一种基于中立二型模糊集的绿色建筑经济性判定方法与流程

1.本发明涉及绿色建筑经济性判定技术领域，尤其涉及一种基于中立二型模糊集的绿色建筑经济性判定方法和装置以及设备。


背景技术：

2.建筑对经济、社会和环境的影响巨大。随着建筑对环境的影响越来越重视，绿色建筑的经济评估在建筑行业中显得越来越重要。
3.现有的绿色建筑经济性判定方案，一般是建立绿色建筑指标，根据该指标建立神经网络模型，进而预估判定绿色建筑经济性。
4.然而，现有的绿色建筑经济性判定方案，主观因素影响较大，神经网络训练过程中不够快速准确。


技术实现要素：

5.有鉴于此，本发明的目的在于提出一种基于中立二型模糊集的绿色建筑经济性判定方法和装置以及设备，能够实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。
6.根据本发明的一个方面，提供一种基于中立二型模糊集的绿色建筑经济性判定方法，包括：选用若干评价指标因子，基于该评价指标因子构建神经网络模型，输出神经网络权重值；基于该神经网络权重值将神经网络模型转换为连续非线性系统的控制框架；基于该控制框架构建滑膜控制器调整神经网络模型权重值优化神经网络。
7.根据本发明的另一个方面，提供一种基于中立二型模糊集的绿色建筑经济性判定装置，包括：评价指标因子模块、神经网络模块、框架模块和滑膜控制器模块；所述评价指标因子模块，用于选用绿色建筑的评价指标因子；所述神经网络模块，用于构建神经网络模型，输出神经网络权重值；所述框架模块，用于将神经网络模型转换为连续非线性系统的控制框架；所述滑膜控制器模块，用于构建滑膜控制器调整神经网络模型权重值。
8.根据本发明的又一个方面，提供一种基于中立二型模糊集的绿色建筑经济性判定设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的基于中立二型模糊集的绿色建筑经济性判定方法。
9.根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的基于中立二型模糊集的绿色建筑经济性判定方法。
10.可以发现，以上方案，本发明提出的利用具有中立二型模糊集的大脑情感学习神经网络去实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。中立二型模糊集的神经网络使得系统更能有效处理不确定性信息，如非线性、时变性
等，有效解决现有的绿色建筑经济性判定方案，主观因素影响较大的问题；同时针对算法收敛慢且学习误差大的问题，给出了将神经网络模型转化为连续非线性系统的控制框架，利用滑膜控制器对权重进行在线调整的技术方案，利用调整的学习率对模型进行迭代训练，保证了模型训练过程中快速与准确的收敛。
附图说明
11.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
12.图1是本发明基于中立二型模糊集的绿色建筑经济性判定方法一实施例的流程示意图；
13.图2是本发明基于中立二型模糊集的绿色建筑经济性判定方法一实施例的框架示意图。
具体实施方式
14.下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
15.本发明提供一种基于中立二型模糊集的绿色建筑经济性判定方法，能够实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。
16.请参见图1、图2，图1是本发明基于中立二型模糊集的绿色建筑经济性判定方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。图2是本发明基于中立二型模糊集的绿色建筑经济性判定方法一实施例的框架示意图。如图1、图2所示，该方法包括如下步骤：
17.s1：选用12通道的绿色建筑的评价指标因子，构建具有五层映射关系的中立二型模糊大脑情感学习神经网络模型。
18.在本实施例中，选用12通道的绿色建筑的评价指标因子如下：
19.1)x1指能源的有效利用；
20.2)x2指土地资源的有效利用；
21.3)x3指水资源的有效利用；
22.4)x4指材料的有效利用；
23.5)x5指室内空气品质与通风；
24.6)x6指室内热环境；
25.7)x7指室内声环境；
26.8)x8指大气环境影响；
27.9)x9指水污染；
28.10)x
10
指光污染；
29.11)x
11
指噪声污染；
30.12)x
12
固体垃圾的处理。
31.构建xi,i＝1,2,
…
,12,作为12通道的绿色建筑的评价指标因子。
32.在本实施例中，构建具有五层映射关系的中立二型模糊大脑情感学习神经网络模型，描述如下：
33.第1层(输入层)：这层是信号的传输层，信号直接被传输使用如下：
34.xi,i＝1,2,
…
,12.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
35.第2层(模糊化层)：这层是高斯函数归一化处理，采用a和o的上下通道结构，分别采用高斯函数对历史与当前数据进行归一化处理，描述如下：
[0036][0037][0038][0039][0040]
