建筑能耗分析中的數(shù)據(jù)挖掘與機器學(xué)習(xí)

定　價：￥45.00

作　者：	弗雷德里克-馬爾古斯（Frederic Magoules）著，陳一民譯
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥45.00)

ISBN：	9787111602675	出版時間：	2018-07-01	包裝：	平裝
開本：	16	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　建筑的能源性能受很多因素的影響，本書針對建筑的復(fù)雜特性，重點研究用新的數(shù)據(jù)挖掘和機器學(xué)習(xí)方法來對建筑能耗進行準確的預(yù)測、分析或者故障檢測/診斷。本書涉及建筑能耗分析的建模及用于模型降階與并行計算的技術(shù)和相關(guān)算法，同時提出了新的算法用于能耗分析預(yù)測及建筑能耗故障檢測/診斷，既有一定的理論深度，又有較好的應(yīng)用寬度。我國建筑能耗占社會總能耗很大的比例，目前對建筑能耗分析的理論、技術(shù)和方法所做的研究工作與國際先進水平有相當大的差距，在實際建筑中實施建筑能耗管理與分析的水平也較低。因此，當前特別迫切需要學(xué)習(xí)并借鑒國外在建筑能耗管理、優(yōu)化控制與評估上的先進理論、技術(shù)與實施經(jīng)驗。本書很好地填補了我國在建筑能耗相關(guān)領(lǐng)域的研究與應(yīng)用的空白，對從事能源管理和能源效率的知識發(fā)現(xiàn)和數(shù)據(jù)挖掘研究領(lǐng)域的工程師有很大的吸引力，本書提出的算法對與建筑能耗分析相關(guān)的工程領(lǐng)域的研究生有很好的借鑒作用，對設(shè)計建筑的工程師也有很好的指導(dǎo)作用。后，對于建筑能耗的預(yù)測分析對我國的建筑能耗管理也有很好的促進作用。

作者簡介

　　FrédéricMagoulès為法國巴黎高等師范學(xué)校教授和匈牙利佩克大學(xué)名譽教授。其研究主要集中于并行計算、數(shù)值線性代數(shù)和機器學(xué)習(xí)。 Hai-Xiang Zhao是法國阿瑪?shù)纤垢呒壯芯繂T。其研究主要集中于并行計算、數(shù)據(jù)挖掘和機器學(xué)習(xí)。陳一民美國德雷塞爾大學(xué)博士，主要研究方向：建筑HVAC AFDD、建筑節(jié)能、模型預(yù)測控制在建筑節(jié)能中的管理。之前在國內(nèi)期間多年從事高等學(xué)校計算機控制技術(shù)、自動控制原理等課程的理論與實踐教學(xué)工作，從事建筑能源優(yōu)化與管理、建筑空調(diào)設(shè)備優(yōu)化運行、現(xiàn)場總線產(chǎn)品的研發(fā)與相關(guān)項目科研工作。參加“十一五國家科技支撐項目”一項，參加省部級項目多項。近幾年發(fā)表教學(xué)科研論文十余篇；參與編寫圖書6本，累計30余萬字；參與翻譯圖書4本，累計60余萬字。史曉霞博士，副教授，北京建筑工程學(xué)院自動化系，主要研究人工智能和神經(jīng)網(wǎng)絡(luò)方向，出版作品：神經(jīng)網(wǎng)絡(luò)在應(yīng)用科學(xué)和工程中的應(yīng)用——從基本原理到復(fù)雜的模式識別、電路分析基礎(chǔ)教程、新視野單片機教程、人工智能中的圖表推理。

圖書目錄

譯者序
原書序
原書前言
第 1章　建筑能耗分析概述 //1
1.1　簡介 //1
1.2　物理模型 //2
1.3　灰色模型 //3
1.4　統(tǒng)計模型 //4
1.5　人工智能模型 //5
1.5.1　神經(jīng)網(wǎng)絡(luò) // 5
1.5.2　SVM // 7
1.6　現(xiàn)有模型的比較 //8
1.7　小結(jié) //9
第2章　建筑能源分析的數(shù)據(jù)采集 //10
2.1　簡介 //10
2.2　調(diào)查或問卷調(diào)查 //10
2.3　測量 //12
2.4　仿真 //14
2.4.1　仿真軟件 // 15
2.4.2　仿真過程 // 16
2.5　數(shù)據(jù)不確定性 //19
2.6　校準 //20
2.7　小結(jié) //21
第 3章　人工智能模型 //23
3.1　簡介 //23
3.2　ANN //24
3.2.1　單層感知器 // 24
3.2.2　前饋神經(jīng)網(wǎng)絡(luò) // 25
3.2.3　RBF網(wǎng)絡(luò) // 26
3.2.4　RNN // 27
3.2.5　RDP // 28
3.2.6　神經(jīng)網(wǎng)絡(luò)的應(yīng)用 // 30
3.3　SVM //31
3.3.1　SVC // 31
3.3.2　ε-SVR // 34
3.3.3　一類 SVM // 36
3.3.4　多類 SVM // 37
3.3.5　ν-SVM // 38
3.3.6　直推式 SVM // 39
3.3.7　二次型問題求解器 // 40
3.3.8　SVM的應(yīng)用 // 46
3.4　小結(jié) //47
第 4章　建筑能耗分析中的人工智能 //48
4.1　簡介 //48
4.2　建筑能耗預(yù)測中的 SVM //48
4.2.1　能耗預(yù)測定義 // 48
4.2.2　實際問題 // 49
4.2.3　SVM用于預(yù)測 // 52
4.3　神經(jīng)網(wǎng)絡(luò)用于故障檢測和診斷 //56
4.3.1　故障描述 // 58
4.3.2　故障檢測中的 RDP // 58
4.3.3　故障診斷中的 RDP // 61
4.4　小結(jié) //63
第 5章　SVM的模型降階 //64
5.1　簡介 //64
5.2　模型降階概述 //64
5.2.1　包裝器方法 // 65
5.2.2　濾波器方法 // 65
5.2.3　嵌入式方法 // 66
5.3　模型降階用于能耗 //66
5.3.1　簡介 // 66
5.3.2　算法 // 67
5.3.3　特征集描述 // 68
5.4　獨棟建筑能耗的模型降階 //69
5.4.1　特征集選擇 // 69
5.4.2　實驗評價 // 71
5.5　多棟建筑能耗的模型降階 //72
5.6　小結(jié) //74
第 6章　SVM的并行計算 //75
6.1　簡介 //75
6.2　并行 SVM概述 //75
6.3　并行二次問題求解器 //76
6.4　基于 MPI的并行 SVM //78
6.4.1　信息傳遞接口編程模型 // 78
6.4.2　Pisvm // 80
6.4.3　Psvm // 80
6.5　基于 MapReduce的并行 SVM //81
6.5.1　MapReduce編程模型 // 81
6.5.2　緩沖技術(shù) // 82
6.5.3　稀疏數(shù)據(jù)表示 // 83
6.5.4　MRPsvm和 Pisvm的比較 // 83
6.6　基于 MapReduce的并行ε-SVR //85
6.6.1　實施方面 // 85
6.6.2　能耗數(shù)據(jù)集 // 86
6.6.3　建筑能耗預(yù)測評價 // 87
6.7　小結(jié) //89
第 7章　建筑能耗分析的總結(jié)與展望 //90
參考文獻 //92