(huán)境質(zhì)量評價模型。試驗結果表明，通過PSO優(yōu)化的SVM分類器具有較高的分類精度，PSO-SVM模型相比其他常用算法在決策準確度和模型穩(wěn)定性方面都具有一定的優(yōu)勢，應用于智能建筑環(huán)境監(jiān)控系統(tǒng)中，有效地解決了多傳感器信息融合的問題，提高了系統(tǒng)的可靠性。

參考文獻：

[1]辛海亮，鐘佩思，朱紹琦，等.基于ZigBee的物聯(lián)網(wǎng)智能家居控制系統(tǒng)[J].電子技術應用，2013，39（12）：79-82.

[2]朱偉興，戴陳云，黃鵬.基于物聯(lián)網(wǎng)的保育豬舍環(huán)境監(jiān)控系統(tǒng)[J].農(nóng)業(yè)工程學報，2012（11）：101-103.

[3]王超，肖童心，陳楠，等.基于模糊數(shù)據(jù)融合理論的智能家居環(huán)境監(jiān)測系統(tǒng)研究[J].安全，2014（7）：5-8.

[4]周廷剛.基于遺傳神經(jīng)網(wǎng)絡模型的大氣環(huán)境質(zhì)量評價方法[J].四川環(huán)境，2003（3）：73-75.

[5]陳祖云，金波，鄔長福.支持向量機在環(huán)境空氣質(zhì)量評價中的應用[J].環(huán)境科學與技術，2012（S1）：395-398.

[6]陸榮秀.混合核函數(shù)支持向量機在系統(tǒng)建模中的應用[J].華東交通大學學報，2010，27（2）：63-66.

[7] MAALI Y, Al-JUMAILY A. A novel partially connected cooperative parallel PSO-SVM algorithm: study based on sleep apnea detection[C]//Proceedings of the 2012 IEEE Congress on Evolutionary Computation (CEC), Brisbane, Australia，2012：1-8.

[8]李堅強，何穗強，明仲.基于智能網(wǎng)關的數(shù)字家庭系統(tǒng)研究與設計[J].深圳大學學報：理工版，2014（6）：630-637.

[9]中國疾病預防控制中心.GB/T 18883-2002室內(nèi)空氣質(zhì)量標準[S].北京:中國標準出版社，2003．

[10]彭春華，劉剛，孫惠娟.基于小波分解和微分進化支持向量機的風電場風速預測[J].電力自動化設備，2012，32（1）：9-13.

[11]衷路生，齊葉鵬，楊輝，等. PSO優(yōu)化的LS-SVM在列車弓網(wǎng)系統(tǒng)的建模研究[J].華東交通大學學報，2012，29（3）：1-6

[12] KENNEDY J,EBERHART R C. Particle swarm optimization[C]//Proceedings of the IEEE Conference on Neural Network,Perth, Australia，1995，1942-1948.

[13]蘭秀菊，張麗霞，魯建廈，等.基于小波分析和PSO-SVM的控制圖混合模式識別[J].浙江工業(yè)大學學報，2012，40（5）：532-536.

[14]李檀.建筑內(nèi)環(huán)境監(jiān)控儀設計與研究[D].沈陽：沈陽建筑大學，2011.

[15]費勝巍，苗玉彬，劉成良，等.基于粒子群優(yōu)化支持向量機的變壓器故障診斷[J].高電壓技術，2009（3）：509-513.

[1

6]趙敏華，蘇羹，徐立先.基于PSO-SVM的PMV指標預測系統(tǒng)研究[J].建筑熱能通風空調(diào)，2015（3）：73-76.

(責任編輯劉棉玲)

Application of PSO-SVM Algorithm in Environmental Monitoring System of Intelligent Building

Fu Jundong, Zou Huan, Kang Shuihua
(School of Electrical and Electronic Engineering, East China Jiaotong University, Nanchang 330013, China)

Abstract：In environmental monitoring system of intelligent buildings, independent work of multiple sensors may cause misjudgment. Aiming at this problem, this paper proposes an environmental quality comprehensive evalua tion model for optimizing the Support Vector Machine (SVM) by using the Particle Swarm Optimization (PSO) algorithm, in which the SVM parameters of the punishment and the kernel function are optimized by PSO and the established SVM classifiers are trained and tested by using the sample data collected by ZigBee wireless sensor networks. The experimental results show that the average recognition rate of the PSO-SVM classifier is up to 94.44% in evaluating environmental quality, and the classification results are stable. It suggests that the proposed method increase the accuracy of monitoring data and improve working reliability for the environmental monitoring system of intelligent buildings.

Key words：environmental monitoring; multiple sensor; particle swarm optimization (PSO); support vector machine(SVM)

作者簡介：傅軍棟（1972—），男，副教授，研究方向為電力系統(tǒng)、建筑電氣及智能化。

收稿日期：2015－08-12

文章編號：1005-0523（2015）06-0121-07

中圖分類號：TM715

文獻標志碼：A