本發(fā)明屬于基于智能家居進行的室內(nèi)空氣質(zhì)量評價，該評價系統(tǒng)包括檢測、評價與監(jiān)控。

背景技術(shù)：

隨著人們對室內(nèi)環(huán)境重要性認識的不斷加深，室內(nèi)空氣質(zhì)量越來越受關(guān)注，現(xiàn)代人平均80％到90％的時間在室內(nèi)度過，同時也就無可避免的吸入大量室內(nèi)空氣。傳統(tǒng)的室內(nèi)空氣質(zhì)量評價方法有綜合指數(shù)法，該方法形式簡單，計算方便，但是往往不能突出最大污染物的影響，測出的結(jié)果與實際情況時常會有較大的誤差。由于室內(nèi)空氣質(zhì)量仍是一個模糊的概念，至今尚無一個統(tǒng)一的、權(quán)威性的定義，因此有人嘗試用模糊數(shù)學法加以研究，模糊數(shù)學法注意了分級差異中間連續(xù)的模糊性，能更客觀、更準確的反應實際問題，但是應用到實際場合比較麻煩。

在現(xiàn)有的測量儀器中，大多數(shù)是測量其中一種到幾種室內(nèi)污染物，只能提供簡單的室內(nèi)空氣質(zhì)量情況，室內(nèi)空氣質(zhì)量調(diào)節(jié)方法大都簡單依靠人們主觀判斷進行開窗通風、開空氣凈化器等，沒有一個可靠的參照標準，有的時候室外空氣質(zhì)量比室內(nèi)還要差，這種條件下開窗使得室內(nèi)空氣污染加劇。有的時候出門前室外空氣質(zhì)量不佳沒有開窗，幾個小時后可能室外空氣質(zhì)量變好，可是不在家中無法進行開窗通風，這樣使得對室內(nèi)空氣質(zhì)量的調(diào)節(jié)很不方便。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的主要是提供一種基于改進粒子群的T-S模糊神經(jīng)網(wǎng)絡(IPSO-TSFNN)的室內(nèi)空氣質(zhì)量檢測、評價與監(jiān)控系統(tǒng)。該系統(tǒng)由智能家居控制中心，室內(nèi)空氣質(zhì)量檢測裝置，智能家居控制終端，客戶端四個部分組成，智能家居控制中心與室內(nèi)空氣質(zhì)量檢測裝置之間是基于串口的連接方式，與客戶端之間是基于Internet連接方式，室內(nèi)空氣質(zhì)量檢測裝置與智能家居控制終端是基于無線WIFI的連接方式。該系統(tǒng)可使用戶通過電腦或手機的瀏覽器登錄系統(tǒng)的Web服務器查看室內(nèi)空氣質(zhì)量參數(shù)，系統(tǒng)并設(shè)有智能控制模式和手動控制模式供用戶選擇使用，手動控制模式可使用戶遠程對家中電器進行控制。這是傳統(tǒng)的室內(nèi)空氣質(zhì)量檢測所不具備的。

本發(fā)明方法是基于一種智能家居控制裝置進行的，所述的智能家居控制裝置包括智能家居控制中心、外圍電路、傳感器模塊組、微控制器、網(wǎng)絡傳輸模塊、看門狗及復位電路模塊、電源模塊、智能家居控制終端、客戶端；看門狗及復位電路模塊和電源模塊分別與各微控制器連接，傳感器模塊組通過外圍電路與室內(nèi)空氣質(zhì)量檢測裝置微控制器連接，空氣質(zhì)量檢測裝置采集的數(shù)據(jù)上傳至智能家居控制中心，客戶端通過Internet與智能家居控制中心進行交互。

