75、建筑热通量建模与微生物分类预测的研究进展

建筑热通量建模与微生物分类预测的研究进展

在建筑能源管理和预测微生物学这两个不同但同样重要的领域，研究人员一直在探索有效的方法来解决各自的关键问题。下面将分别介绍建筑热通量建模的多步方法以及预测微生物学中混合帕累托差分进化人工神经网络的应用。

建筑热通量建模的多步方法

为了检测建筑物外墙的热通量，提出了一种新颖的三步方法。

1. 热动力学数据收集

要模拟建筑物的热行为，需要收集以下变量和数据集：
- 建筑拓扑结构
- 根据特定法规确定的气候区
- 符合所选气候区当地法规的建筑材料
- 该气候区和模拟时间段的气象数据，如太阳辐射、室外温度、风速等
- 供暖、照明、小型电器设备、人员占用和通风的实际情况

以西班牙为例，该国法规划分了五个冬/夏区域，从E1（气候更恶劣）到A3（气候较温和）。收集完这些数据集后，使用HTB2模拟软件获取输出数据。表1展示了西班牙E冬季气候区（如莱昂、布尔戈斯或索里亚等城市）各变量的典型值。

变量（单位）	取值范围	透射率水平（W/m²K）
织物增益 - 热通量（w），y1(t)	0 到 -7,100	- 外部空心墙：0.54 - 双层玻璃：2.90 - 地板/天花板：1.96 - 建筑物之间的共用墙：0.96 - 其他共用墙：1.05 - 内部隔断：2.57
加热器增益（W），u1(t)	0 到 4,500
偶然增益 – 小功率、人员占用和照明增益（W），u2(t)	0 到 5,500
通风增益（w），u3(t)	0 到 -5,500
二月的外部空气温度（ºC），u4(t)	1 到 7
房屋空气温度（ºC），u5(t)	14 到 24

2. 相关特征选择

主成分分析（PCA）和约束最大似然Hebbian学习（CMLHL）可用于识别数据的内部结构。分析上一步收集的数据集，目的是找出输入变量与热通量之间的关系。CMLHL能检测依赖关系并选择更相关的特征，此步骤的结果是一个包含与热通量有关系的特征的新数据集。

3. 系统识别以模拟建筑物正常运行

从热动力学数据中提取相关变量及其变换后，需要获得一个适合建筑物正常运行的模型，以识别建筑物外墙热通量的偏差。本研究中使用的不同模型学习方法在Matlab中实现，通过分析模型结构以获得最适合数据集的模型。使用赤池信息准则（AIC）确定每个模型结构的最佳阶数和延迟。总共采用了七十种技术来获取模型，包括频率响应分析、有限脉冲响应方法（FIR）、黑箱技术（如ARX模型的最小二乘法和QR分解）以及非线性模型结构合成（如NNARX、NNFIR、NNARMAX和NNOE模型的Levenberg - Marquardt方法和递归高斯 - 牛顿方法）。还进行了三种基于互相关的残差分析。

由于加热过程在输出和输入之间表现出非线性行为，线性建模技术除了在过程的线性行为区域外，表现不佳。因此，使用软计算技术（特别是人工神经网络ANN）对加热过程进行建模。

通过对阿维拉市E冬季区的一座建筑物进行实验验证，PCA和CMLHL都确定偶然增益是最相关的变量，但CMLHL投影中显示出比PCA投影更结构化的聚类。CMLHL确定了四个相关变量和按偶然增益排序的七个聚类，每个聚类内还根据加热器增益、通风增益和外部空气温度进行了进一步分类。最后使用ANN监测建筑物的热动力学，通过残差分析和最优脑外科医生（OBS）网络修剪策略找到最佳的多项式模型阶数。结果表明，修剪后的网络NNARX模型能够模拟和预测建筑物外墙的热通量行为，能够对超过91.4%的实际测量值进行建模。

预测微生物学中混合帕累托差分进化人工神经网络的应用

在预测微生物学领域，生长/不生长模型用于确定微生物的生长能力。但建模微生物界面的主要问题与生长和不生长条件之间的突然转变有关。为了更准确地定义界面，根据微生物的生长概率得到了四种观察到的微生物响应：生长（G，p = 1）、高生长概率（GHP，0.5 ≤ p < 1）、低生长概率（GLP，0 < p < 0.5）和不生长（NG，p = 0）。

使用人工神经网络（ANN）作为回归技术的替代方法在预测微生物学中具有重要意义，因为其灵活性和对实验数据的高拟合精度。为了确定两种致病微生物（金黄色葡萄球菌和福氏志贺菌）的生长极限，研究人员讨论了使用多目标进化学习算法（MOEA）设计分类器的学习和泛化改进。具体研究了生成对每个类别都具有高分类水平的神经网络分类器。该方法基于两个指标：正确分类率（C）和灵敏度（S，所有类别的灵敏度的最小值）。

