日光光譜及大氣衰減對建筑色彩設計的影響——引入人工神經網絡算法研究

楊春宇，梁樹英，馮 凱

(重慶大學建筑城規學院，重慶大學山地城鎮建設與新技術教育部重點實驗室，重慶 400045）

0 引言

建筑師們在進行色彩設計時大多有過這樣的經驗，即在建筑色彩設計中往往出現設計色彩與實際建成色彩偏差較大的現象。從顏色技術角度看，多數情況下不是建筑師色彩方案不好，而是建筑師將建筑色卡色彩和實際建成后的空間色彩等同看待，確定建筑色彩時又多靠建筑師的主觀審美經驗，從定性方面來決定建筑色彩，缺乏科學定量所致。人工神經網絡是近年來再度興起的一個高科技研究領域，也是信息科學、腦科學、神經心理學等多種學科近幾年研究的熱點。人工神經網絡是模擬人腦神經系統的結構和功能，運用大量的處理部件，在生物神經網絡研究的基礎上建立起來的，是目前世界上先進的智能信息處理方法之一。人工神經網絡具備良好的自學習功能、自適應容錯能力和聯想功能，是與傳統的數字計算機完全不同的網絡系統。目前將人工神經網絡應用于建筑技術領域已有不少成功的范例，同濟大學、天津大學、重慶大學的學者們都進行過相關的研究和嘗試，取得了較好的效果。重慶大學的學者將人工神經網絡應用于泛光照明亮度設計中，將泛光照明的科學技術性與藝術性更好地統一起來，使泛光照明亮度設計更具合理性。

本文將人工神經網絡引入到建筑色彩設計中，運用人工神經網絡的特殊模糊運算方式，解決一些難以處理的定性和定量問題，并將人文審美等定性意向、日光光譜影響、大氣衰減和材料光反射特性等轉換為定量的數據分析，為建筑色彩設計提供科學技術基礎支撐。

1 人工神經網絡概述

1.1 人工神經網絡的特點

人工神經網絡是一個由簡單處理元構成的規模宏大的并行分布式處理器，它在兩個方面與人腦相似:神經網絡獲取的知識是從外界環境中學習獲得的，互連神經元的連接強度即突觸權值，用于儲存獲取的知識;用于完成學習過程的程序稱為學習算法，功能是以有序的方式改變網絡的突觸權值以獲得想要的設計目標。人工神經網絡重點不是去復制生物的神經細胞網絡，而是利用其自身的優勢克服傳統計算機和其他系統不能解決的問題，如學習、識別、控制、專家系統等。隨著生物和認知科學的發展，人們對人腦的了解越來越深入，促進了人工神經網絡的進一步發展，反過來又將其更好地應用到工程和科學領域。人工神經網絡有如下特點。

(1）處理單元:單元是網絡的結點，是具有計算能力的處理部件，可以任意排列。單元分為輸入單元、輸出單元、隱含單元。輸入單元接受網絡外部的輸入，輸出單元向網絡外部發運輸出。隱含單元與網絡外部不發生直接聯系。單個單元功能簡單，但大量簡單的處理單元共同地、并行地運行，可以得到驚人的預期識別和計算。人工神經網絡與現代計算機的系統不同，它沒有運算器、存儲器、控制器，而是相同的眾多簡單處理器的組合，其信息存儲在處理單元之間的聯系上。

(2）學習功能與自適應能力:人工神經網絡有強大的學習功能和自適應能力。每個樣本由一個唯一的輸入信號和相應期望響應組成。從一個訓練集中隨機選取一個樣本給網絡，網絡就會調整它的自由參數，以最小化期望響應和由輸入信號以適當的統計準則產生的實際響應之間的差別。使用訓練集中的很多例子重復神經網絡的訓練，直到網絡達到沒有顯著的突觸權值修正的穩定狀態為止。另外，人工神經網絡嵌入了一個調整自身突觸權值以適應外界變化的能力。一個在特定運行環境不接受訓練的神經網絡，對環境條件不大的變化可以容易進行重新訓練，當它在一個變化環境中運行時，網絡突觸權值就可以設計成隨時間變化。同時，人工神經網絡還具有自適應模式識別、自適應信號處理和自適應控制。

(3）存儲方式:人工神經網絡是一種布散式的存儲方式，其所記憶的信息是存儲在神經元之間的觸權中，從單個觸權中看不出其貯存的信息內容。這也是其具有容錯性的基礎之一。

(4）容錯性:人工神經網絡有極強的容錯性，當局部或部分神經元損壞后，它的性能會逐漸下降，但不會影響到全局的活動。比如一個神經元或它的連接被損壞了，存儲模式的回憶在質量上被削弱，但是，由于網絡信息存儲的分布特性，或者說由于它具有并行運算的特征，在網絡總體響應嚴重惡化之前這種損壞是分散的，只能使其性能緩慢減弱而不是災難性的全局癱瘓。