智能家居控制中心能夠提供支持瀏覽的訪問。

外圍電路包括溫濕度、甲醛、光照值的外圍電路。

傳感器模塊組包括采集PM2.5、PM10、一氧化碳、二氧化碳的模塊，且與室內(nèi)空氣質(zhì)量檢測裝置相連。

智能家居控制終端用于驅(qū)動下位機并實現(xiàn)開關(guān)量的輸入輸出、紅外編碼輸出等。

用戶端通過PC端或智能手機的瀏覽器與智能家居控制中心的客戶端進行訪問交互。

微控制器為基于IPSO-TSFNN模型的算法。

網(wǎng)絡傳輸模塊置于室內(nèi)空氣質(zhì)量檢測裝置和智能控制終端上，網(wǎng)絡傳輸模塊為WIFI模塊。

看門狗及復位電路模塊用于保障系統(tǒng)正常運行；電源模塊用于提供系統(tǒng)電源。

在一種智能家居控制裝置的基礎(chǔ)上，本發(fā)明提供的基于改進粒子群的T-S模糊神經(jīng)網(wǎng)絡室內(nèi)空氣質(zhì)量評價方法，實現(xiàn)該方法具體包括以下步驟：

步驟一：系統(tǒng)控制中心操作系統(tǒng)的移植；

步驟二：系統(tǒng)控制中心Web服務器的移植；

步驟三：系統(tǒng)控制中心CGIC庫的移植；

步驟四：建立基于IPSO-TSFNN模型；

步驟五：根據(jù)國家室內(nèi)空氣質(zhì)量標準建立訓練集和檢測集，對該網(wǎng)絡進行訓練和測試，得到可應用的網(wǎng)絡模型；

步驟六：溫濕度傳感器，PM2.5、PM10檢測器，CO檢測器，CO₂檢測器，HCHO檢測器，光照檢測器，實時將采集的數(shù)值上傳給CPU；

步驟七：CPU根據(jù)已經(jīng)訓練好的網(wǎng)絡模型將PM10檢測值，HCHO檢測值，CO₂檢測值作為輸入得到相應評價等級輸出值，在智能控制模式下根據(jù)預先編入的控制策略智能調(diào)節(jié)家電，如空調(diào)、加濕器、空氣凈化器、卷簾窗等，實現(xiàn)對室內(nèi)空氣質(zhì)量的調(diào)節(jié)，使室內(nèi)空氣質(zhì)量保持在較好的狀態(tài)下。同時將各傳感器采集的數(shù)值和空氣質(zhì)量等級通過串口發(fā)給系統(tǒng)控制中心；

步驟八：系統(tǒng)控制中心接收到室內(nèi)空氣檢測裝置傳來的數(shù)據(jù)后，根據(jù)交互的協(xié)議解析數(shù)據(jù)，然后上傳到瀏覽器客戶端，供用戶實時查看；

步驟九：如果用戶通過瀏覽器客戶端的按鈕下達控制命令，將由控制中心通過串口傳輸?shù)绞覂?nèi)空氣檢測裝置，再由無線WIFI傳輸?shù)街悄芸刂平K端實現(xiàn)對家電的手動控制。

所述步驟一的操作系統(tǒng)的移植實現(xiàn)具體分為以下步驟：

1.1，準備Linux 4.4.3內(nèi)核壓縮包linux-4.4.3.tar.xz以及交叉編譯工具arm-linux-gcc-4.3.2.tar.bz2；

1.2，解壓壓縮包并安裝編譯器arm-linux-gcc-4.3.2；

1.3，修改Makefile文件，修改機器類型ID號等；

1.4，執(zhí)行make menuconfig，并對選項進行配置，以達到對內(nèi)核進行裁剪，節(jié)省內(nèi)存空間，提高編譯效率；

1.5，執(zhí)行make uImage進行編譯，將生成的內(nèi)核鏡像文件uImage通過tftp、nand等命令燒入存儲器中，完成Linux 4.4.3內(nèi)核在ARM微處理器上的移植。

所述步驟二的Web服務器的移植實現(xiàn)具體分為以下步驟：

2.1，準備Boa服務器源代碼boa-0.94.13.tar.gz，并將其進行解壓縮；

2.2，在src目錄下執(zhí)行命令./configure，會產(chǎn)生一個makefile文件，修改src目錄下makefile文件，boa.c文件，compat.h文件；

2.3，編譯，把“src/”目錄下編譯得到的boa執(zhí)行文件拷貝的文件系統(tǒng)的“sbin/”目錄下，在/etc目錄下建立一個boa目錄，把“boa-0.94.13/”目錄下的boa.conf文件拷貝到文件系統(tǒng)的“etc/boa/”目錄下；