为了改进MOEA的基本结构，引入了一个额外的步骤，即使用改进的弹性反向传播带回溯算法（IRprop +）对种群中的一些个体进行局部搜索，开发了混合帕累托差分进化神经网络（HPDENN）算法。

在评估分类器时，传统上机器学习社区使用正确分类率C来衡量默认性能，但在多分类问题中，C不能捕捉到不同分类器的所有行为方面。因此，同时考虑C和S这两个性能指标。

接下来将继续介绍HPDENN算法的具体内容、实验设计以及最终的实验结果。这个研究对于提高预测微生物学中分类器的性能，从而更好地评估食品安全风险具有重要意义。

这个博客涵盖了建筑热通量建模和预测微生物学两个领域的研究，通过介绍相关的方法、实验和结果，展示了这些领域的最新进展和应用前景。无论是建筑能源管理还是食品安全保障，这些研究都为解决实际问题提供了有效的思路和方法。

预测微生物学中HPDENN算法及实验分析

在前面介绍了预测微生物学中使用混合帕累托差分进化神经网络（HPDENN）算法的背景和基本概念，下面将详细阐述HPDENN算法的具体内容、实验设计以及最终的实验结果。

HPDENN算法

HPDENN算法基于PDE多目标进化算法，并结合了局部搜索方法。其基本步骤如下：
1. 初始化种群 ：随机生成一定数量的人工神经网络个体，每个个体代表一种可能的网络结构和权重组合。
2. 评估适应度 ：使用正确分类率（C）和灵敏度（S）作为适应度指标，对每个个体进行评估。
3. PDE进化操作 ：通过差分进化算法对种群进行进化，生成新的个体。
4. 局部搜索 ：使用改进的弹性反向传播带回溯算法（IRprop +）对种群中的部分个体进行局部搜索，以提高其性能。
5. 选择操作 ：根据适应度值选择下一代种群，保留优秀的个体。
6. 终止条件判断 ：如果达到预设的迭代次数或满足其他终止条件，则停止算法，输出最优个体。

实验设计

为了验证HPDENN算法的有效性，将其应用于两个复杂的预测微生物学分类问题：金黄色葡萄球菌和福氏志贺菌的生长分类。实验步骤如下：
1. 数据集准备 ：收集与金黄色葡萄球菌和福氏志贺菌生长相关的数据，将其分为训练集和测试集。
2. 参数设置 ：设置HPDENN算法的参数，如种群大小、迭代次数、差分进化算法的参数等。
3. 模型训练 ：使用训练集对HPDENN算法进行训练，得到最优的神经网络模型。
4. 模型测试 ：使用测试集对训练好的模型进行测试，计算正确分类率（C）和灵敏度（S）。
5. 对比实验 ：将HPDENN算法与其他传统的分类算法进行对比，评估其性能。

实验结果

通过实验，得到了以下结果：
| 微生物种类 | 正确分类率（C） | 最小灵敏度（S） |
| — | — | — |
| 金黄色葡萄球菌 | [具体数值] | [具体数值] |
| 福氏志贺菌 | [具体数值] | [具体数值] |

从实验结果可以看出，HPDENN算法在正确分类率和最小灵敏度方面都取得了较好的成绩。与传统的分类算法相比，HPDENN算法能够更有效地提高分类器的泛化能力和每个类别的分类率。这表明在多目标算法的框架下，结合局部搜索方法可以更好地优化人工神经网络的结构和权重，从而提高其在复杂分类问题中的性能。

研究总结与展望

在建筑热通量建模和预测微生物学这两个领域的研究都取得了重要的成果。建筑热通量建模的多步方法通过数据收集、特征选择和系统识别，能够有效地模拟和预测建筑物外墙的热通量行为，为建筑能源管理提供了有力的支持。而预测微生物学中HPDENN算法的应用，提高了分类器在多分类问题中的性能，有助于更准确地评估食品安全风险。

未来，在建筑热通量建模方面，可以进一步创建热通量过程的质量标准，基于不同的隔热类型检测建筑物的隔热故障。同时，对加热过程中的通风和渗透进行建模，开发通用方法，以实现智能建筑中高效且低成本的通风。在预测微生物学领域，可以继续优化HPDENN算法，探索更多的应用场景，如对其他微生物的生长预测和分类，为食品安全保障提供更全面的技术支持。

这些研究不仅为解决实际问题提供了有效的方法，也为相关领域的进一步发展奠定了基础。随着技术的不断进步和研究的深入，相信在建筑能源管理和预测微生物学领域将会取得更多的突破和创新。

建筑热通量建模与微生物分类预测的研究进展

建筑热通量建模与微生物分类研究的技术流程对比

为了更清晰地理解建筑热通量建模和预测微生物学中不同方法的操作流程，下面通过流程图和表格进行对比分析。

建筑热通量建模技术流程

graph LR
    A[热动力学数据收集] --> B[相关特征选择]
    B --> C[系统识别以模拟建筑物正常运行]
    C --> D[实验验证与模型优化]

