1 引言

室內(nèi)自然光照度受建筑周圍的環(huán)境、所在樓層的高度、窗戶的分布情況、室外直射光的照度、室外天空光的照度、太陽高度角、太陽方位角等眾多因素的影響，隨機(jī)性較大，因此對室內(nèi)自然光照度進(jìn)行有效的預(yù)測具有重要的意義，近年來關(guān)于室內(nèi)照度預(yù)測的算法主要有遺傳算法^[1]、人工神經(jīng)網(wǎng)絡(luò)法^[2,3]、自適應(yīng)神經(jīng)模糊預(yù)測算法^[4,5]等。支持向量機(jī)（SVM）建立在結(jié)構(gòu)風(fēng)險最小化理論原則基礎(chǔ)上，利用非線性映射將輸入樣本空間映射到高位特征空間，從而可以解決非線性的分類回歸問題，對于解決小樣本情況的分類回歸問題優(yōu)勢明顯，具有避免陷入局部最優(yōu)、較強(qiáng)的泛化能力等優(yōu)點，本文將支持向量機(jī)（SVM）引入到室內(nèi)照度預(yù)測研究中，并通過MATLAB軟件進(jìn)行了仿真分析。

2 室內(nèi)自然光照度特性分析

本文選取室外直射光的照度、天空光的照度、太陽高度角、太陽方位角四個變量作為樣本的輸入量，室內(nèi)三個指定位置的照度作為樣本的輸出量。

太陽高度角和太陽方位角一般用來表示太陽在地球上的位置，太陽高度角是指太陽直射光線與地平面的夾角，日出和日沒時太陽高度角為0，中午最大。太陽方位角是指太陽直射光線在地平面上的投影線與地平面正南方的夾角，通常以正南方向為0，由南向西為正值，由南向東為負(fù)值，太陽高度角h以及太陽方位角a的計算如式（1）、（2）。

                                         （1）

                                                （2）

                                                  （3）

式中：φ表示地區(qū)的緯度，北緯為正，南緯為負(fù)；δ表示太陽的緯度；t表示時間角度，t的取值如表1；n表示一年中的第n天。

表1 時間角度表

室外直射光的照度通過使用有遮光筒的照度計對著太陽光進(jìn)行跟蹤測量得到，天空光的照度通過水平放置照度計跟蹤測量得到^[6]。

3 支持向量機(jī)（SVM）

支持向量機(jī)(SVM)^[7-9]由Vapnik教授在上世紀(jì)九十年代提出，是一種新的學(xué)習(xí)機(jī)器算法，基于結(jié)構(gòu)風(fēng)險最小化原理，將輸入向量映射到高維的特征空間，然后在高維的特征空間中求得一個最優(yōu)分類面，從而得到輸入與輸出之間的關(guān)系結(jié)構(gòu)。它能夠避免人工神經(jīng)網(wǎng)絡(luò)中易陷入局部最小值的缺點，目前已廣泛應(yīng)用于分析預(yù)測、模式識別、回歸估計等各個領(lǐng)域^[10-16]。

4 支持向量機(jī)（SVM）的室內(nèi)照度預(yù)測模型仿真

本文以鄭州市(東經(jīng)113.65，北緯34.72)某室內(nèi)實測的照度作為訓(xùn)練樣本，運用MATLAB2012仿真軟件進(jìn)行仿真分析，通過支持向量機(jī)（SVM）建立室內(nèi)照度預(yù)測模型，對室內(nèi)照度進(jìn)行預(yù)測，模型預(yù)測效果采用平均絕對百分比誤差（MAPE）來進(jìn)行評價。

                    （4）

式中：為測試樣本的個數(shù)；為照度實際值；為預(yù)測照度值。實驗中分別對8:00,10:00,12:00,14:00,16:00對應(yīng)三個位置的照度進(jìn)行預(yù)測，圖1顯示了上午10點對應(yīng)三個位置預(yù)測照度的示意圖，表2顯示了五個時刻（每一時刻預(yù)測三個位置的照度）共計15組照度的預(yù)測結(jié)果。

