第四章 基于模糊神经网络的室内光

第四章基于模糊神经网络的室内光、声环境舒适度及空气品质融合评价本课题是对影响室内光、声环境舒适度及空气品质的各因素进行的等级划分，然后将各影响因素融合以得到室内光、声环境舒适度等级和空气品质等级，是对模糊输入信号进行融合处理。而模糊神经网络在解决这类问题时具有优势，因此本课题采用模糊神经网络进行室内光、声环境舒适度及空气品质的融合评价。结合模糊评价法与神经网络评价法的优点，建立了基于模糊神经网络的室内光、声环境舒适度及空气品质融合评价模型，以实现两者的优势互补。4.1模糊理论与神经网络相结合的优点神经网络具有并行计算、分布式信息存储、容错能力强及自适应学习能力等优点，但一般来说，神经网络不适合表达基于规则的知识，即其内部知识表达是不清楚的。因此在神经网络训练时，由于不能很好的利用先验知识，常常只能将初始权值取为零或随机数，从而增加了网络的训练时间和陷入非要求的局部极值，这是神经网络的不足。另一方面，模糊逻辑是一种处理不确定性、非线性等问题的有力工具，比较适合于表达那些模糊或定性知识，其推理方式比较适合于人的思维模式，但模糊逻辑系统缺乏学习和自适应能力，只能主观地依赖先验知识确定隶属函数和模糊规则，不能根据积累的经验自动改善系统的功能[59]。由此可知，神经网络和模糊理论的优缺点具有明显的互补性，将神经网络和模糊逻辑有机的结合起来，综合二者的长处，可以得到比单独的神经网络系统或单独的模糊系统更好的系统。模糊神经网络（FuzzyNeuralNetwork，FNN）是具有模糊权系数或者输入信号是模糊量的神经网络，是模糊系统与神经网络相结合的产物，它汇聚了神经网络与模糊系统的优点，集联想、识别、自适应及模糊信息处理于一体。模糊神经网络的主要特点是利用神经网络调整模糊逻辑推理系统的隶属度函数和推理规则，利用模糊推理规则的形式构造神经网络结构，从而充分发挥各自的优点。模糊规则经过神经网络的学习，以“权值”的形式体现出来，这样规则的生成和修改则转化为权值的确定和修改。模糊神经网络的结构决定了模糊规则条数以及隶属度函数个数，而参数决定了每条规则的具体表达及隶属度函数的形状[60]。由于本课题是先对影响室内光、声环境舒适度及空气品质的各因素进行等级划分，然后将各影响因素融合得到室内光、声环境舒适度等级和空气品质等级，是对模糊输入信号进行融合处理，模糊神经网络结合了模糊评价法与神经网络评价法的优点，在解决这类问题时具有优势。因此，本课题采用模糊神经网络进行室内光、声环境舒适度及空气品质的融合评价。4.2基于模糊神经网络的室内光环境舒适度融合评价4.2.1基于模糊神经网络的室内光环境舒适度融合评价模型的建立模糊神经网络一般是多层前馈网络，分为前层、中层和后层，前层完成前提变量基本模糊隶属函数的模拟功能以实现模糊化，中层构成模糊逻辑推理机，后层则完成解模糊的功能。其前、中、后层由单层或者多层节点构成，每个节点层的节点数以及权值可根据模糊系统所采用的具体模块预置，通过一定的学习算法自动地产生隶属函数的合适形式以及模糊规则。根据2.2.2节中选择的室内光环境舒适度评价指标及划分的评价等级，建立室内光环境舒适度融合评价模型如下：采用5层网络结构，即输入层、模糊化层、模糊推理层、去模糊化层和输出层。其中[61]-[63]，第1层：输入层。该层的节点数=3，分别对应影响室内光环境舒适度的3个因素——平均照度、一般显色指数和光色相关色温，起着将输入值传送到下一层的作用。第2层：模糊化层。该层的每个节点代表一个语言变量值，其作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数，，。（4.1）式中，是输入变量，是的模糊等级分割数。本课题3个输入变量均分为4个模糊等级，即，则该层的节点总数为=4×3=12。由于高斯函数具有光滑平稳的过渡特性，本课题的隶属度函数采用高斯函数，即，（4.2）式中，和分别表示高斯函数的中心和宽度，为输入变量个数，为输入变量的模糊等级分割数。第3层：模糊推理层。该层的每个节点代表一条模糊规则，用来匹配模糊规则前件，计算出每条规则的适用度，即（4.3）其中，，，，=64。该层的节点数=64。第4层：去模糊化层。该层实现归一化计算，即，（4.4）该层的节点数与第三层相同，即=64。