发布时间：2019-05-17所属分类：科技论文浏览：1次
摘 要： 摘要:针对目前国内室内环境监测系统普及度较低和舒适度测试需求，设计并实现了一种基于云计算平台的室内环境监测系统。基于物联网技术通过多传感器对室内环境信息进行采集，采集数据通过无线传感网络存储到云端数据库。云计算平台采用二级融合算法对采集数据
摘要:针对目前国内室内环境监测系统普及度较低和舒适度测试需求，设计并实现了一种基于云计算平台的室内环境监测系统。基于物联网技术通过多传感器对室内环境信息进行采集，采集数据通过无线传感网络存储到云端数据库。云计算平台采用二级融合算法对采集数据进行分析处理并提供Web服务，用户可以通过网页或者终端实时查看室内环境并得到反馈结果。实验结果表明:设计的系统成本低、功耗小，易扩展，能够全面地对室内环境进行监测、统计和舒适度评价，具有较好的实用价值。
关键词:云计算;神经网络;D-S证据理论;环境监测
0引言
室内环境的健康舒适和安全等方面因素得到了很多国家和地区的关注，具有很大的研究价值。文献[1]通过对室内热环境舒适度评价及有害气体浓度预警，设计并实现了室内环境监测系统。文献[2]运用无线传感网络和通用分组无线业务(generalpacketradioservice，GPRS)无线通信技术对室内的温度、甲醛和CO进行监测。
文献[3]通过ZigBee技术和WiFi技术相结合，完成了一种基于物联网的室内环境监测系统。但目前对室内环境监测及评价研究大都只是针对于室内单一环境因素，不足之处在于对室内环境的监测及舒适性评估存在一定的局限性。本文综合考虑声、光、热环境和室内空气质量对人的影响，通过物联网技术和云计算平台，将室内各环境相结合，得到室内环境综合评价结果，极大地提高了室内环境监测系统的准确性和有效性。
1室内环境监测系统设计
该系统由数据采集子系统和云计算处理平台两部分组成。采集子系统使用CC2530作为控制单元，针对室内声、光、热环境及空气品质监测分别采用对应的传感器组:温湿度传感器采用DHT11，光照度传感器选用GY—485—44009，噪声模块选用AS11—X，甲醛浓度检测模块选用DS—HCHO，总挥发性有机化合物(totalvolatileorganiccompound，TVOC)浓度检测模块选用KQM2801A，CO2浓度检测传感器选用S8—0053。
传感器组在采集同时对应编号处理，以便对不同采集点进行识别，采集数据通过无线传感网络存储到云服务器数据库，以便云计算平台进行数据处理，云计算平台通过神经网络和D-S(Dempster-Shafer)证据理论两级数据融合对室内环境进行综合评价并提供Web服务。
2室内环境舒适度评价描述
2.1室内热环境舒适度评价
本文对室内热环境描述采用PMV-PDD指标[4]。PMV指标主要用于热环境舒适度评价，而PDD指标表示人们对热环境的不满意系数，根据PMV-PDD模型计算以及ISO标准。
2.2室内光环境舒适度评价
对于室内光环境舒适度通过LPDD来评价，表示人们对照明光环境的满意情况[5]。根据韦伯—费昔勒定律，在没有强光闪烁的环境中，光环境舒适度可以用该环境中人眼光刺激LPMV指标来表示。
2.3室内声环境舒适度评价
目前对噪声的普遍评价是根据噪音的客观因素，仅仅根据噪声分贝的大小来评价噪声的影响。本文从噪声对人的影响四个维度来考虑，分别是噪声影响正常交流、影响思考、影响休息以及噪声导致人们情绪的变化。
2.4室内空气品质评价
大多对室内环境监测研究中，基本都包含了室内空气品质的实时监测。本文通过传感器检测室内CO2浓度、甲醛浓度和TVOC浓度来评价室内空气质量[6]，根据国家室内空气质量标准GB/T18883—2002。
3云计算平台融合算法
