建筑能耗與工業(yè)能耗和交通能耗并稱為社會(huì)三大能耗,已經(jīng)成為制約我國(guó)經(jīng)濟(jì)長(zhǎng)期快速增長(zhǎng)的沉重負(fù)擔(dān)。對(duì)既有建筑進(jìn)行能耗預(yù)測(cè),可以分析和改造設(shè)計(jì)方案,實(shí)現(xiàn)低耗能設(shè)計(jì),對(duì)建筑節(jié)能設(shè)計(jì)具有指導(dǎo)意義。為了從龐大的建筑能耗數(shù)據(jù)資源中找到我們所需要的信息,必須依靠有效的數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)。傳統(tǒng)的數(shù)據(jù)分類預(yù)測(cè)算法往往只能處理小樣本數(shù)據(jù),當(dāng)建筑能耗數(shù)據(jù)樣本規(guī)模很大時(shí),計(jì)算量急劇增加,網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng),這成為傳統(tǒng)算法的無(wú)法克服的問題。云計(jì)算的興起,將傳統(tǒng)的分類預(yù)測(cè)算法進(jìn)行并行化處理,有效地解決了大規(guī)模數(shù)據(jù)分類預(yù)測(cè)問題。本文的主要研究?jī)?nèi)容為:(1)根據(jù)采集到的建筑能耗數(shù)據(jù)樣本數(shù)據(jù)量大、維度高等特點(diǎn),利用粗糙集理論進(jìn)行數(shù)據(jù)樣本的屬性約簡(jiǎn),以確定影響建筑能耗的主要因素。采用基于Map Reduce的大規(guī)模數(shù)據(jù)約簡(jiǎn)算法,與串行約簡(jiǎn)算法作對(duì)比,在獲得相同的約簡(jiǎn)效果的同時(shí),可以大大縮減數(shù)據(jù)預(yù)處理的時(shí)間,提高效率。(2)針對(duì)已經(jīng)進(jìn)行數(shù)據(jù)預(yù)處理的樣本的輸入輸出特點(diǎn),確定用于能耗預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),如網(wǎng)絡(luò)層級(jí)數(shù)、每層的神經(jīng)元數(shù),連接方式,傳遞函數(shù)和學(xué)習(xí)算法等,構(gòu)建建筑能耗預(yù)測(cè)模型。針對(duì)普通BP神經(jīng)網(wǎng)絡(luò)算法存在的訓(xùn)練時(shí)間長(zhǎng),容易收斂到局部極小值等缺點(diǎn),采用遺傳算法對(duì)已構(gòu)建的網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,得到神經(jīng)網(wǎng)絡(luò)最優(yōu)的初始權(quán)值和閾值,并將預(yù)測(cè)結(jié)果與標(biāo)準(zhǔn)模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明經(jīng)過遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型無(wú)論收斂速度還是預(yù)測(cè)精度都得到提高。該模型僅適用于小樣本的建筑能耗預(yù)測(cè)。(3)利用基于RBF的建筑能耗預(yù)測(cè)模型,針對(duì)本文的輸入輸出參數(shù),設(shè)計(jì)實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)基于RBF構(gòu)建的模型收斂速度雖然比BP構(gòu)建的模型收斂速度快,但是預(yù)測(cè)精度并沒有很大程度的提高。相比于經(jīng)過遺傳優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法,RBF無(wú)論在收斂速度還是預(yù)測(cè)精度上都沒有表現(xiàn)出優(yōu)勢(shì)。因此建筑能耗的預(yù)測(cè)模型選擇BP神經(jīng)網(wǎng)絡(luò)模型,并利用遺傳算法優(yōu)化其初始權(quán)值和閾值。(4)尋找普通BP算法的并行點(diǎn),并將其進(jìn)行Map Reduce擴(kuò)展,構(gòu)建并行的大規(guī)模建筑生命周期能耗預(yù)測(cè)模型并部署在Hadoop分布式平臺(tái)上實(shí)現(xiàn)。將本文提出的基于Map Reduce的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于大規(guī)模建筑能耗預(yù)測(cè)中,實(shí)驗(yàn)中初始權(quán)值和閾值選擇遺傳算法優(yōu)化得到的結(jié)果。在保證預(yù)測(cè)精度的前提下,本文提出的算法在面對(duì)大規(guī)模的建筑信息數(shù)據(jù)時(shí)有著傳統(tǒng)BP算法無(wú)可比擬的優(yōu)勢(shì),其運(yùn)算速度明顯優(yōu)于傳統(tǒng)算法。尤其是當(dāng)傳統(tǒng)算法無(wú)法對(duì)樣本進(jìn)行訓(xùn)練時(shí),本文提出的算法優(yōu)勢(shì)更為明顯。本文的創(chuàng)新工作主要體現(xiàn)在兩方面:(1)數(shù)據(jù)預(yù)處理時(shí)采用了針對(duì)大規(guī)模數(shù)據(jù)的Map Reduce數(shù)據(jù)約簡(jiǎn)算法;(2)針對(duì)大規(guī)模建筑能耗數(shù)據(jù),構(gòu)建了基于Map Reduce的并行BP神經(jīng)網(wǎng)絡(luò)模型。
【學(xué)位單位】：武漢理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2015
【中圖分類】：TU111.195;TP183
【部分圖文】：