第5层：输出层，也叫反模糊化层，实现清晰化计算，即，，（4.5）其中，为第四层与第五层的连接权值。该层的节点数4，分别对应室内光环境属于优、良、中、差4个等级的隶属度。至此，即建立了3-12-64-64-4型结构的模糊优优级隶属度第1层输入层第2层模糊化层第3层模糊推理层第4层去模糊化层第5层输出层┊┊良级隶属度中级隶属度差级隶属度┊平均照度一般显色指数光色相关色温┊┊┊图4.1室内光环境舒适度融合评价模型结构4.2.2训练过程根据表2.3中光环境各影响因素对应各舒适度等级的范围，取各等级范围的中间值作为其极值点，构成光环境各影响因素对应各舒适度等级的标准值见表4.1。表4.1光环境各影响因素对应各舒适度等级的标准值影响因素优良中差平均照度()300250或337.5187.5或362.5150或375一般显色指数97.592.58580光色相关色温()43003850或47503500或51003300或5300根据表4.1，建立训练样本见表4.2。其中，输入样本为平均照度、一般显色指数和光色相关色温的值，期望输出为4个值，分别对应训练样本对于室内光环境舒适度4个等级的隶属度。为了避免在利用D-S证据理论进行决策级融合时由于基本信任分配（即隶属度）为0而引起的证据冲突，无法进行融合的问题，本课题将期望输出隶属度定义为0.1和0.9，而非传统的0和1。为避免输入样本数据过大而引起网络训练时间过长，首先对输入样本进行归一化处理。由于神经网络各节点的激活函数为Sigmoid函数，考虑到Sigmoid函数在值域[0，0.1]和[0.9，1.0]区间内曲线变化极为平坦，故将各输入量归一化至[0.1，0.9]区间内，归一化计算公式为：（4.6）式中，和分别为输入特征量的最大值和最小值，为第个输入数据，为归一化后的数据。归一化后的输入样本见表4.2，然后利用这些样本训练该网络模型。表4.2训练样本及其拟合输出结果序号输入样本归一化后输入样本期望输出拟合输出平均一般显光色相照度色指数关色温平均一般显光色相照度色指数关色温130097.543000.52350.90000.51140.90.10.10.10.88920.11620.10790.1058225092.538500.42940.75450.40860.10.90.10.10.09890.88010.10310.11633337.592.538500.59410.75450.40860.10.90.10.10.09980.87870.10330.1163425092.57500.42940.75450.61430.10.90.10.10.10480.88400.10320.11695337.592.547500.59410.75450.61430.10.90.10.10.10580.88240.10350.11696187.58535000.31180.53640.32860.10.10.90.10.11560.09650.90230.09937187.58551000.31180.53640.69430.10.10.90.10.12280.09920.90140.09848362.58535000.64120.53640.32860.10.10.90.10.10720.10220.89950.10009362.58551000.64120.53640.69430.10.10.90.10.10480.10540.89860.0989101207531000.18470.24550.23710.10.10.10.90.10180.10160.10070.8989111207555000.18470.24550.78570.10.10.10.90.10080.10180.10190.8986124007531000.71180.24550.23710.10.10.10.90.10090.10080.10160.8997134007555000.71180.24550.78570.10.10.10.90.10220.10140.10280.899814757025000.10000.10000.10000.10.10.10.90.10070.10040.09920.901515757060000.10000.10000.90000.10.10.10.90.09820.10170.10040.9016165007025000.90000.10000.10000.10.10.10.90.09960.10150.10050.9018175007060000.90000.10000.90000.10.10.10.90.10070.10510.10350.9027模糊神经网络的训练包括网络参数的学习和网络结构的学习。