建筑能耗分析中的数据挖掘与机器学习
￥45.00定价
作者： Frederic Magoules，Hai-Xiang Zhao
出版时间：2018-07
出版社：机械工业出版社
- 机械工业出版社
- 9787111602675
- 1-1
- 341396
- 2018-07
- 153
- 104
内容简介
建筑的能源性能受很多因素的影响，本书针对建筑的复杂特性，重点研究用新的数据挖掘和机器学习方法来对建筑能耗进行准确的预测、分析或者故障检测/诊断。本书涉及建筑能耗分析的建模及用于模型降阶与并行计算的技术和相关算法，同时提出了新的算法用于能耗分析预测及建筑能耗故障检测/诊断，既有一定的理论深度，又有较好的应用宽度。我国建筑能耗占社会总能耗很大的比例，目前对建筑能耗分析的理论、技术和方法所做的研究工作与国际先进水平有相当大的差距，在实际建筑中实施建筑能耗管理与分析的水平也较低。因此，当前特别迫切需要学习并借鉴国外在建筑能耗管理、优化控制与评估上的先进理论、技术与实施经验。
本书很好地填补了我国在建筑能耗相关领域的研究与应用的空白，对从事能源管理和能源效率的知识发现和数据挖掘研究领域的工程师有很大的吸引力，本书提出的算法对与建筑能耗分析相关的工程领域的研究生有很好的借鉴作用，对设计建筑的工程师也有很好的指导作用。后，对于建筑能耗的预测分析对我国的建筑能耗管理也有很好的促进作用。
本书很好地填补了我国在建筑能耗相关领域的研究与应用的空白，对从事能源管理和能源效率的知识发现和数据挖掘研究领域的工程师有很大的吸引力，本书提出的算法对与建筑能耗分析相关的工程领域的研究生有很好的借鉴作用，对设计建筑的工程师也有很好的指导作用。后，对于建筑能耗的预测分析对我国的建筑能耗管理也有很好的促进作用。
目录
译者序
原书序
原书前言
第 1章 建筑能耗分析概述 //1
1.1 简介 //1
1.2 物理模型 //2
1.3 灰色模型 //3
1.4 统计模型 //4
1.5 人工智能模型 //5
1.5.1 神经网络 // 5
1.5.2 SVM // 7
1.6 现有模型的比较 //8
1.7 小结 //9
第2章 建筑能源分析的数据采集 //10
2.1 简介 //10
2.2 调查或问卷调查 //10
2.3 测量 //12
2.4 仿真 //14
2.4.1 仿真软件 // 15
2.4.2 仿真过程 // 16
2.5 数据不确定性 //19
2.6 校准 //20
2.7 小结 //21
第 3章 人工智能模型 //23
3.1 简介 //23
3.2 ANN //24
3.2.1 单层感知器 // 24
3.2.2 前馈神经网络 // 25
3.2.3 RBF网络 // 26
3.2.4 RNN // 27
3.2.5 RDP // 28
3.2.6 神经网络的应用 // 30
3.3 SVM //31
3.3.1 SVC // 31
3.3.2 ε-SVR // 34
3.3.3 一类 SVM // 36
3.3.4 多类 SVM // 37
3.3.5 ν-SVM // 38
3.3.6 直推式 SVM // 39
3.3.7 二次型问题求解器 // 40
3.3.8 SVM的应用 // 46
3.4 小结 //47
第 4章 建筑能耗分析中的人工智能 //48
4.1 简介 //48
4.2 建筑能耗预测中的 SVM //48
4.2.1 能耗预测定义 // 48
4.2.2 实际问题 // 49
4.2.3 SVM用于预测 // 52
4.3 神经网络用于故障检测和诊断 //56
4.3.1 故障描述 // 58
4.3.2 故障检测中的 RDP // 58
4.3.3 故障诊断中的 RDP // 61
4.4 小结 //63
第 5章 SVM的模型降阶 //64
5.1 简介 //64
5.2 模型降阶概述 //64
5.2.1 包装器方法 // 65
5.2.2 滤波器方法 // 65
5.2.3 嵌入式方法 // 66
5.3 模型降阶用于能耗 //66
5.3.1 简介 // 66
5.3.2 算法 // 67
5.3.3 特征集描述 // 68
5.4 独栋建筑能耗的模型降阶 //69
5.4.1 特征集选择 // 69
5.4.2 实验评价 // 71
5.5 多栋建筑能耗的模型降阶 //72