武漢理工大學(xué)碩士學(xué)位論文函數(shù)匯總所有的核集，并從核集的末尾開始從后往前對(duì)行判斷是否為冗余屬性，如果所有以所有屬性提取的不一rei-b}為有效屬性提取的不一致子集記錄相同，則 b 為冗將 b 刪除得到最后的約簡(jiǎn)集合。

武漢理工大學(xué)碩士學(xué)位論文窗的遮陽(yáng)系數(shù)。圍護(hù)結(jié)構(gòu)的傳熱系數(shù)主要由墻體、決定。耗預(yù)測(cè)模型經(jīng)網(wǎng)絡(luò)簡(jiǎn)單并抽象地描述了生物神經(jīng)元的信息傳遞過程的最小單位。許多功能簡(jiǎn)單的人工神經(jīng)元通過拓?fù)浣j(luò)，它們之間的信號(hào)傳遞實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的信息處節(jié)完成了了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)過程。圖 2-5 表示單結(jié)構(gòu)。

誤差逐級(jí)遞減，傳遞函數(shù)選擇連續(xù)可導(dǎo)的 Sigmoid 函數(shù)，如1( )1 exp( )f xx 被辨識(shí)的模型特性在一個(gè)正負(fù)區(qū)間內(nèi)變化，網(wǎng)絡(luò)的傳遞函數(shù)可也就是對(duì)稱的 Sigmoid 函數(shù)，如式（2-4）：1 exp( )( ) ( )1 exp( )xf x than xx 6 描述了一個(gè)具有 m 個(gè)輸入神經(jīng)元、n 個(gè)隱含層神經(jīng)元和 l 個(gè) BP 網(wǎng)絡(luò)模型的結(jié)構(gòu)。BP 神經(jīng)網(wǎng)絡(luò)表示了一個(gè)從 m 個(gè)輸入到數(shù)關(guān)系，這種函數(shù)關(guān)系我們事前并不知道。1 2, , ,mx x x 表示ia（ i 1, 2, ,M ）表示輸入層各個(gè)神經(jīng)節(jié)點(diǎn)的輸出，ja（ j 隱含層神經(jīng)節(jié)點(diǎn)的輸出，ky （ k 1, 2, ,L ）表示輸出層各個(gè)mly 表示網(wǎng)絡(luò)訓(xùn)練的輸出向量，ply 表示數(shù)據(jù)樣本提供的原始
【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 陳榕;鐘林志;趙超;張功旺;許巧玲;;基于改進(jìn)灰色模型的建筑能耗預(yù)測(cè)研究[J];福州大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年05期

2 喻偉;李百戰(zhàn);楊明宇;杜秀媛;;基于人工神經(jīng)網(wǎng)絡(luò)的建筑多目標(biāo)預(yù)測(cè)模型[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年12期

3 覃雄派;王會(huì)舉;杜小勇;王珊;;大數(shù)據(jù)分析——RDBMS與MapReduce的競(jìng)爭(zhēng)與共生[J];軟件學(xué)報(bào);2012年01期

4 劉丹丹;陳啟軍;森一之;木田幸夫;;基于數(shù)據(jù)的建筑能耗分析與建模[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年12期

5 江億;魏慶芃;楊秀;;以數(shù)據(jù)說話——科學(xué)發(fā)展建筑節(jié)能[J];建設(shè)科技;2009年07期

6 楊宏韜;張德江;李秀蘭;王秀英;;遺傳神經(jīng)網(wǎng)絡(luò)能耗預(yù)測(cè)模型在鋼鐵企業(yè)中的應(yīng)用[J];長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年S1期

7 李兆堅(jiān);江億;;我國(guó)廣義建筑能耗狀況的分析與思考[J];建筑學(xué)報(bào);2006年07期

8 石磊 ,趙蕾 ,王軍 ,劉咸定;應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)建筑物空調(diào)負(fù)荷[J];暖通空調(diào);2003年01期

相關(guān)博士學(xué)位論文 前1條

1 蒲清平;城市居住建筑能耗影響因素與預(yù)測(cè)模型構(gòu)建研究[D];重慶大學(xué);2012年

相關(guān)碩士學(xué)位論文 前7條

1 蔣毅;建筑能耗的統(tǒng)計(jì)平臺(tái)及其基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的研究[D];華南理工大學(xué);2012年

2 劉長(zhǎng)俊;基于遺傳BP神經(jīng)網(wǎng)絡(luò)技術(shù)的大型公建能耗分析模型的研究與應(yīng)用[D];廣西大學(xué);2012年

3 劉猛;云計(jì)算平臺(tái)下神經(jīng)網(wǎng)絡(luò)方法研究[D];電子科技大學(xué);2011年

4 韓連華;基于回歸分析和數(shù)據(jù)挖掘的建筑能耗基準(zhǔn)評(píng)價(jià)模型研究[D];北京工業(yè)大學(xué);2009年

5 雷婭蓉;重慶市居住建筑能耗預(yù)測(cè)方法研究[D];重慶大學(xué);2008年

6 張弦;基于數(shù)據(jù)并行的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[D];華中科技大學(xué);2008年

7 趙毅立;下一代建筑節(jié)能設(shè)計(jì)系統(tǒng)建模及BIM數(shù)據(jù)管理平臺(tái)研究[D];清華大學(xué);2008年

本文編號(hào)：2889582