隨著LED顯示屏在戶外的普及與發(fā)展，如何對其視覺質(zhì)量進(jìn)行合理評價成為亟待解決的問題。本文建立了用于評價核心商區(qū)LED顯示屏視覺質(zhì)量的理論模型。首先通過研究LED顯示屏的工作原理、物理性質(zhì)以及相關(guān)標(biāo)準(zhǔn)、規(guī)范，從物理客觀指標(biāo)和心理主觀指標(biāo)兩方面篩選出13個影響LED顯示屏視覺質(zhì)量的評價指標(biāo);再將德爾菲法與聚類算法結(jié)合，篩選出符合要求的評價指標(biāo)集;較后運(yùn)用遺傳算法對層次分析法所構(gòu)建出的初始判斷矩陣進(jìn)行優(yōu)化并求解出各指標(biāo)權(quán)重，從而構(gòu)建出核心商區(qū)LED顯示屏視覺質(zhì)量評價理論模型。

近年來LED顯示屏因其良好的動態(tài)性、色彩的豐富性以及信息發(fā)布的便利性而被廣泛應(yīng)用于城市的夜景中。LED顯示屏的視覺質(zhì)量直接影響到環(huán)境中行人、駕駛員等的視覺功能和心理感受。盡管相關(guān)標(biāo)準(zhǔn)中對戶外顯示屏亮度的較高允許值做出了限定，但對其較佳亮度、動態(tài)性能的優(yōu)劣等卻并未涉及。因此，如何合理地對LED顯示屏視覺質(zhì)量進(jìn)行評價，以及如何獲得相關(guān)指標(biāo)的推薦值成為目前應(yīng)解決的問題。本文通過聚類算法優(yōu)化的德爾菲法對LED顯示屏視覺質(zhì)量指標(biāo)進(jìn)行篩選，確定了評價體系指標(biāo)集;將層次分析法與遺傳算法結(jié)合，構(gòu)建LED顯示屏視覺質(zhì)量評價層次結(jié)構(gòu)并獲得指標(biāo)權(quán)重，從而確立LED顯示屏視覺質(zhì)量評價理論模型。

1評價對象所處區(qū)域限定

核心商業(yè)區(qū)又稱商業(yè)中心區(qū)，是集商場、金融、服務(wù)和娛樂為一體的商業(yè)聚集區(qū)。在《室外照明干擾光限制規(guī)范》(DB11/T731—2010)中，商業(yè)區(qū)和城市中心區(qū)被一同劃分為高亮度區(qū)域E4(表1)，其中不同區(qū)域由于其區(qū)域?qū)傩院凸δ艿膮^(qū)別，夜景照明亮度水平有所不同。

戶外LED顯示屏由于其亮度高、色彩鮮艷等特點(diǎn)被廣泛應(yīng)用于城市夜景中。但由于不同環(huán)境區(qū)域之間的差異性，LED顯示屏設(shè)置的數(shù)量、尺寸以及動態(tài)性程度也有所不同。在《深圳市戶外LED顯示屏設(shè)置專項(xiàng)規(guī)劃》、《上海市戶外廣告設(shè)施設(shè)置陣地規(guī)劃》等文件中均提出LED顯示屏的設(shè)置要“因地制宜”，并將LED顯示屏設(shè)置區(qū)域進(jìn)行了控制，分為:禁止區(qū)(E1)、控制區(qū)(E2、E3)和展示區(qū)(E4)，對于核心商業(yè)區(qū)所屬的展示區(qū)，LED顯示屏的設(shè)置限制更少，也因此應(yīng)用更為廣泛。同時，由于不同區(qū)域本身亮度的差異，因此不同區(qū)域中LED顯示屏表面亮度的限值也不同，為了得到統(tǒng)一的評價模型，本文將評價對象限定為核心商業(yè)區(qū)中的LED顯示屏，用以在統(tǒng)一的應(yīng)用環(huán)境中設(shè)置評價標(biāo)準(zhǔn)。

2評價指標(biāo)集的確定

2.1物理客觀指標(biāo)與心理主觀指標(biāo)

根據(jù)LED顯示屏在核心商區(qū)中的應(yīng)用特點(diǎn)，將評價指標(biāo)分為物理客觀指標(biāo)和心理主觀指標(biāo)兩大類。在對核心商區(qū)LED顯示屏視覺質(zhì)量評價的過程中，可通過儀器直接測量及進(jìn)一步計算得到的物理客觀指標(biāo)包括:表面亮度水平、表面亮度均勻性、表面亮度與背景亮度對比、屏幕對比度、色彩還原度、表面亮度瞬時變化差值以及畫面切換時間。

LED顯示屏的視覺主體是人，在進(jìn)行視覺質(zhì)量評價時不能不考慮人的視覺心理感受。非量化的心理主觀指標(biāo)包括:眩光、動態(tài)適宜度、觀看舒適度、環(huán)境協(xié)調(diào)性、視覺誘導(dǎo)性和外觀藝術(shù)性。