2.4，創(chuàng)建日志文件所在目錄/var/log/boa，創(chuàng)建html文檔的主目錄/www，創(chuàng)建CGI腳本所在目錄/www/cgi-bin；

2.5，修改boa.conf文件，把Linux系統(tǒng)etc/目錄下的mime.types拷貝到文件系統(tǒng)etc/目錄下。

所述步驟三的CGIC庫的移植實現(xiàn)具體分為以下步驟：

3.1，準備cgic205.tar.gz源碼包，并將其進行解壓縮；

3.2，修改Makefile文件后，并進行編譯,；

3.3，拷貝cgic205目錄下的capture文件到文件系統(tǒng)/www/cgi-bin目錄下。

所述步驟四的網(wǎng)絡模型建立實現(xiàn)具體分為以下步驟：

4.1，根據(jù)實際環(huán)境選取PM10、HCHO、CO₂作為網(wǎng)絡模型輸入，當然也可根據(jù)實際監(jiān)控環(huán)境進行變換。因此網(wǎng)絡模型的后件網(wǎng)絡輸入節(jié)點I為3個，隱含節(jié)點按M＝2I+1計算，為7個，輸出節(jié)點為1個，前件網(wǎng)絡為輸入層、模糊化層、規(guī)則層、去模糊化層；

4.2，模糊系統(tǒng)參數(shù)p_0j，p_ij，隸屬度函數(shù)的中心c_ij和寬度b_ij(i＝1,2，3，j＝1,2...7)的初值分別為(0,1)上的隨機數(shù)；

4.3，由4.1和4.2可確定需要訓練的參數(shù)寬度b有21個，中心c有21個，模糊系統(tǒng)參數(shù)p_0j各有7個，p_ij有21個，共計70個參數(shù)。

4.4，將這70個參數(shù)組成一個粒子，粒子群算法中種群規(guī)模m選為15，每個粒子長度n為70，優(yōu)化公式如下：

X_id^k+1＝X_id^k+V_id^k+1 (1)

其中，X為粒子位置，V為粒子的速度，i＝1,2,3...70，sign(·)表示符號函數(shù)，學習因子c₁和c₂取為2，d為空間維數(shù)，其中，r₁，r₂和r₃都是[0,1]區(qū)間上均勻分布的隨機數(shù)，k為迭代次數(shù)，P_id和P_gd分別表示粒子群個體及群體搜索到的最優(yōu)位置。公式(2)中第一部分先前速度的系數(shù)相當于標準粒子群算法的慣性權(quán)重，sign(r₃)只有兩個取值情況+1和-1，起到調(diào)整速度方向的作用，r₂的隨機性較大，可能至使粒子一直朝著最好位置的相反方向飛去，離最優(yōu)解越來越遠，這時的粒子群算法會需要更多的迭代來達到全局最優(yōu)，且更有可能找不到全局最優(yōu)。為了解決算法存在的收斂速度收斂精度問題增加了自適應調(diào)節(jié)因子，即公式(2)中的第四部分，其L計算公式如(4)，當個體最優(yōu)位置優(yōu)于新更新的位置時，說明粒子正在遠離較好解，此時讓L取值為-sign(r₃)，使粒子往回調(diào)節(jié)，避免粒子離較好解越來越遠；相反則讓L取值為sign(r₃)，加快粒子到較好解位置，通過社會經(jīng)驗與個體經(jīng)驗差值為因子對粒子的反向進行調(diào)節(jié)，這樣既能保證粒子群算法全局搜索與局部搜索的平衡，又提高了收斂速度和收斂精度。

所述步驟五的訓練集和檢測集的實現(xiàn)具體分為以下步驟：

5.1，根據(jù)《室內(nèi)空氣質(zhì)量標準》GB/T18883-2002可知，室內(nèi)空氣質(zhì)量污染物包含物理性、化學性、生物性和放射性。本文根據(jù)某高校實際環(huán)境以標準中的HCHO、CO2、PM10三個指標作為作為評價因子，充分考慮室內(nèi)評價因子的濃度波動范圍，根據(jù)GB/T18883-2002中的標準值將室內(nèi)空氣質(zhì)量分為三個等級，其中的S₂為標準濃度限值即二級濃度值，S₁為一級濃度值，S₃為三級濃度值，單位均為毫克每立方米(mg·m-3)。

