基于细微放大与深度学习用于能效的非侵入式热舒适感知
人机交互
2018-11-21 v1 机器学习
摘要
人体热舒适测量在为建筑能效提供反馈信号方面起着关键作用。设计了一种基于细微放大与深度学习（NIDL）的非侵入式测量方法，以实现舒适、节能的建筑环境。该方法依赖皮肤特征数据（如细微运动与纹理变化）以及 315 层深度神经网络来构建皮肤特征与皮肤温度间的关系。开展了一项生理实验以收集特征数据（144 万）并验证算法。基于部分个性化饱和温度模型（NIPST）的非侵入式测量算法被用于算法性能比较。结果表明，NIDL 的平均误差与中位误差分别为 0.4834 摄氏度与 0.3464 摄氏度，相当于精度分别提升 16.28% 与 4.28%。
引用
@article{arxiv.1811.08006,
title = {Non-invasive thermal comfort perception based on subtleness magnification and deep learning for energy efficiency},
author = {Xiaogang Cheng and Bin Yang and Anders Hedman and Thomas Olofsson and Haibo Li and Luc Van Gool},
journal= {arXiv preprint arXiv:1811.08006},
year = {2018}
}
备注
15 pages, 6 figures