其中，分别表示上一时刻和当前时刻的高斯函数均值，分别表示表示上一时刻和当前时刻的高斯函数的标准差，符号exp代表e的指数运算,p为神经网络模型的层数,是高斯函数的运算结果。
[0041]
第3层(模糊规则强度层)：这层代表模糊规则的处理部分，因此这一层的结果是通过累乘运算后得到，其输出可以描述为：
[0042][0043][0044]
其中，符号∏表示累乘运算符,符号表示为取值0-1之间的常数，定义为权重因子，是为了权衡上一刻的数据与当前数据的重要程度，是高斯函数累乘的运算结果。
[0045]
第4层(结论层)：这层代表输出信号的权重累加，表示如下：
[0046][0047][0048]
其中{ya，yo}是高斯函数累加的运算结果，为权重因子，他们的表达式定义如下：
[0049][0050][0051]
其中是通道的权重值，是将输入数据xi的维度12整合为k维度的增强表示,q为k变量的输入维数。
[0052]
第5层(输出层)：大脑神经网络模型的输出表示为：
[0053]
a＝yav,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0054]
o＝yoω,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0055]
out＝a-o,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0056]
其中{a，o}分别代表不同通道的输出，v和ω分别为他们相应的权重，out为神经网络输出。
[0057]
s2：转换构建的中立二型模糊大脑情感学习神经网络模型为连续非线性系统的控制框架。
[0058]
在本实施例中，基于五层模型的函数表达可以知道在本实施例中，基于五层模型的函数表达可以知道都是权重值，这些权重值在模型的迭代训练过程中应该要被优化更新。构建的二型中立模糊大脑情感学习神经网络模型可以改写为如下的函数表达形式：
[0059][0060]
其中，向量x＝[x1,x2,
…
,x
12
]
t
是绿色建筑的评价指标因子，y是模型的输出结果。
[0061]
对以上的函数表达式求偏导数，得到：
[0062]
[0063]
现在定义绿色建筑的评价参考指标yd，计算误差如下：
[0064]
e＝y-yd.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0065]
进一步定义b(t)是系统输入矩阵，u(t)是系统控制输入，w(t)是系统扰动，
[0066]
公式(17)求导可以进一步写成以下的连续非线性系统框架：
[0067][0068]
s3：采用长短期记忆网络对该构建的长短期记忆网络回归模型进行训练。
[0069]
在本实施例中，引入以下控制器：
[0070][0071]
其中，是待求的控制器。
[0072]
将公式(20)代入(19)得到：
[0073][0074]
进一步定义积分滑膜面为：
[0075][0076]
给定以下的滑膜控制器：
[0077][0078]
其中k是待求的控制器增益，||w(t)||是扰动w(t)的无穷范数，sgn是符号函数。
[0079]
为了求解控制器增益k，建立李雅普诺夫函数如下：
[0080]
v(t)＝e
t
pe
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0081]
其中p是正定对称的矩阵。
[0082]
定义李亚普诺夫函数的导数：
[0083][0084]
进一步定义一个矩阵g，那么由公式(25)得到：
[0085][0086]
将李亚普诺夫函数的导数带入该式中并令j(t)《0得到线性矩阵不等式，将公式(25)代入(26)后，得到以下的线性矩阵不等式：
[0087][0088]
当公式(27)成立，那么得到意味着系统稳定，且j(t)《0意味着系统满足h无穷的性能指标。
[0089]
为了验证滑膜控制(23)是否可以使得系统稳定，建立李雅普诺夫函数如下：
[0090][0091]
定义李亚普诺夫函数的导数：
[0092][0093]
以上说明我们现在的滑膜控制器可以使得绿色建筑的神经网络训练过程收敛。那么绿色建筑神经网络的学习过程中参数的更新总结如下：
[0094][0095]
[0096][0097][0098][0099][0100]
[0101][0102][0103][0104]
[0105][0106]
以上选择的优化学习率(30)-(41)，对模型进行迭代的训练，并利用测试的数据进行测试，保证了模型在训练过程中快速与准确收敛。最终实现对绿色建筑的评价应用。
[0107]
可以发现，在本实施例中，本发明提出的利用具有中立二型模糊集的大脑情感学习神经网络去实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。中立二型模糊集的神经网络使得系统更能有效处理不确定性信息，如非线性、时变性等，有效解决现有的绿色建筑经济性判定方案，主观因素影响较大的问题；同时针对算法收敛慢且学习误差大的问题，给出了将神经网络模型转化为连续非线性系统的控制框架，利用滑膜控制器对权重进行在线调整的技术方案，利用调整的学习率对模型进行迭代训练，保证了模型训练过程中快速与准确的收敛。