5.2，對各等級值建立標準相對隸屬度矩陣，計算公式如下：

其中S_ij為第i項評價指標第j級的評價標準值，R_ij為第i項評價指標第j級的評價標準值的相對隸屬度，(i＝1,2,3；j＝1,2,3)；

最后得出標準相對隸屬度矩陣為R_ij為：

5.3，為使訓練后的網(wǎng)絡模型具有良好的適應能力,且能充分反映空氣質(zhì)量標準各級指標標準值的意義,在標準指標相對隸屬度矩陣R中采用內(nèi)插法生成更多的樣本。這里共生成包括各項指標標值隸屬度在內(nèi)的共201個樣本,用其中151個樣本作為學習樣本,余下的作為檢驗樣本。

有益效果

本發(fā)明采用了改進粒子群算法對T-S模糊神經(jīng)網(wǎng)絡進行優(yōu)化訓練，使該網(wǎng)絡的尋優(yōu)能力更強，收斂速度快，而且直接將模糊神經(jīng)網(wǎng)絡參數(shù)組合成一個粒子，使訓練更容易實現(xiàn)得到可靠的網(wǎng)絡模型，使評價結(jié)果更加客觀，真實，并且根據(jù)采集到的溫濕度值,PM2.5、PM10檢測值，CO檢測值，CO₂檢測值，HCHO檢測值，光照強度值，在智能控制策略下對室內(nèi)的空調(diào)、加濕器、空氣凈化器、卷簾窗等進行控制，從而使室內(nèi)空氣質(zhì)量保持在較優(yōu)的等級下。

附圖說明

圖1系統(tǒng)總體結(jié)構(gòu)框圖；

圖2系統(tǒng)服務器結(jié)構(gòu)框圖；

圖3系統(tǒng)檢測板結(jié)構(gòu)框圖；

圖4智能家居控制中心應用軟件工作流程；

圖5室內(nèi)空氣質(zhì)量檢測裝置軟件工作流程圖；

圖6智能控制終端軟件工作流程；

圖7模糊神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)；

圖8改進PSO優(yōu)化TSFNN算法流程圖；

圖9網(wǎng)絡模型訓練誤差平方和(SSE)變化；

圖10網(wǎng)絡模型測試效果；

圖11客戶端頁面

具體實施方式

根據(jù)下文結(jié)合附圖對本發(fā)明具體實施詳細描述，本領(lǐng)域技術(shù)人員將會更加明了本發(fā)明的上述優(yōu)點和特征。

控制系統(tǒng)總體結(jié)構(gòu)如圖1所示。

系統(tǒng)控制中心連入寬帶網(wǎng)絡中，室內(nèi)空氣質(zhì)量檢測裝置實時采集室內(nèi)的溫度、濕度、PM2.5、PM10、HCHO、CO、CO₂、光照等數(shù)據(jù)，將采集的數(shù)據(jù)經(jīng)過處理通過串口發(fā)送給智能家居控制中心，同時，在啟用智能控制下，可根據(jù)編入的控制策略智能調(diào)節(jié)室內(nèi)的家電，比如空調(diào)、加濕器、空氣凈化器、卷簾窗等，使室內(nèi)空氣質(zhì)量得到調(diào)節(jié)，進而保持在較好的狀態(tài)下。用戶通過手機或計算機登錄服務器，通過用戶名和密碼驗證后，便可以查看室內(nèi)空氣質(zhì)量的相關(guān)參數(shù)值，系統(tǒng)中的客戶端具有良好的人機交互界面，并設(shè)有相應的功能按鍵供用戶使用，在啟用手動控制下，可對家中電視、空調(diào)、加濕器、空氣凈化器、卷簾窗、燈光等家電進行遠程控制。

控制系統(tǒng)硬件結(jié)構(gòu)如圖2、圖3所示。

電源模塊，為控制系統(tǒng)各模塊提供電量。

看門狗和復位電路，選用SP706，為專門的看門狗復位芯片，可以提高系統(tǒng)的穩(wěn)定性和抗干擾行。

WIFI模塊，為室內(nèi)空氣質(zhì)量檢測裝置，智能控制終端提供網(wǎng)絡互連，使他們處在一個網(wǎng)絡環(huán)境中，彼此可以通過網(wǎng)絡進行數(shù)據(jù)傳輸。

