[发明专利]一种智慧人居环境气流组织优化方法

权利要求书

1.一种智慧人居环境气流组织优化方法，其特征在于：通过人工智能的引入实现人居环境气流组织的快速、全局优化；

(1)建立建筑几何参数、通风参数与其对应的流场数据组成的匹配对数据库；

(2)运用多个自编码网络堆栈而成的机器学习模型对匹配对数据库中的数据集合进行学习，抽象出数据背后的隐函数关系；

(3)在训练集、测试集中挖掘建筑几何、通风参数与气流组织间的数学映射关系：包括堆栈自编码网络预训练、输出权重的最小二乘学习两部分；

(4)定制基于机器学习的性能化模拟工具实现通风参数改变下的气流组织实时同步获取；

(1.1)在已公开的CFD模拟得到的各类建筑室内气流组织中，提取建筑几何参数、通风参数与其对应的流场数据，构造由三类数据组成的匹配对数据库，其中针对不同工况的三类数据均是一一对应关系；

(1.2)所述建筑几何参数为由建筑外形尺寸，内部构造组成的多维向量X；所述通风参数是由风口位置、风速、角度组成的三维向量Y；所述气流场数据为CFD网格节点上的速度矢量构成的多维矩阵P_v；

(1.3)匹配对数据库中的建筑几何参数、通风参数作为输入数据集，可简化为为n维输入变量，气流场数据作为输出数据集y^(k)；

(1.4)将匹配对数据库拆分为训练集T_train和测试集T_test两部分；

即匹配对数据库T为：

T＝T_Train∪T_Test (1)

(1.5)已公开的新的CFD模拟数据可随时添加进匹配对数据库中扩充学习样本数量；步骤(2)中包括：

(2.1)自编码网络是一种无监督的神经网络，包含输入层、隐含层和输出层；该网络通过对原始特征的自学习，获得有限数量的特征表示，并利用这些特征表示达到重构输入的目的；

(2.2)自编码网络的参数学习分为两个过程：编码过程与解码过程；在编码过程中，首先对隐含层λ₁(x)进行自学习，其中λ₁(x)的计算公式如下：

λ₁(x)＝w(Y₁x+c₁) (2)

其中，Y₁为编码矩阵，c₁为编码偏置向量，w(·)为tan h函数；

(2.3)具有M个隐含层的自编码网络结构，解码过程则是通过确定解码矩阵来实现将隐含层表示λ₁(x)解码为重构数据λ₂(x)的过程，重构数据λ₂(x)的输出公式为

λ₂(x)＝f(Y₂x+c₂) (3)

其中，Y₂为解码矩阵，c₂为解码偏置向量，f(·)为tan h函数；

自编码网络学习过程通过最小化如下所示的均方误差代价函数实现网络参数的优化过程，即

因此，自编码网络的最优参数集可转化为求解如下优化问题

该优化问题一般通过BP神经网络算法求解；在此基础上堆栈多个自编码网络即可得到用于挖掘数据隐函数关系的机器学习模型；

(2.4)具有j个隐含层的堆栈自编码学习网络的结构及训练方法

在训练集T_Test中，该模型在第j个隐含层上的最终输出可以表示为：

其中，与分别为第j个自编码网络的编码矩阵与编码偏置向量，w(·)为tan h函数。

2.根据权利要求1所述的智慧人居环境气流组织优化方法，其特征在于：首先，将建筑室内的几何数据、通风参数与其对应的流场信息数据进行快速组织归纳，通过机器学习的方式抽象出数据背后的隐藏关联；其次，定制基于机器学习的建筑环境性能化模拟工具，并将其应用于通风方案、建筑室内构造的设计中。

3.根据权利要求1所述的智慧人居环境气流组织优化方法，其特征在于，步骤(3)中包括：

(3.1)堆栈自编码网络预训练首先将MLM的第一层作为一个自编码网络来训练，将训练数据作为输入来最小化公式(4)，并初始化χ＝2；

(3.2)训练第χ层时，将作为输入来最小化公式(4)；

(3.3)令χ＝χ+1，并迭代(3.2)步；χ＞j时停止迭代，转入(3.4)；

(3.4)网络最终输出为将其作为学习模型输入；

(3.5)在输入、输出数学映射关系挖掘部分，将采用最小二乘方法优化输出权重θ；当所有自编码网络参数均被确定后，输入数据集所对应的隐含层表示λ_j(x^(k))为已知；在气流组织预测问题中，总是希望关于x^(k)的估计值可以准确逼近实际输出y^(k)，将其写为如下公式：

其中，

即：

λ_j(x)θ＝y (8)

以上公式即描述了输入参数包括建筑几何、通风参数与输出参数包括气流组织节点数据的数学映射关系，其中隐函数λ_j(x)可由下式学习得到：

根据矩阵论，最优的输出权重向量θ为公式的极小范数最小二乘解，即：

θ＝λ_j(x)^↑y (10)

公式(8)-(10)用于在给定输入建筑几何与通风参数的条件下，直接学习匹配输出的节点气流场数据。