圖1 照度預(yù)測示意圖

由表2可知：只有少數(shù)預(yù)測照度相對誤差較大，大部分預(yù)測照度的相對誤差都較小，且平均絕對百分比誤差僅為6.1%，預(yù)測結(jié)果比較理想，從而驗證了支持向量機(jī)（SVM）在室內(nèi)照度預(yù)測中的可行性。

表2 照度的預(yù)測結(jié)果

5 結(jié)束語

本文利用支持向量機(jī)（SVM）建立了室內(nèi)照度預(yù)測模型，由模型得到的預(yù)測照度與實際照度較為接近，預(yù)測效果較為理想，驗證了支持向量機(jī)（SVM）預(yù)測模型在室內(nèi)照度預(yù)測中的可行性，支持向量機(jī)（SVM）預(yù)測模型可作為室內(nèi)照度預(yù)測的一種方法，為進(jìn)一步研究室內(nèi)自然光和人工光的綜合利用等提供了有關(guān)的理論方法，具有一定的研究意義。

參考文獻(xiàn)：

[1]  Coley D A，Crabb J A．An artificial intelligence approach to the prediction of natural lighting levels[J]．Building and Environment，1997，32（2）：81~85

[2]  Hu Jia，Olbina S．Illuminance-based slat angle selection model for automated control of split blinds[J]．Building and Environment，2011，46：786~796

[3]  Kazanasmaz T，Günaydin M，Binol S．Artificial neural networks to predict daylight illuminance in office buildings[J]．Building and Environment，2009，44：1751~1757

[4]  王金光．智能照明控制策略的研究與仿真[D]．同濟(jì)大學(xué)，2008:58～72

[5]  馮冬青，平燕娜，劉新玉．室內(nèi)自然光照度自適應(yīng)神經(jīng)模糊預(yù)測方法研究[J]．照明工程學(xué)報，2012，23（2）：15~19

[6]  李農(nóng)，楊燕．照明手冊[M]．北京：科學(xué)出版社，2003：219~221.

[7]  Vapnik V．The nature of statistical learning theory[M]．New York：Springer-Verlag，1995

[8]  Vapnik V．An overview of statistical learning theory[J]．IEEE Transactions on Neural Networks，1999，10(5)：988~999

[9] Cortes C，Vapnik V．Support vector networks[J]．Machine Learning，1995,20（3）：273~297

[10] 張華，曾杰．基于支持向量機(jī)的風(fēng)速預(yù)測模型研究[J]．太陽能學(xué)報，2010，31（7）：928~932

[11] 陳海英．基于支持向量機(jī)的上證指數(shù)預(yù)測和分析[J]．計算機(jī)仿真，2013，30（1）297~300

[12] 強(qiáng)生杰，孔令剛．壓力傳感器的支持向量機(jī)非線性回歸建模[J]．傳感器與微系統(tǒng)，2012，31（4）：50~52

[13] 葉小嶺，廖俊玲，高大惟等．基于粒子群支持向量機(jī)的濕度傳感器溫度補(bǔ)償[J]．2013，(11):14~16

[14] 張艷萍，史巖巖，王珊珊．支持向量機(jī)初始化常模算法在MIMO系統(tǒng)中的應(yīng)用[J]．河南科技大學(xué)學(xué)報: 自然科學(xué)版2014（4）：33-37．

[15] 嚴(yán)其艷.基于支持向量回歸機(jī)的并聯(lián)機(jī)床表面粗糙度預(yù)測[J].實驗室研究與探索,2017,36(01):30-33+37.

[16] 單曉敏,李峰,吳曉強(qiáng),黃云戰(zhàn).基于支持向量回歸機(jī)的磨削力預(yù)測[J].實驗室研究與探索,2016,35(10):24-27.

• 上一篇：Photoshop在網(wǎng)頁效果圖設(shè)計中的應(yīng)用研究
• 下一篇：FlexRay總線的安全加密認(rèn)證研究