溫濕度傳感器選用DHT11，溫度測量范圍為0到50攝氏度，濕度測量范圍為20％到90％RH。

光照強度傳感器選用BH1750FVI，經(jīng)輸入調(diào)理電路，通過IIC協(xié)議讀出16位串行數(shù)據(jù)。

甲醛傳感器選用MS1100，經(jīng)輸入調(diào)理電路，把MS1100變化檢測到的數(shù)值轉(zhuǎn)化為對應的電壓形式送控制器的ADC進行采樣，經(jīng)過換算得到實際甲醛濃度。

一氧化碳傳感器模組選用ZE07，采集的數(shù)據(jù)直接通過串口發(fā)給微控制器。

二氧化碳傳感器模組選用MH-Z14A，采集的數(shù)據(jù)直接通過串口發(fā)給微控制器。

PM2.5和PM10傳感器模塊選用PMS5005，采集的數(shù)據(jù)直接通過串口發(fā)給微控制器。

紅外發(fā)射器選用常用的紅外線二極管，可通過它發(fā)送控制空調(diào)、電視等電器行為的編碼。指示燈選用常用的LED燈。

室內(nèi)空氣質(zhì)量檢測裝置微控制器，選用ST公司的stm32f103RCT6，具有大容量的存儲內(nèi)存空間和高性能的運算速度，可以保證運行一些控制算法。圖3的微控制器主要實現(xiàn)IPSO-TSFNN的輸出，并且對各傳感器實時采集到的數(shù)據(jù)進行相關(guān)處理。

智能家居控制中心是系統(tǒng)設(shè)計的核心，其工作流程如圖4所示。

智能家居控制中心的核心是一個嵌入式Web服務器，其應用軟件的設(shè)計包括網(wǎng)頁設(shè)計、CGI應用程序設(shè)計。網(wǎng)頁設(shè)計采用設(shè)計工具Dreamweaver CS6、Photoshop來實現(xiàn)，系統(tǒng)設(shè)計中采用網(wǎng)頁每2秒更新一次數(shù)據(jù)，故采用ajax與CGI相結(jié)合的技術(shù)，這樣可以實現(xiàn)數(shù)據(jù)的更新在后臺完成，使網(wǎng)頁頁面更加友好。當Web頁面打開時，用戶通過點擊頁面相應功能按鈕實現(xiàn)相應的操作。當點擊查看按鈕時，將調(diào)用腳本文件中的對應函數(shù)，函數(shù)再調(diào)用對應CGI程序，讀出已經(jīng)采集存入文件中的數(shù)據(jù)，對數(shù)據(jù)進行處理后發(fā)送到網(wǎng)頁端進行動態(tài)顯示，顯示的數(shù)據(jù)有溫度值、濕度值、PM2.5濃度值、PM10濃度值、HCHO濃度值、CO濃度值、CO₂濃度值、光照值和室內(nèi)空氣質(zhì)量等級。除了查看功能，頁面中還設(shè)有溫度設(shè)定、濕度設(shè)定、開空調(diào)、關(guān)空調(diào)、溫度+、溫度-、開加濕器、關(guān)加濕器、開卷簾窗、關(guān)卷簾窗、開燈、關(guān)燈、開電視機、關(guān)電視機、啟用智能控制、啟用手動控制等按鈕，用戶通過點擊相應按鈕實現(xiàn)對家用電器的控制和模式的切換。

室內(nèi)空氣質(zhì)量檢測裝置用于實時檢測室內(nèi)污染物數(shù)值，其工作流程如圖5所示。

由于檢測裝置上的每個傳感器模塊實現(xiàn)采集的數(shù)據(jù)功能不同，所以要針對不同的模塊編寫不同的底層驅(qū)動程序，實現(xiàn)對室內(nèi)空氣質(zhì)量參數(shù)的實時采集。檢測裝置采用的CPU是STM32F103RCT6，就其本身硬件資源而言，選用ucosII操作系統(tǒng)在CPU上進行移植效果較好。該系統(tǒng)下需要創(chuàng)建三個任務，分別完成傳感器數(shù)據(jù)的采集，將采集處理好的數(shù)據(jù)發(fā)送到服務器，將服務器端的控制命令發(fā)送到智能控制終端。