图4.1结构的模糊神经网络第一层至第四层层与层之间的连接权值均为1，神经网络通过学习要调整的是第二层隶属函数参数（中心和宽度）和第四层与第五层之间的连接权值[74]。本课题中，隶属函数为高斯函数，对于3-12-64-64-4型结构的模糊神经网络，有本课题采用BP算法即梯度下降法来训练模糊神经网络，对网络参数和结构进行学习。设为期望输出，为实际输出，网络学习就是使误差函数（4.7）最小，则网络权值按照下式进行调整：，（4.8）高斯函数参数的调整公式为：，（4.9），（4.10）式中，，，分别为连接权值、高斯函数中心和宽度的学习速率。设定目标误差E为0.001，其训练误差曲线如图4.2所示。通过109次学习训练，使误差E<0.001，成功地建立了基于模糊神经网络的室内光环境舒适度融合评价模型。其训练前后的隶属函数曲线分别如图4.3和图4.4所示。图4.2训练误差曲线（1）平均照度（2）一般显色指数（3）光色相关色温图4.3训练前的隶属度函数曲线（1）平均照度（2）一般显色指数（3）光色相关色温图4.4训练后的隶属度函数曲线4.2.3基于模糊神经网络的室内光环境舒适度融合评价仿真结果将建立的网络模型应用于室内光环境实测样本的舒适度评价，根据式（4.6）对输入样本进行归一化处理，评价采用最大隶属度原则，即光环境舒适度为最大隶属度所对应的舒适度等级。实测样本及评价结果见表4.3。表4.3实测样本及评价结果序号实测样本归一化后实测样本输出结果评价等级平均一般显光色相照度色指数关色温平均一般显光色相照度色指数关色温130010042000.57460.90000.48400.63290.40680.10520.1436优22709140000.49320.64290.42000.05880.68230.46020.0947良33309348000.65590.70000.67600.02420.91840.22310.0976良42008435450.30340.44290.27440.11970.07080.78110.2704中53688652150.75900.50000.80880.14730.03020.78220.3196中61257830000.10000.27140.10000.10140.10130.09880.9011差74207255000.90000.10000.90000.09680.10630.10470.9027差4.2.4利用模糊综合评判法进行室内光环境舒适度融合评价本课题利用模糊综合评判法对该室内光环境实测样本进行融合评价，以验证该模糊神经网络模型的有效性，并对比哪种方法更优。根据2.2.2节中光环境舒适度评价指标的选择及评价等级的划分可知，光环境舒适度有个影响因素，分别为平均照度、一般显色指数和光色相关色温，且每个影响因素有个评价等级，分别对应“优、良、中、差”。（1）确定权值由于各影响因素对光环境舒适度的影响程度不同，因此需确定各影响因子的权重，依据其影响程度对各影响因子量化赋值。在进行模糊综合评判时，权重集的确定是综合评判的关键环节之一。常用的权值确定方法有：层次分析法、德尔裴法、专家调查法和判断矩阵法。由于影响光环境舒适度的各个因素一旦超标或不达标，就会使人产生不舒适感，且超标或不达标程度越大，人体的不舒适感越强烈，因此本文根据各影响因素的超标或不达标情况来确定其权值，计算公式为：，（4.11）式中，为第个影响因素的超标指数，为第个影响因素的实测值，为第个影响因素的参考基准，分别取各影响因素的“良”等级为基准。对于照度和光色相关色温，由于其“良”级的标准值有两个，分别为“250或337.5”和“3850或4750”，则其参考标准的取法为：当照度值小于300时，基准为250，当照度值大于300时，基准为337.5；光色相关色温基准的取法与照度相同。