基于神经网络的室内环境热舒适度融合算法是一种利用深度学习技术来评估和预测室内环境舒适度的方法。该算法通过整合多种环境参数（如温度、湿度、气流速度、辐射温度等）以及人体生理指标（如皮肤温度、心率等），构建一个多输入、多输出的神经网络模型。该算法的核心思想是通过神经网络的自适应学习能力，捕捉不同环境因素与人体热舒适度之间的非线性关系，从而实现对热舒适度的准确预测。相比传统的热舒适度模型（如PMV-PPD模型），基于神经网络的融合算法能够更好地适应个体差异和复杂环境条件，提高预测精度。该算法可应用于智能建筑、暖通空调系统优化以及个性化环境控制等领域，帮助提升室内环境质量并降低能耗。