云计算平台的处理首先通过神经网络对室内各环境采集的数据进行特征级融合，然而神经网络在预测过程中容易陷入局部极小点，存在识别度不足和准确性低等问题，D-S证据理论可以将证据之间微弱的差别进行累加，当这些差别累积到一定程度时就很方便进行区分，从而提高评价的准确率。本文通过D-S证据理论对特征级融合结果进行分析决策判断，得到室内环境的综合舒适度评价。
3.1基于神经网络的特征级融合算法
根据热舒适度指标PMV计算公式可知，其计算结果和输入参数间存在复杂的非线性关系，计算PMV值的关键是求解tcl，而tcl的计算又依赖于hc，而hc的求解又依赖于tcl，其运算过程存在迭代嵌套。反向传播(backpropagation，BP)神经网络在很多领域都有广泛的应用，但由于BP神经网络采用基于梯度下降作为其学习算法，容易陷入局部极小值问题。
而遗传算法作为一种全局优化搜索方法，容易得到全局最优解，通过遗传算法对BP网络的初始权值和阈值进行优化。因此将遗传算法与BP神经网络结合，可以避免各自存在的问题，从而能够达到快速收敛[7]。
通过遗传算法进行优化得到BP网络的初始权值和阈值，再通过BP算法进行学习。对于室内热环境评价的神经网络模型，其输入层节点数为6个，即影响PMV指标的6个因素，其输出为对应的PMV和PDD值。实验时，将训练精度设置为10-3，BP神经网络通过89次满足预期要求，而遗传算法优化的神经网络在满足同等条件下仅需12次就达到了设定精度要求，对比可知，通过遗传算法优化的BP神经网络极大提高了BP网络的收敛速度。
对于室内声、光环境和空气品质采用BP神经网络。室内光环境中输入层节点数为3，室内声环境的输入层节点为4，空气品质的输入层节点为4，其输出为对应评价的4个等级。为了避免在D-S证据理论进行决策级融合时由于BPA为0而引起证据冲突问题，在测试中将输出定义为0.1和0.9，而非传统的0和1。将网络的目标误差E设为10-3，室内光环境、声环境和空气品质的训练模型分别通过114，169，54次学习，达到设定精度。根据训练好的网络模型，通过传感器采集的样本数据进行仿真。
5结论
本文通过室内环境监测和舒适度融合评估问题，通过物联网技术和云计算平台开发了一种使用方便、成本低、稳定的室内环境监测系统。在云计算处理平台实现了一种神经网络与D-S证据理论相结合的两级融合评价模型，将各环境相结合进行综合评价，很好地克服了在传统室内环境监测评估中，由于监测评估环境单一而产生的局限性和不确定性，提高了室内环境评价的可靠性和容错能力，具有很好的实用性和市场价值。
参考文献:
[1]孙占鹏，李佳，欧文.多传感器室内环境监测系统[J].传感器与微系统，2017，36(1):87-90.
[2]刘向举，刘丽娜.基于物联网的室内环境监测系统的研究[J].传感器与微系统，2013，32(3):37-39，42.
[3]闻利群，秦斌伟，张会新，等.基于ZigBee和WiFi技术的室内环境安全监测系统设计[J].电子设计工程，2017，25(7):78-82.
[4]ISO7730—19.Moderatethermalenvironment-determinationofthePMVandPDDindicesandthespecificationofconditionsforthermalcomfort[S].
[5]左现广，邹勇惠，陈仲林.住宅起居室舒适照明研究[J].灯与照明，2003，27(1):21-23.
[6]杨鸿翥.基于GA-BP的住宅室内空气品质评价研究[D].武汉:华中科技大学，2007.
[7]胡晓倩，张莲，蒋东荣.遗传神经网络在室内环境热舒适度融合评价中的应用研究[J].重庆理工大学学报:自然科学版，2014，28(9):102-107.
相关刊物推荐：《灯与照明》(季刊)创刊于1977年，由重庆照明学会、重庆灯泡工业公司主办。本刊自创刊以来，锐意进取，精心运作，围绕“权威、信息、实用”的办刊宗旨，立足西部，辐射全国，已成为国内光源及照明行业中具有权威性和影响力的专业杂志，面向国内外公开发行。
SCISSCIAHCI