2.2聚類算法改進(jìn)的德爾菲法

德爾菲法是一種采用背對背通信方式征詢專家小組成員預(yù)測意見，并通過多輪征詢使意見趨于一致的定性評價法。聚類算法是以相似性為基礎(chǔ)，將相似性強(qiáng)的樣本聚成一類的研究分類問題的統(tǒng)計分析方法。

若德爾菲法過程中個別專家意見樣本與其他樣本間偏差過大，則會對問卷結(jié)果和樣本間一致性產(chǎn)生較大影響，從而影響德爾菲法收斂過程。因此本文提出，利用聚類算法對每一輪的專家意見進(jìn)行聚類，根據(jù)聚類結(jié)果將與大多數(shù)樣本差異性大的樣本刪除，以減少個人因素對問卷結(jié)果的影響，具體過程如圖1所示。

2.3德爾菲法相關(guān)指標(biāo)

2.3.1重要性、判斷依據(jù)和熟悉程度的量化

專家問卷中要求每一位專家對單個指標(biāo)的重要性程度、判斷依據(jù)及熟悉程度進(jìn)行判斷。這三項(xiàng)內(nèi)容的量化方式如表1所示。其中、、分別表示第i位專家對第j個指標(biāo)的重要性、判斷依據(jù)和熟悉程度的量化值。

2.3.2指標(biāo)選取規(guī)則指標(biāo)選取的原則為對LED顯示屏視覺質(zhì)量的重要程度為比較重要及以上，即滿足指標(biāo)重要性加權(quán)平均值:Aj≥6，見式(1)。此外應(yīng)保證專家意見達(dá)到一定程度的協(xié)調(diào)，即變異系數(shù):CVj＜0.15，見式(2)。

2.4德爾菲法確定評價指標(biāo)集

本次德爾菲法共進(jìn)行了三輪問卷。第三輪問卷后，所有指標(biāo)均達(dá)到一致性收斂要求CVj＜0.15。較后一輪問卷數(shù)據(jù)如表2所示。

表2中指標(biāo)C13的重要性均值小于6，不符合指標(biāo)篩選的條件，需要從指標(biāo)集中刪除。

因此通過聚類算法優(yōu)化的德爾菲法的過程，較終確定的核心商區(qū)LED顯示屏視覺質(zhì)量評價指標(biāo)集為:表面亮度水平C1、表面亮度均勻性C2、表面亮度與背景亮度對比C3、屏幕對比度C4、色彩還原度C5、表面亮度瞬時變化差值C6、畫面切換時間C7、眩光C8、動態(tài)適宜度C9、觀看舒適度C10、環(huán)境協(xié)調(diào)性C11以及視覺誘導(dǎo)性C12。

3指標(biāo)權(quán)重的確定

層次分析法是將一個復(fù)雜目標(biāo)分解成多個子目標(biāo)，進(jìn)而分解成具有若干個層次的指標(biāo)體系，通過定性指標(biāo)模糊量化方法確定每個層次指標(biāo)的權(quán)重，從而作為多目標(biāo)、多方案優(yōu)化決策的系統(tǒng)方法?；静襟E為:①建立遞階層次結(jié)構(gòu)模型，②構(gòu)造判斷矩陣，③一致性檢驗(yàn)和，④計算權(quán)重向量。

3.1LED顯示屏視覺質(zhì)量評價層次結(jié)構(gòu)模型將前文篩選出的指標(biāo)指標(biāo)集構(gòu)建成圖2的三層LED顯示屏視覺質(zhì)量評價的層次結(jié)構(gòu)模型。

3.2初始判斷矩陣

對前文篩選出的12個指標(biāo)進(jìn)行重要性兩兩對比，可獲得不同指標(biāo)間的重要性相對比較值。本文采取表3中的1～9標(biāo)度法。初始判斷矩陣為A0={a_ij}_n×n(3)

其中aij為重要性標(biāo)度值，a_ij=1/a_ji，n為指標(biāo)個數(shù)，i，j=1，2，…，n。

由此構(gòu)建出的初始判斷矩陣為如式(4)所示。

3.3一致性檢驗(yàn)

矩陣的一致性程度用一致性比例CＲ表示，如下:

其中CI為一致性指標(biāo)，ＲI為隨機(jī)一致性比率，當(dāng)矩陣階次為12時，ＲI=1.54。一致性指標(biāo)如式

(6)所示。

其中λmax為判斷矩陣的較大特征值。當(dāng)CＲ＜0.10時，認(rèn)為判斷矩陣的一致性是可以接受的，否則應(yīng)對判斷矩陣作適當(dāng)修正。

由式(5)可計算得出初始判斷矩陣A0的一致性比例CＲ0稍大于0.10，因此需對其進(jìn)行修正。

3.4構(gòu)建較小二乘一致性修正模型

由于核心商區(qū)LED顯示屏視覺質(zhì)量評價體系中包含較多的評價指標(biāo)，構(gòu)成的初始判斷矩陣較難滿足一致性校驗(yàn)，因此需要構(gòu)建出一個合適的修正模型，并利用智能算法求解出能通過一致性校驗(yàn)的判斷矩陣及其對應(yīng)的權(quán)重向量。