智能控制終端用以接收用戶下達的控制命令實現(xiàn)對下位機的控制，其工作流程如圖6所示。

智能控制終端負責執(zhí)行服務器端下達的控制命令，比如開空調(diào)、開加濕器等。該智能控制終端選用的CPU為STM32F103C8T6，與檢測裝置CPU功能相似，選用ucosII操作系統(tǒng)在CPU上進行移植效果較好，硬件資源足以滿足設(shè)計要求，其應用軟件設(shè)計相對其他部分來說要簡單些。

模糊神經(jīng)網(wǎng)絡拓撲機構(gòu)如圖7所示。

T-S模糊神經(jīng)網(wǎng)絡由前件網(wǎng)絡和后件網(wǎng)絡組成。對于多輸入多輸出系統(tǒng)，后件網(wǎng)絡由多個結(jié)構(gòu)相同的并列子網(wǎng)絡組成，每個子網(wǎng)絡產(chǎn)生一個輸出量。文中僅考慮多輸入單輸出情況，即后件網(wǎng)絡中只有一個子網(wǎng)絡。并假設(shè)有n個輸入，m條規(guī)則，本發(fā)明中根據(jù)HCHO、PM10、CO2三個評價指標，確定網(wǎng)絡的輸入結(jié)點數(shù)n為3，隱含結(jié)點數(shù)也選為7，輸出結(jié)點數(shù)為1。模糊系統(tǒng)參數(shù)P_0j，P_ij，隸屬度函數(shù)的中心c_ij和寬度b_ij(i＝1,2,3,j＝1,2,3...7)的初值分別為(0,1)上的隨機數(shù)。這樣，需要訓練的參數(shù)寬度b有21個，中心c有21個，模糊系統(tǒng)參數(shù)p_0j有7個，P_ij有21個，共計70個參數(shù)，將這70個參數(shù)組成一個粒子。

T-S模糊神經(jīng)網(wǎng)絡的每層介紹如下：

(1)前件網(wǎng)絡：

第一層，輸入層，即網(wǎng)絡的輸入I：

I＝(I₁,I₂,Λ,I_n)

式中，I₁，I₂...I_n分別為網(wǎng)絡的第1個到第n個輸入。

第二層，模糊化層，采用隸屬度函數(shù)計算各輸入對模糊子集的隸屬度U_ij：

U_ij＝exp(-(I_i-c_ij)²/b_ij²)

式中，c_ij，b_ij分別為隸屬度函數(shù)的中心和寬度。

第三層，規(guī)則層，將各隸屬度進行模糊計算，采用連乘的形式求得規(guī)則層各結(jié)點的輸出

第四層，去模糊化層，代表去模糊化過程，采用權(quán)值平均判別法求得去模糊化層各結(jié)點的輸出

(2)后件網(wǎng)絡：

第一層，輸入層，其第0個結(jié)點I₀的輸入值為1，其余輸入和前件網(wǎng)絡的輸入層輸入一樣。

第二層，中間層，根據(jù)模糊規(guī)則求得中間層各結(jié)點的輸出O_j：

第三層，輸出層，計算整個網(wǎng)絡的輸出O：

即前件網(wǎng)絡的輸出用作后件網(wǎng)絡中間層和輸出層的連接權(quán)值。上述公式中i＝1,2,…,n，j＝1,2,…,m。

取歸一化后的201組數(shù)據(jù)中的前151組作為訓練數(shù)據(jù)，采用梯度下降算法，網(wǎng)絡每產(chǎn)生151組輸出參數(shù)調(diào)整一次并將誤差反饋給粒子群算法。為了與模糊神經(jīng)網(wǎng)絡實驗結(jié)果進行比較，規(guī)定訓練1000次。記在第l(l＝1,2,…,151)組輸入I_i^l(i＝1,2,3)的作用下，由上述公式求得的前件網(wǎng)絡的去模糊化層，后件網(wǎng)絡的中間層和整個網(wǎng)絡的第l組輸出分別為O^l(j＝1,2,…,7)，相應的真實輸出為取誤差準則函數(shù)為：