1.2 BP網絡的神經元模型結構

目前，在應用和研究中所采用的人工神經網絡模型不下30種，學習算法是多種多樣的，其中較有代表性的有十幾種。反向傳播(Back Propagatio）算法簡稱BP網，是一種反向傳播并修正誤差的多層映射網，在參數適當時，能收斂到較小的均方誤差，是目前應用最廣的一種神經網絡學習算法，其最典型的是三層BP網絡結構(圖1）。它由輸入層、隱層(中間層）、輸出層三層神經元組成。雖然隱層與外層沒有直接聯系，但如果隱層神經元狀態發生改變，輸入與輸出之間的關系就會受到影響，圖中i、j、k分別表示輸入層、隱層、輸出層上的神經元，輸入層第i個神經元與隱層第j個神經元的結合權值為Wji，閾值為Qj，隱層第j個神經元與輸出層第k個神經元的結合權值為Vkj，閾值為Yk，每個神經元的輸入、輸出關系應滿足:

算式(1）表示神經元i輸入信息的累加值，Qi為閾值。式(3）中，ui為細胞 i的狀態，Yi為神經元 i輸出。f(ui）是激活函數，它是一個單調上升的函數，當Ui大時，yi也大，但f(ui）是一個有限制函數，在BP網絡中f(ui）表示為下列非線性函數:

圖1 三層BP網絡結構

BP神經網絡的學習過程由正向傳遞和反向傳遞組成。正向傳遞過程中學習樣本從輸入層經過隱層逐層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態，如在輸出層不能得到預期的輸出，就轉入反向傳遞，并將產生的誤差信號沿原來的連接線路返回，經過修正各神經元的權值和閾值，使誤差信號最小。BP神經網絡的學習過程是一個求解權值和閾值的過程。對學習則并不要求絕對精確，學習過程所得到的只是一種近似解。因此，學習過程的容錯性就很重要。這正是BP神經網絡具有更大的靈活性之所在。

2 人工神經網絡在建筑色彩設計中的模型及算法

2.1 BP算法的輸入及輸出層的設計

為準確反映建筑色彩設計中各參數之間的關系，包括日光光譜影響、大氣衰減和材料光反射特性等，應充分考慮建筑色彩對人生理心理的種種影響因素。我們已知道BP神經網絡是由多個神經元構成，神經元設置太少不能獲得學習經驗及完成必要的運算;神經元太多會增加系統的規模，使學習時間和系統復雜性增加。鑒于人視覺對色彩的復雜性，筆者歸納了一些影響因素，在BP算法中作為輸入元素加以應用。

(1）客觀量元素:天氣情況修正系數K1、光源種類修正系數K2、受光條件修正系數K3、測試距離修正系數K4、近地大氣對光的衰減影響修正系數K5、建筑物飾面材料光澤度值Gz、建筑物立面面積M(m2）、被測物表面污染程度修正系數W、天空背景亮度LH、近距離觀測時建筑物的亮度Lo、天空背景飽和度CH、近距離觀測時建筑物的飽和度Co、天空背景色相HH、近距離觀測時建筑物的色相Ho。

(2）主觀量元素:知覺定向性d、對象識別s、格式塔組織完形法則(相似性、連續性、圖底關系確定性）Z、心理定勢D、視錯覺C、知覺恒常性h、立體感指數x、眩光評價指數IT。為了減少神經網絡的規模，縮短計算機進行學習時間，這里忽略了主觀量元素中人的個體差異。對于輸出層，確定出建筑物的亮度L、飽和度C、色相H。

2.2 BP算法的隱層設計

如果隱層神經元數目太少，不能適應以前沒有學習過的樣本，容錯性差，算不出需要的結果;如果隱層神經元數目太多，會使網絡學習過程沒有盡頭，不能收斂，還會使網絡回憶起每件事以致無法更好地學習新樣本。有關資料給出的確定隱層神經元數量的算式如下:

式中，n1為隱層神經元數目;n為輸入神經元數目;m為輸出神經元數目;a為1～10之間的常數。為使BP網絡能夠學習成功，在建筑色彩設計的3層BP網絡中，把式(5）的建議值作為初始隱層數目。經過試算，認為隱層神經元數目定為36是合適的。