设为由值确定的第个影响因素的权值，则：，（4.12）则权重集为。（2）确定隶属度函数隶属度函数是反映影响因素对评价等级的亲疏关系，即隶属度越大，表明该影响因素越接近该评价等级。同模糊神经网络对隶属度的定义，将隶属度定义为0.1～0.9之间，而非传统的0～1之间，以便更有效地对比两种评价方法。根据表4.1中各影响因素对应光环境舒适度各等级的标准值及表2.3中各影响因素对应光环境舒适度各等级的范围，确定其隶属度函数如下。对于第1个影响因素：平均照度，即当时评价等级时，其隶属度函数为：（4.13）评价等级时，其隶属度函数为：当时，（4.14）当时，（4.15）评价等级时，其隶属度函数为：当时，（4.16）当时，（4.17）评价等级时，其隶属度函数为：当时，（4.18）当时，（4.19）式（4.13）～式（4.19）中，为平均照度值，单位：。②一般显色指数和光色相关色温隶属度函数的建立同平均照度，在此不做赘述。（3）模糊关系的确定将各影响因子对评判结果的隶属度集组合，即可得到模糊关系矩阵：（4.20）经归一化处理后为：（4.21）则综合评价结果集为：（4.22）评价结果集中的元素（）分别对应评价结果属于各个评价等级的隶属度，采用最大隶属度原则，即最大的值所对应的等级就是光环境舒适度综合评判列入的那一级。（4）综合评判结果利用MATLAB进行编程，通过仿真计算得到其综合评判结果见表4.4。表4.4实测样本模糊综合评判结果序号实测样本模糊综合评判结果归一化后模糊综合评判结果评价等级平均一般显光色相照度色指数关色温130010042000.45000.05560.05000.05000.74310.09170.08260.0826优22709140000.21000.29000.07800.05000.33440.46180.12420.0796良33309348000.13000.37000.05000.05000.21670.61670.08330.0833良42008435450.05000.13000.37000.07800.07960.20700.58920.1242中53688652150.05000.06200.27400.22600.08170.10130.44770.3693中61257830000.05000.05000.05000.45000.08330.08330.08330.7500差74207255000.05000.05000.05000.45000.08330.08330.08330.7500差4.2.5仿真结果对比及分析从表4.3和表4.4可以看出，利用模糊神经网络和模糊综合评判法进行室内光环境舒适度融合评价的结果完全一致，且模糊神经网络的评价结果属于各个等级的隶属度较之模糊综合评判的评价结果属于各个等级的隶属度差别较大，能够很好地进行区分，说明该模糊神经网络模型能够正确有效地进行室内光环境舒适度融合评价。而且，由于隶属度定义为[0.1，0.9]之间，而非[0，1]之间，两种方法的评价结果均未出现隶属度为0的情况，避免了第5章中采用模糊神经网络的融合评价结果作为证据，利用D-S证据理论进行决策级融合时，由于隶属度为0，容易出现“证据冲突”，无法正确进行融合的问题。若要对光环境舒适程度进行排序，则按照其评价等级“优、良、中、差”的顺序排列。另外，在同一等级内，评价结果对前一等级的隶属度越高，表明该样本越接近前一等级，即光环境舒适度等级越高。4.3基于模糊神经网络的室内声环境舒适度融合评价4.3.1基于模糊神经网络的室内声环境舒适度融合评价模型的建立同4.2节室内光环境舒适度的融合评价，根据2.2.3节中选择的室内声环境舒适度评价指标及划分的评价等级，建立室内声环境舒适度融合评价模型如下：第1层：输入层。节点数为4个，分别对应影响室内声环境舒适度的4个因素—噪声对语言、思考、睡眠、烦恼度的影响；第2层：模糊化层。隶属度函数采用高斯函数，每个输入变量分为4个模糊等级，则该层节点数为4×4=16个；第3层：模糊推理层。计算每条规则的适用度，该层节点数为4×4×4×4=256个；第4层：去模糊化层。实现归一化计算，该层节点数与第三层相同，为256个；第5层：输出层。