假設(shè)修正后的矩陣為X=(x_ij)_n×n，權(quán)重向量為W=(w_i)_1×n，其中i，j=1，2，…，n。

由于模型既要滿足盡可能小地修改初始判斷矩陣，又要盡可能大地滿足一致性要求，因此構(gòu)建出的較小二乘一致性修正模型如下:

該模型是一個求較小值的問題，目標(biāo)函數(shù)Y的值越小越好。其中λ1，λ2為權(quán)重因子，分別表示對專家意見和一致性的遵循程度，θ為修正矩陣中元素的約束條件，值越小表示對原矩陣的遵循程度越高。

3.5遺傳算法求解模型

遺傳算法是通過模擬自然進(jìn)化過程搜索全局較優(yōu)解的智能算法。本文采取遺傳算法尋找2.4中模型的較優(yōu)解，過程如下:

1)初始化。隨機(jī)生成M個個體作為初始群體P(0)，設(shè)置較大進(jìn)化代數(shù)gmax和計數(shù)器Generation。其中判斷矩陣中右上角n(n－1)/2個元素以及n個權(quán)重因子共同構(gòu)成染色體基因，因此每個個體長度為n(n+1)/2，采用實(shí)數(shù)編碼。

2)計算個體適應(yīng)度。個體適應(yīng)度決定了個體在進(jìn)化過程中被選擇的概率，適應(yīng)度越大被選擇的幾率越大。因此需要將模型中求較小問題的目標(biāo)函數(shù)轉(zhuǎn)換為非負(fù)較大問題函數(shù)來求解個體適應(yīng)度。本文選擇的適應(yīng)度函數(shù)為

其中f(chrom)為目標(biāo)函數(shù)，chrom為群體中的染色體。

3)選擇。本文采用轉(zhuǎn)盤式選擇算子［8］對個體進(jìn)行選擇，每次進(jìn)化過程中個體被選擇的概率與適應(yīng)度值成正比，即

上一代群體中被選擇的個體共同構(gòu)成下一代

群體。

4)交叉。對于選出的兩個個體，有pcross=0.75的概率進(jìn)行交叉，隨機(jī)選中第x位染色體進(jìn)行互換，并將交叉后的個體放入下一代。

5)變異。每個個體有pmutation=0.09的概率進(jìn)行變異，并隨機(jī)選中第x位染色體進(jìn)行變異并放入下一代群體。

6)重新計算適應(yīng)度值，判斷適應(yīng)度是否達(dá)到閾值或者Generation是否大于gmax，是則結(jié)束進(jìn)化，否則回到第(3)步。

利用Matlab實(shí)現(xiàn)遺傳算法對較小二乘一致性修正模型的求解，設(shè)置個體規(guī)模為M=50，進(jìn)化代數(shù)gmax=1000，目標(biāo)函數(shù)中λ1=0.1，λ2=0.9，θ=0.2。則優(yōu)化后的矩陣X和權(quán)重向量W分別為:

優(yōu)化后矩陣的一致性比例CＲ=0.0577＜0.1000，滿足判斷矩陣的一致性要求。

4核心商區(qū)LED顯示屏視覺質(zhì)量評價模型

通過遺傳算法求解較小二乘一致性模型得到優(yōu)化后的判斷矩陣和權(quán)重向量，將優(yōu)化后的矩陣作為較終的判斷矩陣，權(quán)重向量作為各指標(biāo)權(quán)重，從而構(gòu)建出核心商區(qū)LED顯示屏視覺質(zhì)量評價模型，如表5所示。

5總結(jié)與展望

本文首先利用聚類算法對傳統(tǒng)的德爾菲法進(jìn)行優(yōu)化，避免了邊緣數(shù)據(jù)對德爾菲法問卷結(jié)果的影響。通過此方法對初步選擇出的13個影響核心商區(qū)LED顯示屏視覺質(zhì)量的指標(biāo)進(jìn)行篩選，得出外觀藝術(shù)性這一指標(biāo)對LED顯示屏視覺質(zhì)量影響較弱的結(jié)論，并將其從指標(biāo)集中刪除。

接著采用層次分析法構(gòu)建出核心商區(qū)LED顯示屏視覺質(zhì)量評價指標(biāo)層次結(jié)構(gòu)，通過專家對指標(biāo)的兩兩比較得出初始判斷矩陣。隨后利用遺傳算法對初始判斷矩陣進(jìn)行修正，獲得各指標(biāo)權(quán)重從而構(gòu)建出核心商區(qū)LED顯示屏視覺質(zhì)量評價理論模型。

本課題后續(xù)需要通過主客觀結(jié)合的現(xiàn)場調(diào)研來驗(yàn)證模型的合理性，并通過結(jié)合LED顯示屏視覺質(zhì)量主觀評價結(jié)果和客觀數(shù)據(jù)，獲得指標(biāo)相關(guān)物理量的推薦值，為商業(yè)區(qū)戶外LED顯示屏的設(shè)計提供依據(jù)。