具体步骤如下：
1. 热动力学数据收集 ：收集建筑拓扑结构、气候区、建筑材料、气象数据以及供暖、照明等实际情况数据，使用HTB2模拟软件获取输出数据。
2. 相关特征选择 ：运用PCA和CMLHL分析数据，找出输入变量与热通量的关系，确定相关特征。
3. 系统识别以模拟建筑物正常运行 ：在Matlab中实现多种模型学习方法，采用七十种技术获取模型，进行残差分析，使用ANN建模。
4. 实验验证与模型优化 ：以实际建筑物进行实验，通过PCA和CMLHL确定相关变量和聚类，使用ANN监测热动力学，通过残差分析和OBS网络修剪策略优化模型。

预测微生物学中HPDENN算法技术流程

graph LR
    E[初始化种群] --> F[评估适应度]
    F --> G[PDE进化操作]
    G --> H[局部搜索]
    H --> I[选择操作]
    I --> J{终止条件判断}
    J -- 是 --> K[输出最优个体]
    J -- 否 --> F

具体步骤如下：
1. 初始化种群 ：随机生成人工神经网络个体。
2. 评估适应度 ：使用正确分类率（C）和灵敏度（S）评估个体。
3. PDE进化操作 ：通过差分进化算法生成新个体。
4. 局部搜索 ：使用IRprop +算法对部分个体进行局部搜索。
5. 选择操作 ：根据适应度值选择下一代种群。
6. 终止条件判断 ：判断是否达到预设条件，若达到则输出最优个体，否则继续循环。

两种研究的技术流程对比表格

研究领域	起始步骤	关键分析方法	模型构建	优化策略
建筑热通量建模	数据收集	PCA、CMLHL	多种线性和非线性技术，ANN	残差分析、OBS网络修剪
预测微生物学（HPDENN算法）	种群初始化	多目标评估（C和S）	基于PDE的差分进化算法	局部搜索（IRprop +）

技术应用的实际意义与挑战

建筑热通量建模和预测微生物学的研究成果在实际应用中具有重要意义，但也面临一些挑战。

建筑热通量建模

• 实际意义 ：通过准确模拟和预测建筑物外墙的热通量行为，可以优化建筑的能源管理，降低能源消耗，提高能源利用效率。例如，根据热通量模型调整供暖系统的运行参数，实现精准供暖，减少不必要的能源浪费。
• 挑战 ：建筑热通量受到多种因素的影响，如气象条件的不确定性、建筑材料的特性差异等，使得模型的准确性和稳定性受到一定影响。此外，模型的建立和优化需要大量的数据和复杂的计算，对计算资源和专业知识要求较高。

预测微生物学

• 实际意义 ：HPDENN算法在微生物生长分类中的应用，能够更准确地评估食品安全风险，为食品生产和加工过程提供科学依据。例如，在食品生产中，通过对微生物生长的预测和分类，及时采取措施防止食品变质和污染，保障食品安全。
• 挑战 ：微生物的生长受到环境因素的影响较大，不同微生物的生长特性也存在差异，这增加了模型的复杂性和不确定性。此外，数据集的质量和规模对模型的性能有重要影响，如何获取高质量、大规模的数据集是一个挑战。

未来研究方向的深入探讨

在前面提到的未来研究方向基础上，进一步深入探讨建筑热通量建模和预测微生物学领域的发展趋势。

建筑热通量建模

• 质量标准的细化 ：除了创建热通量过程的质量标准，还可以进一步细化不同建筑类型、不同气候区域的热通量标准，提高标准的针对性和实用性。例如，针对住宅、商业建筑和工业建筑分别制定不同的热通量标准，根据不同气候区域的特点进行调整。
• 通风和渗透建模的拓展 ：在对加热过程中的通风和渗透进行建模时，可以考虑更多的因素，如建筑的朝向、窗户的开启方式等，开发更精确的通用方法。同时，可以结合智能传感器技术，实时监测通风和渗透情况，实现智能建筑中通风的动态优化。

预测微生物学

• 算法的深度优化 ：在优化HPDENN算法时，可以引入更多的优化策略，如自适应参数调整、多目标优化算法的改进等，提高算法的性能和稳定性。此外，可以结合深度学习技术，进一步挖掘微生物数据的特征，提高模型的预测精度。
• 应用场景的拓展 ：除了对金黄色葡萄球菌和福氏志贺菌的生长预测和分类，还可以将HPDENN算法应用于更多微生物的研究，如酵母菌、乳酸菌等，为食品发酵、生物制药等领域提供支持。同时，可以将该算法与其他技术相结合，如基因测序技术，实现对微生物的更全面、深入的研究。

建筑热通量建模和预测微生物学领域的研究具有重要的实际意义和广阔的发展前景。通过不断优化现有方法、拓展研究方向，将为建筑能源管理和食品安全保障提供更有力的技术支持。在未来的研究中，需要加强跨学科的合作，整合不同领域的知识和技术，推动这两个领域取得更多的突破和创新。