节点数为4个，分别对应评价结果属于各个等级的隶属度。至此，即建立了4-16-256-256-4型结构的模糊神经网络，如图4.5所示。该网络模型有16×2=32个隶属函数参数和256优优级隶属度第1层输入层第2层模糊化层第3层模糊推理层第5层输出层┊┊良级隶属度中级隶属度差级隶属度┊噪声对语言的影响噪声对思考的影响噪声对睡眠的影响噪声对烦恼度影响┊┊┊第4层去模糊化层图4.5室内声环境舒适度融合评价模型结构根据表2.4中声环境各影响因素对应各舒适度等级的范围，建立训练样本见表4.5。其中，输入样本为噪声值，期望输出为4个值，分别对应训练样本对于室内声环境4个舒适度等级的隶属度。同样将期望输出隶属度定义为0.1和0.9，避免了利用D-S证据理论进行决策级融合时由于基本信任分配（即隶属度）为0而引起的证据冲突，无法进行融合的问题。首先根据式（4.6）对输入样本进行归一化处理，归一化后的输入样本见表4.5，然后利用这些样本训练该网络模型。设定目标误差E为0.001，其训练误差曲线如图4.6所示，通过161次学习训练，使误差E<0.001，成功地建立了基于模糊神经网络的室内声环境舒适度融合评价模型。其训练前后的隶属函数曲线分别如图4.7和图4.8所示。表4.5训练样本及其拟合输出结果序号输入样本归一化后输入样本期望输出拟合输出1200.10000.90.10.10.10.91780.07490.10280.10732250.15710.90.10.10.10.91850.07700.10240.10363300.21430.90.10.10.10.91430.08480.10140.09944350.27140.90.10.10.10.81720.18750.09520.09505400.32860.10.90.10.10.14870.85450.07600.09406450.38570.10.90.10.10.04360.95950.06500.10137500.44290.10.90.10.10.04270.92260.13020.10258550.50000.10.10.90.10.10070.10010.88720.10859600.55710.10.10.90.10.10880.08330.94510.063410650.61430.10.10.90.10.10210.10700.87410.122411700.67140.10.10.10.90.09400.08940.14100.875612750.72860.10.10.10.90.09620.09350.08460.918813800.78570.10.10.10.90.09980.10050.08250.910814900.90000.10.10.10.90.10590.11190.08150.8944（1）语言（2）思考（3）睡眠（4）烦恼度图4.7训练前的隶属度函数曲线（1）语言（2）思考（3）睡眠（4）烦恼度图4.8训练后的隶属度函数曲线4.3.2基于模糊神经网络的室内声环境舒适度融合评价仿真结果将建立的网络模型应用于室内声环境实测样本的舒适度评价，并根据结果进行评价分级，采用最大隶属度原则，即室内声环境为最大隶属度所对应的舒适度等级。实测样本及其评价结果见表4.6。表4.6实测样本及评价结果序号实测样本归一化后实测样本输出结果评价等级1560.49220.04640.10370.88380.1791中2310.10000.91770.07450.10280.1080优3780.83730.09870.09830.08270.9137差4640.61760.08790.05840.10820.9474差5470.35100.22170.78240.07910.0933良6360.17840.91850.10340.07720.1024优7630.60200.08000.06820.10920.8726差8500.39800.05740.09870.94550.0676中9710.72750.09410.08990.16300.8555差10820.90000.10220.10490.08210.9046差4.3.3利用模糊综合评判法进行室内声环境舒适度融合评价同样，利用模糊综合评判法对该室内声环境实测样本进行融合评价，以验证该模糊神经网络模型的有效性，并对比哪种方法更优。