梯度下降算法參數(shù)調(diào)整表示如下：

式中，α是學習率，取值為0.001。

誤差準則函數(shù)E對各參數(shù)的偏導數(shù)分別為：

IPSO-TSFNN算法拓撲機構(gòu)如圖8所示。

粒子群優(yōu)化(Particle Swarm Optimization，(PSO))算法是一種基于群智能的演化計算技術(shù)，受到人工生命的研究結(jié)果的啟發(fā)，于1995年由Kennedy和Eberhart最早提出。其中每個粒子都有一個由被優(yōu)化函數(shù)決定的適應度值；每個粒子還有一個速度決定其飛行的方向和距離。

本發(fā)明粒子的長度為70，種群規(guī)模定為15。改進PSO算法的計算公式如4.4中公式(1)、(2)、(3)、(4)。

IPSO-TSFNN算法流程：

1)初始化IPSO-TSFNN算法參數(shù)，對粒子群的每個個體位置和速度進行初始化,隨機產(chǎn)生粒子的速度和位置并進行閾值處理，初始化加速因子，最大迭代次數(shù)，學習率等。

2)通過TSFNN訓練誤差計算每個粒子的適應度值，適應度函數(shù)選取為訓練樣本所對應的評價輸出O和實際輸出Y之間的差值的平方的二分之一。因此，第i個粒子的適應度函數(shù)E_i為：

其中s為訓練樣本數(shù)量，同時TSFNN每產(chǎn)生s組輸出進行一次參數(shù)調(diào)整，參數(shù)調(diào)整選用梯度下降算法。

3)根據(jù)所得適應度值選擇每個粒子所搜索的最優(yōu)位置P_i和整個種群搜索的最優(yōu)位置Pg。對于每個粒子，將其適應度值與其經(jīng)歷過的最優(yōu)位置P_i進行比較，如較好，則將其作為當前的最優(yōu)位置P_i；對于每個粒子，將其適應度值與全局所經(jīng)歷過的優(yōu)位置Pg進行比較，如較好，則重新更新設(shè)置Pg；

4)根據(jù)改進粒子群算法公式(1)、(2)更新每個粒子的位置和飛行速度；

5)檢驗每個粒子的速度和位置是否越界，如果越界，進行相應的閾值處理；

6)如果未達到預先設(shè)定的停止標準(通常設(shè)置為最大迭代次數(shù)或最小誤差)，則返回步驟2),若達到則停止計算，利用最優(yōu)TSFNN結(jié)構(gòu)參數(shù)對測試樣本進行最優(yōu)輸出。

將評價指標HCHO、PM10、CO2作為輸入向量，將評價等級作為目標向量，利用151組訓練樣本對其進行訓練，其中IPSO-TSFNN與TSFNN訓練誤差平方和如圖9所示，IPSO-TSFNN模型的訓練誤差平方和下降更迅速，終值更小，訓練效果更好。對于IPSO-TSFNN和TSFNN的檢測樣本輸出如圖10所示，從檢測結(jié)果圖可以看出，IPSO-TSFNN網(wǎng)絡輸出與真實的測試輸出更逼近，實際判別值和標準級別值相差無幾。

客戶端如圖11所示。

客戶端頁面中有查看數(shù)據(jù)顯示、模式切換、手動控制。本智能家居室內(nèi)空氣質(zhì)量檢測、評價與監(jiān)控系統(tǒng)中采用智能控制和手動控制兩種策略，可供用戶自由選擇。當用戶點擊客戶端的啟用智能控制后，系統(tǒng)將進入智能控制模式。系統(tǒng)檢測裝置根據(jù)實時采回的數(shù)據(jù)由預先編入的控制策略對家中的空調(diào)、加濕器、空氣凈化器、卷簾窗、燈光進行智能控制，進而使室內(nèi)空氣質(zhì)量保持在一個較好的狀態(tài)下。當用戶點擊客戶端的啟用手動控制后，系統(tǒng)將進入手動控制模式。這種模式下，系統(tǒng)將失去對家電的智能控制，由用戶通過客戶端的按鈕對家中的空調(diào)、加濕器、空氣凈化器、卷簾窗、燈光、電視機進行控制。