宋湛華（中交四航工程研究院有限公司，廣州 510230）

1 引言

照度計算是指按照選定的光源、燈具及布置方案，進行作業(yè)面的平均維持照度計算。照度計算的結(jié)果直接關(guān)系燈具數(shù)量和布置方案，進而影響照明設(shè)計的最終效果。傳統(tǒng)的照度計算方法有單位容量法、平均照度法等，這些方法不僅計算步驟復雜，而且不具備自學習能力，不能將過去設(shè)計中積累的經(jīng)驗運用到新的項目的設(shè)計中。

人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互相連結(jié)而成的網(wǎng)絡(luò)，是人腦的抽象、簡化、模擬，反映人腦的基本特性，具有非線性、大量并行分布結(jié)構(gòu)和自學習、自歸納能力等特點。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于照度計算中，能更準確、更快速的獲得計算結(jié)果。BP神經(jīng)網(wǎng)絡(luò)是一種采用誤差反向傳播算法的多層向前神經(jīng)網(wǎng)絡(luò)，近年來廣泛應(yīng)用于模式識別、預測評估等領(lǐng)域，并取得良好的效果。

2 BP神經(jīng)網(wǎng)絡(luò)模型的建立與仿真

一個3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，只要足夠多的節(jié)點，就可以逼近任意的非線性映射關(guān)系，我們選用3層的BP網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。建立BP神經(jīng)網(wǎng)絡(luò)的模型，要確定網(wǎng)絡(luò)中的下列參數(shù)：輸入輸出層節(jié)點的個數(shù)、隱含層的節(jié)點個數(shù)、每層的激活函數(shù)。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.1 確定輸入輸出層節(jié)點個數(shù)

在照度計算中，BP神經(jīng)網(wǎng)絡(luò)的輸入值就是影響作業(yè)面平均維持照度Eav的參數(shù)。通常情況下，作業(yè)面最終獲得的平均維持照度取決于兩類因素：一類是影響工作面單位面積上接收光通量的因數(shù)，包括燈具數(shù)量N、燈具光通量Ф、工作面的面積A、光源距工作面的距離H；另一類是影響光通量衰減的因素，包括燈具效率η、燈具維護系數(shù)K、天花板反射比Pc、地板反射比Pd、墻面反射比Pq。因此輸入向量為P=[H Ф A η K PcPfPwEav]，確定輸入節(jié)點數(shù)為9。而輸出層的節(jié)數(shù)就是照度設(shè)計中需要滿足的兩個條件：燈具數(shù)量N和計算照度Eav′ ，輸出向量為T=[N Eav′ ]。

2.2 確定隱含層的節(jié)點個數(shù)

隱含層節(jié)點數(shù)的確定原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，盡量選取較少的隱含層節(jié)點數(shù)，使網(wǎng)絡(luò)盡量簡單。我們先設(shè)置3個節(jié)點對網(wǎng)絡(luò)進行訓練，并測試網(wǎng)絡(luò)的逼近誤差，然后逐漸增加節(jié)點數(shù)。通過觀察發(fā)現(xiàn)隱含層神經(jīng)元為9時BP網(wǎng)絡(luò)的均方誤差最小，誤差的最大值和最小值最小，訓練時間和訓練步數(shù)比較短。于是我們將網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目確定為9。

2.3 選擇網(wǎng)絡(luò)參數(shù)

網(wǎng)絡(luò)參數(shù)主要是根據(jù)收斂速度和訓練誤差來選擇，我們在隱含層中采用transig函數(shù)為激勵函數(shù)，輸出層采用線性函數(shù)purelin為激勵函數(shù)，訓練函數(shù)采用trainlm函數(shù)，學習規(guī)則采用learendm函數(shù)，性能分析函數(shù)選用mse函數(shù)。

3 網(wǎng)絡(luò)訓練及仿真

3.1 訓練樣本

從已完成的照明設(shè)計資料中選取4組數(shù)據(jù)作為訓練樣本。為了獲得較好的訓練效果，BP算法的輸入數(shù)據(jù)通常限定在一定范圍內(nèi)，而我們樣本的數(shù)據(jù)大小差距很大，因此需要在訓練前進行數(shù)據(jù)的轉(zhuǎn)換，將轉(zhuǎn)換后的數(shù)據(jù)限定在[0,1]區(qū)域內(nèi)，轉(zhuǎn)換后的數(shù)據(jù)見表1。

表1 訓練樣本

3.2 網(wǎng)絡(luò)訓練

BP網(wǎng)絡(luò)建立之后，設(shè)定網(wǎng)絡(luò)訓練步數(shù)為1000、訓練目標為0.001，然后用訓練樣本對其進行訓練。在Matlab環(huán)境下進行仿真，BP網(wǎng)絡(luò)隨訓練次數(shù)的收斂曲線如圖2所示，從圖中可以看出網(wǎng)絡(luò)達到了良好的收斂效果。

圖2 網(wǎng)絡(luò)隨訓練次數(shù)的收斂圖

3.3 測試網(wǎng)絡(luò)

在網(wǎng)絡(luò)訓練好之后，我們?nèi)∫粋€實際案例對網(wǎng)絡(luò)進行測試。某無窗廠房，長10m，寬6m，高3.3m，光源距工作面距離H=2.5m，工作面照度要求達到250lx；室內(nèi)表面反射比分別為：頂棚Pc=0.7，地板Pf=0.2，墻面Pw=0.5；燈具的光通量為Ф=6400lm，維護系數(shù)K=0.8，效率為0.81。

采用利用系數(shù)法計算照度，查表得利用系數(shù)U=0.5，則所需燈具數(shù)

采用訓練好的BP神經(jīng)網(wǎng)絡(luò)進行計算，測試向量d1=[0.812.50.70.20.50.2500.60.640.8]′，計算結(jié)果y1=[0.560.247]′，取整后N=6，計算照度為247lx，與要求照度值（250lx）的誤差范圍不超過10%，滿足建筑照明設(shè)計規(guī)范（GB50034-2004）的要求。

4 總結(jié)

BP神經(jīng)網(wǎng)絡(luò)能建立非線性映射，將BP神經(jīng)網(wǎng)絡(luò)運用到照度設(shè)計中，當BP神經(jīng)網(wǎng)絡(luò)訓練成功后，可以就可以在輸入和輸出直接建立確定的映射，并將成功經(jīng)驗加以歸納。本文的測試的結(jié)果證明在建筑照明設(shè)計中引入人工神經(jīng)網(wǎng)絡(luò)BP算法，可以在實際問題中取得較為理想的結(jié)果。本文的不足之處在于訓練的樣本數(shù)比較少，不能保證信息完備性，隨著樣本的增加，網(wǎng)絡(luò)模型會更加準確和合理。

[1] 俞華麗，羅紅．人工神經(jīng)網(wǎng)絡(luò)理論在體育照明設(shè)計中的應(yīng)用[J]．照明工程學報，1995，6(2) ：35-41．

[2] 楊春宇．建筑物照明亮度設(shè)計引入神經(jīng)網(wǎng)絡(luò)算法研究[J].建筑科學，2008，24（12）：81-84.

[3] 高雋．人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M]．北京：機械工業(yè)出版社，2010．

[4] 北京照明學會照明設(shè)計專業(yè)委員會．照明設(shè)計手冊[M]．北京：中國電力出版社，2006．