建筑能耗分析中的數據挖掘與機器學習

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：		字數：

內容簡介

　　建筑的能源性能受很多因素的影響，本書針對建筑的復雜特性，重點研究用新的數據挖掘和機器學習方法來對建筑能耗進行準確的預測、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和相關算法，同時提出了新的算法用于能耗分析預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習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、技術與實施經驗。本書很好地填補了我國在建筑能耗相關領域的研究與應用的空白，對從事能源管理和能源效率的知識發(fā)現和數據挖掘研究領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的工程領域的研究生有很好的借鑒作用，對設計建筑的工程師也有很好的指導作用。后，對于建筑能耗的預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校教授和匈牙利佩克大學名譽教授。其研究主要集中于并行計算、數值線性代數和機器學習。 Hai-Xiang Zhao是法國阿瑪迪斯高級研究員。其研究主要集中于并行計算、數據挖掘和機器學習。陳一民美國德雷塞爾大學博士，主要研究方向：建筑HVAC AFDD、建筑節(jié)能、模型預測控制在建筑節(jié)能中的管理。之前在國內期間多年從事高等學校計算機控制技術、自動控制原理等課程的理論與實踐教學工作，從事建筑能源優(yōu)化與管理、建筑空調設備優(yōu)化運行、現場總線產品的研發(fā)與相關項目科研工作。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，北京建筑工程學院自動化系，主要研究人工智能和神經網絡方向，出版作品：神經網絡在應用科學和工程中的應用——從基本原理到復雜的模式識別、電路分析基礎教程、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　神經網絡 // 5
1.5.2　SVM // 7
1.6　現有模型的比較 //8
1.7　小結 //9
第2章　建筑能源分析的數據采集 //10
2.1　簡介 //10
2.2　調查或問卷調查 //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　數據不確定性 //19
2.6　校準 //20
2.7　小結 //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　前饋神經網絡 // 25
3.2.3　RBF網絡 // 26
3.2.4　RNN // 27
3.2.5　RDP // 28
3.2.6　神經網絡的應用 // 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的應用 // 46
3.4　小結 //47
第 4章　建筑能耗分析中的人工智能 //48
4.1　簡介 //48
4.2　建筑能耗預測中的 SVM //48
4.2.1　能耗預測定義 // 48
4.2.2　實際問題 // 49
4.2.3　SVM用于預測 // 52
4.3　神經網絡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 //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 //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 // 82
6.5.3　稀疏數據表示 // 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　能耗數據集 // 86
6.6.3　建筑能耗預測評價 // 87
6.7　小結 //89
第 7章　建筑能耗分析的總結與展望 //90
參考文獻 //92