建筑能耗分析中的数据挖掘与机器学习

定　价：¥45.00

作　者：	弗雷德里克-马尔古斯（Frederic Magoules）著，陈一民译
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

京东 (¥45.00)

ISBN：	9787111602675	出版时间：	2018-07-01	包装：	平装
开本：	16	页数：		字数：

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。

作者简介

　　FrédéricMagoulès为法国巴黎高等师范学校教授和匈牙利佩克大学名誉教授。其研究主要集中于并行计算、数值线性代数和机器学习。 Hai-Xiang Zhao是法国阿玛迪斯高级研究员。其研究主要集中于并行计算、数据挖掘和机器学习。陈一民美国德雷塞尔大学博士，主要研究方向：建筑HVAC AFDD、建筑节能、模型预测控制在建筑节能中的管理。之前在国内期间多年从事高等学校计算机控制技术、自动控制原理等课程的理论与实践教学工作，从事建筑能源优化与管理、建筑空调设备优化运行、现场总线产品的研发与相关项目科研工作。参加“十一五国家科技支撑项目”一项，参加省部级项目多项。近几年发表教学科研论文十余篇；参与编写图书6本，累计30余万字；参与翻译图书4本，累计60余万字。史晓霞博士，副教授，北京建筑工程学院自动化系，主要研究人工智能和神经网络方向，出版作品：神经网络在应用科学和工程中的应用——从基本原理到复杂的模式识别、电路分析基础教程、新视野单片机教程、人工智能中的图表推理。

图书目录

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