ارائه يك روش تخمين در پيش‌بيني شاخص‌هاي آسايش حرارتي انسان با بهره‌گيري از طبقه‌بندي ماشين عصبي باور عميق

An adaptive estimation method to predict thermal comfort indices man using car classification neural deep belief

آسايش و عدم آسايش حرارتي انسان از طريق شاخص‌هاي تئوري و تجربي زيادي محاسبه مي‌شوند كه داده‌هاي ورودي اين شاخص‌ها بسياري از عناصر آب و هوايي از جمله سرعت باد، درجه حرارت، رطوبت، تابش خورشيد و غيره مي‌باشد. در مطالعه حاضر از داده‌هاي روزانه درجه حرارت، سرعت باد،رطوبت نسبي و ابرناكي شهر مشهد بين سال‌هاي1392-1383 استفاده شده است. ابتدا پارامتر Tmrt در محيط نرم افزار Ray Man محاسبه و با استفاده از نرم افزار Bioklima مقادير شاخص‌هاي UTCI وPMV استخراج گرديد. نتايج مطالعه نشان مي‌دهد كه شديدترين تنش‌هاي سرمايي بر اساس شاخص PMV در فصل زمستان و اواخر فصل پاييز مشاهده مي‌شود. و شاخص UTCI نيز در ماه‌هاي دي و بهمن بيشترين تنش سرمايي را دارند. با وجود توانايي شبكه‌هاي عصبي، پيش بيني عملكرد آينده شبكه (تعميم يافتگي) به سادگي امكان‌پذير نيست و لذا مدل جديدي در اين مقاله ارائه گرديده كه از شبكه‌هاي عصبي مبتني بر ماشين بولتزمان محدود شده يا شبكه‌هاي عصبي باور عميق بهره گرفته است. با بكارگيري اين ساختار، معيارهاي ميانگين مربعات خطاي استاندارد (MSE) و ميانگين مطلق درصد خطا (MAPE) محك خوردند و براي 7 شاخصه حاصل از داده‌هاي گردآوري شده كه سه شاخصه مربوط به زمان وقوع شرايط آب و هوايي و سايرين، شاخص‌هاي حرارتي آسايش انسان است، در سيستم ارزيابي گرديد. ارزيابي با تقسيم داده‌ها به بخش‌هاي آموزشي و آزمايشي و به ترتيب به نسبت‌هاي دوسوم، پنجاه درصد و يك سوم صورت پذيرفته است و دو محك MSE و MAPE محاسبه شدند. عملكرد سيستم پيشنهادي در پيش بيني وضعيت آسايش حرارتي انسان مطلوب بود.

Human thermal comfort and discomfort of many experimental and theoretical indices are calculated using the input data the indicator of climatic elements are such as wind speed, temperature, humidity, solar radiation, etc. The daily data of temperature، wind speed، relative humidity، and cloudiness between the years 1382-1392 were used. In the First step، Tmrt parameter was calculated in the Ray Man software environment. Then UTCI and PMV index values were calculated using Bioklima software. The results showed that the most severe cold temperature stress on PMV index is in the winter and late autumn and UTCI index in January and February are the coldest stress. The power of neural networks, prediction of future performance network (generalized orientation) it simply is not possible and the new model presented in this paper have been restricted Boltzmann machine-based neural networks or neural networks is used deep belief. Using this structure, metrics Mean Squared Error (MSE) and mean absolute percentage error (MAPE) benchmark ate for seven indexes derived from data gathered by three factors related to the occurrence of weather conditions and other indicators of thermal comfort of human the system was evaluated. Assessment by dividing the data into training and testing parts, and the ratios have been of two-thirds, fifty percent and one-third and two benchmark MSE and MAPE were calculated. The proposed system performance in forecasting the human thermal comfort is desirable.