[0108]
本发明还提供一种基于中立二型模糊集的绿色建筑经济性判定装置，能够实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。
[0109]
本实施例中，该基于中立二型模糊集的绿色建筑经济性判定装置包括评价指标因子模块、神经网络模块、框架模块和滑膜控制器模块；所述评价指标因子模块，用于选用绿色建筑的评价指标因子；所述神经网络模块，用于构建神经网络模型，输出神经网络权重值；所述框架模块，用于将神经网络模型转换为连续非线性系统的控制框架；所述滑膜控制器模块，用于构建滑膜控制器调整神经网络模型权重值。
[0110]
可选地，该评价指标因子模块、神经网络模块，可以具体用于：
[0111]
构建若干通道的绿色建筑的评价指标因子，并通过该评价指标因子构建神经网络输入层，和利用区间二型高斯型隶属度函数构建连接传输层的模糊化层，和构建连接模糊化层的模糊规则强度层，和构建连接模糊规则强度层的结论层，以及构建连接结论层的输出层。
[0112]
可选地，该框架模块，可以具体用于：
[0113]
神经网络构建完成后获得若干权重值，利用该权重值将神经网络模型改写为函数表达式：
[0114]
y＝f(ω1,ω2,
…
,ωi,x),i＝1,2,
…
,n
[0115]
其中，ωi表示权重值，向量x＝[x1,x2,
…
,x
12
]
t
是绿色建筑的评价指标因子，y是模型的输出结果；和对该函数表达式进行求导得：
[0116][0117]
；和定义绿色建筑的评价参考指标yd，计算误差如下：
[0118]
e＝y-yd.
[0119]
以及定义b(t)是系统输入矩阵，u(t)是系统控制输入，w(t)是系统扰动：
[0120][0121]
进一步得到连续非线性系统框架：
[0122][0123]
可选地，该框架模块，可以具体用于：
[0124]
引入以下控制器
[0125][0126]
其中，是待求的控制器；
[0127]
基于该待求控制器进一步得到：
[0128][0129]
进一步定义积分滑膜面为：
[0130][0131]
其中k是待求的控制器增益，||w(t)||是扰动w(t)的无穷范数，sgn是符号函数；g是选取的矩阵参数
[0132]
为了求解控制器增益k，建立李雅普诺夫函数如下：
[0133]
v(t)＝e
t
pe
[0134]
其中p是正定对称的矩阵；
[0135]
定义李亚普诺夫函数的导数：
[0136][0137]
定义一个矩阵g，由李亚普诺夫函数的导数得：
[0138][0139]
将李亚普诺夫函数的导数带入该式中并令j(t)《0得到线性矩阵不等式：
[0140][0141]
[0142]
当该线性矩阵不等式成立，表示系统稳定，且j(t)《0表示系统满足h无穷的性能指标；基于不等式成立的情况下，对权重值更新。
[0143]
可以发现，以上方案，本发明提出的利用具有中立二型模糊集的大脑情感学习神经网络去实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。中立二型模糊集的神经网络使得系统更能有效处理不确定性信息，如非线性、时变性等，有效解决现有的绿色建筑经济性判定方案，主观因素影响较大的问题；同时针对算法收敛慢且学习误差大的问题，给出了将神经网络模型转化为连续非线性系统的控制框架，利用滑膜控制器对权重进行在线调整的技术方案，利用调整的学习率对模型进行迭代训练，保证了模型训练过程中快速与准确的收敛。
[0144]
该基于中立二型模糊集的绿色建筑经济性判定装置的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
[0145]
本发明又提供一种基于中立二型模糊集的绿色建筑经济性判定设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的基于中立二型模糊集的绿色建筑经济性判定方法。
[0146]
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
[0147]
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
[0148]
本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
[0149]
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0150]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0151]
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可
以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0152]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0153]
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。