根据2.2.3节中声环境舒适度评价指标的选择及评价等级的划分可知，声环境舒适度有个影响因素，分别为噪声对语言、思考、睡眠、烦恼度的影响，且每个影响因素有个评价等级标准。（1）确定权值噪声一旦超标，对人所产生的不舒适感非常明显，且超标程度越大，人体的不舒适感越强烈，因此本文根据各影响因素噪声的超标情况来确定其权值，计算公式为：（）（4.23）式中，为第个影响因素的超标指数，为噪声实测值（等效A声级值），为第个影响因素的噪声参考标准，取“良”等级为基准。根据表2.4中各影响因素对应声舒适度各等级的噪声值范围，取各等级范围的中间值作为其极值点，构成各影响因素对应声舒适各等级的噪声值标准见表4.7。表4.7各影响因素对应声舒适各等级的噪声值标准单位：影响因素优良中差对语言影响4047.56065对思考影响40506570对睡眠影响30354550烦恼度4552.56570设为由值确定的第个影响因素的权值，则：，（4.24）则权重集为。（2）确定隶属度函数同模糊神经网络对隶属度的定义，将隶属度定义为0.1～0.9之间，以便更有效地对比两种评价方法。根据表4.7，确定其隶属度函数如下。对于第1个影响因素：噪声对语言的影响，即当时评价等级时，其隶属度函数为：（4.25）评价等级时，其隶属度函数为：（4.26）评价等级时，其隶属度函数为：（4.27）评价等级时，其隶属度函数为：（4.28）②其他3个影响因素的隶属度函数的建立同第1个影响因素，在此不做赘述。（3）模糊关系的确定将各影响因子对评判结果的隶属度集组合起来，即可得到模糊关系矩阵：（4.29）经归一化处理后为：（4.30）则综合评价结果集为：（4.31）评价结果集中的元素（）分别对应评价结果属于各个等级的隶属度，采用最大隶属度原则，即最大的值所对应的等级就是声环境舒适度综合评判列入的那一级。（4）综合评判结果利用MATLAB进行编程，通过仿真计算得到其综合评判结果见表4.8。表4.8实测样本模糊综合评判结果序号实测样本模糊综合评判结果归一化后模糊综合评判结果评价等级1560.16000.72110.75921.44000.05190.23410.24650.4675差2310.65540.23030.08860.08860.61670.21670.08330.0833优3780.22290.22290.22292.00570.08330.08330.08330.7500差4640.18290.19991.08371.64570.05880.06420.34820.5288差5470.61470.83780.77890.56400.21990.29970.27860.2018良6360.84340.68210.18510.10290.46510.37610.10210.0567优7630.18000.27360.99961.62000.05860.08900.32530.5271差8500.34920.90001.28570.27370.12430.32040.45780.0974中9710.20290.20290.20291.82570.08330.08330.08330.7500差10820.23430.23430.23432.10860.08330.08330.08330.7500差4.3.4仿真结果对比及分析由表4.6和表4.8可知，利用模糊神经网络和模糊综合评判法进行室内声环境舒适度融合评价，除第一个样本的评价结果不同外，其余样本的评价结果均一致，说明该模糊神经网络模型能够较正确有效地进行室内声环境舒适度评价。且模糊神经网络的评价结果具有唯一性，而模糊综合评判法的评价结果随着权重的不同而改变，说明该模糊神经网络评价法更具有客观性。同理，由于隶属度定义为[0.1，0.9]之间，而非[0，1]之间，两种方法的评价结果均未出现隶属度为0的情况。避免了第5章中采用模糊神经网络的融合评价结果作为证据，利用D-S证据理论进行决策级融合时，由于隶属度为0，容易出现“证据冲突”，无法正确进行融合的问题。4.4基于模糊神经网络的室内空气品质融合评价目前对室内空气品质的研究大都是对其主要影响因素进行监测并对结果进行分析，判断各个单因素是否超标，而没有将其各影响因素综合起来对室内空气品质进行评价。