2.3 BP算法的數據前后處理

BP算法的輸入數據通常被設定于一定的范圍內，但在實際工程應用中輸入的數據并不一定在這個范圍，這就需要數據的轉換，稱數據的前處理。前處理將物理量空間的數據轉換為神經網絡計算空間的數據，神經網絡計算的輸出須再次轉換而映射到實際的物理量空間，這一過程稱為后處理。

2.3.1 BP 算法的數據前處理

一般而言，將BP算法的輸入數據限定在［0，1］區域內，要達到實際輸入X=xi向［0，1］區域轉換，常采用的處理形式有:

同時應將教師信號T作上述處理，則有:常數TO=max{tl}或TO=Σ t1;教師信號則為

2.3.2 BP 算法的數據后處理

對于BP算法的數據后處理，最簡單的方法就是把BP算法的輸出數據乘以1個常數因子，當給定的誤差為時則有:‖0－Y‖≤;整理后得到‖0·TO－Y·TO‖≤ε，由前處理中教師數據的處理方法可將上式變為:

因教師數據T來自實際狀態空間，因而用0·TO作為輸出在ε誤差范圍內屬于實際狀態空間，即將BP算法的輸出乘以常數TO后，可認為屬于實際狀態空間，TO成為BP算法的應用關鍵，但是TO的獲取并不容易，原因是在多樣本時，不同的學習樣本將有不同的TO，同時，在BP算法學習成功后的計算過程中根本不存在教師信號，在數據前處理中CI僅描述了輸入總量，明顯地不能從它獲得TO。TO值的獲得是BP算法完結后，其輸入數據與輸出數據之間的關系全都被記憶在權值和閾值中，要想在計算階段獲取因子TO，只能從BP算法的輸入、權值、閾值及輸出中獲得。有的學者的方法是在輸出層中增加1個神經元，通過它的輸出計算出TO，增加1個輸出層神經元后，教師信號改為T={t1，t2…tn，tn+1}，其中，tn+1為增加的輸出層神經元對應的教師信號，由教師數據前處理可知:

由‖0·TO－T‖≤ε可知，輸出層第n+1個神經元的輸出滿足:

近似地有:On+1·TO=tn+1

式(10）的意義是學習過程中所增加的神經元教師信號量如果為非零常數(多樣本時），可由該常數與相應神經元輸出之比作為因子 TO，如果取tn+1=，則由式(8）、(10）可推得:

式(11）給出了第n+1個神經元輸出與TO的關系，這種關系在BP算法學習成功時被記憶在權值和閾值中，因此，在BP算法的計算階段可用式(11）的值與輸出層神經元相應的輸出值的乘積作為實際狀態空間的輸出。

2.4 程序設計

“建筑色彩設計”程序的開發環境是:(1）編程環境:Borland公司的Delphi 7.0;(2）數據庫環境:Borland公司的 Database Desktop;(3）數據庫:Paradox 7.0;(4）操作系統環境:Windows XP。程序的運行環境是:(1）操作系統環境:Windows 98、2000、XP;(2）數據庫環境:Paradox 7.0。Delphi 7.0是Borland公司2002年推出的Windows環境下的快速應用開發(Rapid Application Development）工具。它將面向對象技術、優化編譯、數據庫支持等結合在一起，是目前Windows環境下的優秀開發工具，程序的主界面見圖2。

圖2 空智能建筑色彩設計程序主界

采用直流供電后LED路燈驅動電源內已取消了整流橋、濾波電容、PFC等回路，使驅動電源的設計更加靈活，主電路結構簡單、可靠性高。

4 小結

城市LED路燈采用直流供電模式，由直流供電站提供LED路燈直流電源，可以提高供電系統功率因數、減少諧波電流，將分散的LED路燈驅動電源中的整流、濾波、PFC元器件取消，提高照明燈具的可靠性，延長LED路燈壽命，促進LED路燈推廣應用。同時可解決路燈變壓器不平衡輸出，降低變壓器容量，減少供電電纜截面積，提高整個路燈系統的安全性、可靠性、可維護性，并延長壽命。

［1］開關電源功率因數補償及諧波限制方法，輸配電設備網

［2］王晶.UPS整流濾波與電能質量.UPS應用

［3］陳士軍.直流輸電的優勢與前景［J］.水電站設計

［4］吳昊，王鋼.加強驅動電源可靠性設計匹配LED路燈壽命［J］.國際光電與顯示

［5］俞紅祥，林敏，紀延超.單開關三相交直流變換器的諧波消除PWM技術［J］.電力系統及其自動化學報