建筑能耗分析中的數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)

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(jiǎn)介 //1
1.2　物理模型 //2
1.3　灰色模型 //3
1.4　統(tǒng)計(jì)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(jiǎn)介 //10
2.2　調(diào)查或問卷調(diào)查 //10
2.3　測(cè)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(zhǔn) //20
2.7　小結(jié) //21
第 3章　人工智能模型 //23
3.1　簡(jiǎn)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(jiǎn)介 //48
4.2　建筑能耗預(yù)測(cè)中的 SVM //48
4.2.1　能耗預(yù)測(cè)定義 // 48
4.2.2　實(shí)際問題 // 49
4.2.3　SVM用于預(yù)測(cè) // 52
4.3　神經(jīng)網(wǎng)絡(luò)用于故障檢測(cè)和診斷 //56
4.3.1　故障描述 // 58
4.3.2　故障檢測(cè)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(jiǎn)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(jiǎn)介 // 66
5.3.2　算法 // 67
5.3.3　特征集描述 // 68
5.4　獨(dú)棟建筑能耗的模型降階 //69
5.4.1　特征集選擇 // 69
5.4.2　實(shí)驗(yàn)評(píng)價(jià) // 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(jì)算 //75
6.1　簡(jiǎn)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(shí)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(cè)評(píng)價(jià) // 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(xiàn) //92