该课题提出了基于模糊神经网络的室内空气品质融合评价方法，试图探索一种新的室内空气品质评价方法，为进一步深入研究奠定基础。4.4.1基于模糊神经网络的室内空气品质融合评价模型的建立根据2.2.4中选择的室内空气品质评价指标及划分的评价等级，建立室内空气品质融合评价模型如下：第1层：输入层。节点数为4个，分别对应影响室内空气品质的4个因素——甲醛、TVOC、NOX和CO2；第2层：模糊化层。隶属度函数采用高斯函数，每个输入变量分为4个模糊等级，则该层节点数为4×4=16个；第3层：模糊推理层。计算每条规则的适用度，该层节点数为4×4×4×4=256个；第4层：去模糊化层。实现归一化计算，该层节点数与第三层相同，为256个；第5层：输出层。节点数为4个，分别对应评价结果属于各个等级的隶属度。至此，即建立了4-16-256-256-4型结构的模糊神经网络，如图4.9所示。该网络模型优优级隶属度第1层输入层第2层模糊化层第3层模糊推理层第5层输出层┊┊良级隶属度中级隶属度差级隶属度┊┊┊┊第4层去模糊化层甲醛TVOCNOXCO2图4.9室内空气品质融合评价模型结构根据表2.5中室内空气品质各影响因素对应各等级的范围，对于“良”和“中”等级，取其中间值作为极值，建立训练样本见表4.9。其中，输入样本为甲醛、TVOC、NOX和CO2值，期望输出为4个值，分别对应训练样本对于室内空气品质4个等级的隶属度。同样将期望输出隶属度定义为0.1和0.9，以避免利用D-S证据理论进行决策级融合时由于基本信任分配为0而引起的证据冲突，无法进行融合的问题。首先根据式（4.6）对输入样本进行归一化处理，归一化后的样本见表4.9，然后利用这些样本训练该网络模型。设定目标误差E为0.001，其训练误差曲线如图4.10所示，通过51次学习，使误差E<0.001，成功地建立了基于模糊神经网络的室内空气品质融合评价模型。其训练前后的隶属函数曲线分别如图4.11和图4.12所示。表4.9训练样本及其拟合输出结果序号输入样本归一化后输入样本期望输出拟合输出甲醛TVOCNOXCO2甲醛TVOCNOXCO210.040.20.026000.10000.10000.10000.10000.90.10.10.10.91780.07490.10280.107320.060.250.048000.30000.20000.18890.27780.10.90.10.10.91850.07700.10240.103630.10.450.1312500.70000.60000.58890.67780.10.10.90.10.91430.08480.10140.099440.120.60.215000.90000.90000.90000.90000.10.10.10.90.81720.18750.09520.0950图4.10训练误差曲线（1）甲醛（2）TVOC(3)NOX(4)CO2图4.11训练前的隶属度函数曲线（1）甲醛（2）TVOC(3)NOX(4)CO2图4.12训练后的隶属度函数曲线4.4.2仿真结果对比及分析本文参考文献[35]中的测量数据进行融合评价，并与其结果进行对比，以验证该方法的正确性和有效性。按照式（4.6）对测量数据进行归一化处理，测量数据及归一化处理后的数据见表4.10。表4.10室内空气品质测量数据序号输入样本归一化后输入样本甲醛TVOCNOXCO2甲醛TVOCNOXCO210.0240.170.0240.800.10000.13250.10890.247620.0490.250.04521.640.14690.18460.29730.900030.0240.120.1130.800.10000.10000.90000.247640.0240.180.1040.890.10000.13900.82000.317550.0370.290.0231.070.12440.21060.10000.457360.0370.370.0261.150.12440.26260.12670.519470.0980.210.0270.820.23900.15850.13560.263180.451.350.0320.990.900