5.6 小结 //74
第 6章 SVM的并行计算 //75
6.1 简介 //75
6.2 并行 SVM概述 //75
6.3 并行二次问题求解器 //76
6.4 基于 MPI的并行 SVM //78
6.4.1 信息传递接口编程模型 // 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编程模型 // 81
6.5.2 缓冲技术 // 82
6.5.3 稀疏数据表示 // 83
6.5.4 MRPsvm和 Pisvm的比较 // 83
6.6 基于 MapReduce的并行ε-SVR //85
6.6.1 实施方面 // 85
6.6.2 能耗数据集 // 86
6.6.3 建筑能耗预测评价 // 87
6.7 小结 //89
第 7章 建筑能耗分析的总结与展望 //90
参考文献 //92
原书序
原书前言
第 1章 建筑能耗分析概述 //1
1.1 简介 //1
1.2 物理模型 //2
1.3 灰色模型 //3
1.4 统计模型 //4
1.5 人工智能模型 //5
1.5.1 神经网络 // 5
1.5.2 SVM // 7
1.6 现有模型的比较 //8
1.7 小结 //9
第2章 建筑能源分析的数据采集 //10
2.1 简介 //10
2.2 调查或问卷调查 //10
2.3 测量 //12
2.4 仿真 //14
2.4.1 仿真软件 // 15
2.4.2 仿真过程 // 16
2.5 数据不确定性 //19
2.6 校准 //20
2.7 小结 //21
第 3章 人工智能模型 //23
3.1 简介 //23
3.2 ANN //24
3.2.1 单层感知器 // 24
3.2.2 前馈神经网络 // 25
3.2.3 RBF网络 // 26
3.2.4 RNN // 27
3.2.5 RDP // 28
3.2.6 神经网络的应用 // 30
3.3 SVM //31
3.3.1 SVC // 31
3.3.2 ε-SVR // 34
3.3.3 一类 SVM // 36
3.3.4 多类 SVM // 37
3.3.5 ν-SVM // 38
3.3.6 直推式 SVM // 39
3.3.7 二次型问题求解器 // 40
3.3.8 SVM的应用 // 46
3.4 小结 //47
第 4章 建筑能耗分析中的人工智能 //48
4.1 简介 //48
4.2 建筑能耗预测中的 SVM //48
4.2.1 能耗预测定义 // 48
4.2.2 实际问题 // 49
4.2.3 SVM用于预测 // 52
4.3 神经网络用于故障检测和诊断 //56
4.3.1 故障描述 // 58
4.3.2 故障检测中的 RDP // 58
4.3.3 故障诊断中的 RDP // 61
4.4 小结 //63
第 5章 SVM的模型降阶 //64
5.1 简介 //64
5.2 模型降阶概述 //64
5.2.1 包装器方法 // 65
5.2.2 滤波器方法 // 65
5.2.3 嵌入式方法 // 66
5.3 模型降阶用于能耗 //66
5.3.1 简介 // 66
5.3.2 算法 // 67
5.3.3 特征集描述 // 68
5.4 独栋建筑能耗的模型降阶 //69
5.4.1 特征集选择 // 69
5.4.2 实验评价 // 71
5.5 多栋建筑能耗的模型降阶 //72
5.6 小结 //74
第 6章 SVM的并行计算 //75
6.1 简介 //75
6.2 并行 SVM概述 //75
6.3 并行二次问题求解器 //76
6.4 基于 MPI的并行 SVM //78
6.4.1 信息传递接口编程模型 // 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编程模型 // 81
6.5.2 缓冲技术 // 82
6.5.3 稀疏数据表示 // 83
6.5.4 MRPsvm和 Pisvm的比较 // 83
6.6 基于 MapReduce的并行ε-SVR //85
6.6.1 实施方面 // 85
6.6.2 能耗数据集 // 86
6.6.3 建筑能耗预测评价 // 87
6.7 小结 //89
第 7章 建筑能耗分析的总结与展望 //90
参考文献 //92
