ارائه یک روش تخمین در پیش‌بینی شاخص‌های آسایش حرارتی انسان با بهره‌گیری از طبقه‌بندی ماشین عصبی باور عمیق

آسایش و عدم آسایش حرارتی انسان از طریق شاخص های تئوری و تجربی زیادی محاسبه می شوند که داده های ورودی این شاخص ها بسیاری از عناصر آب و هوایی از جمله سرعت باد، درجه حرارت، رطوبت، تابش خورشید و غیره می باشد. در مطالعه حاضر از داده های روزانه درجه حرارت، سرعت باد،رطوبت نسبی و ابرناکی شهر مشهد بین سال های1392-1383 استفاده شده است. ابتدا پارامتر tmrt در محیط نرم افزار ray man محاسبه و با استفاده از نرم افزار bioklima مقادیر شاخص های utci وpmv استخراج گردید. نتایج مطالعه نشان می دهد که شدیدترین تنش های سرمایی بر اساس شاخص pmv در فصل زمستان و اواخر فصل پاییز مشاهده می شود. و شاخص utci نیز در ماه های دی و بهمن بیشترین تنش سرمایی را دارند. با وجود توانایی شبکه های عصبی، پیش بینی عملکرد آینده شبکه (تعمیم یافتگی) به سادگی امکان پذیر نیست و لذا مدل جدیدی در این مقاله ارائه گردیده که از شبکه های عصبی مبتنی بر ماشین بولتزمان محدود شده یا شبکه های عصبی باور عمیق بهره گرفته است. با بکارگیری این ساختار، معیارهای میانگین مربعات خطای استاندارد (mse) و میانگین مطلق درصد خطا (mape) محک خوردند و برای 7 شاخصه حاصل از داده های گردآوری شده که سه شاخصه مربوط به زمان وقوع شرایط آب و هوایی و سایرین، شاخص های حرارتی آسایش انسان است، در سیستم ارزیابی گردید. ارزیابی با تقسیم داده ها به بخش های آموزشی و آزمایشی و به ترتیب به نسبت های دوسوم، پنجاه درصد و یک سوم صورت پذیرفته است و دو محک mse و mape محاسبه شدند. عملکرد سیستم پیشنهادی در پیش بینی وضعیت آسایش حرارتی انسان مطلوب بود.

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

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 13821392 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 machinebased 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 twothirds, fifty percent and onethird And two benchmark MSE and MAPE were calculated. The proposed system performance in forecasting the human thermal comfort is desirable.