隨著人們生活水平的提高,人們對(duì)生活品質(zhì)的追求越來越高,功能性需求不再是人們對(duì)生活服務(wù)產(chǎn)品所追求的目標(biāo)。特別是進(jìn)入21世紀(jì)以來,智能化概念的發(fā)展使得人們接觸到前所未有的體驗(yàn),傳統(tǒng)的產(chǎn)品服務(wù)已經(jīng)不能滿足人們對(duì)品質(zhì)生活的需求�；诖�,本文也將研究如何利用現(xiàn)在的人工智能技術(shù)來實(shí)現(xiàn)中央空調(diào)的智能化,以滿足人們對(duì)于空調(diào)服務(wù)的高品質(zhì)需求。以下是我在本文中的主要工作。第一,為實(shí)現(xiàn)空調(diào)智能化,本文研究了目前最前沿的深度學(xué)習(xí)。在論文前面的第二章節(jié),本文重點(diǎn)闡述了深度技術(shù)的理論基礎(chǔ)和智能化實(shí)現(xiàn)原理。第二,針對(duì)空調(diào)系統(tǒng)運(yùn)行所涉及到的節(jié)能環(huán)保問題,本文研究了通過檢測(cè)室內(nèi)場景中是否有人來決定空調(diào)的運(yùn)行狀態(tài)的轉(zhuǎn)換。即在場景無人狀態(tài)下,空調(diào)系統(tǒng)進(jìn)入待機(jī)狀態(tài),以實(shí)現(xiàn)節(jié)能。第三,針對(duì)空調(diào)的溫度自適應(yīng)調(diào)節(jié)問題,本文研究了CNNs以及RNNs深度學(xué)習(xí)技術(shù),嘗試建立一種能夠通過對(duì)已有知識(shí)的學(xué)習(xí)來掌握數(shù)據(jù)規(guī)律,進(jìn)而能夠根據(jù)歷史數(shù)據(jù)來預(yù)測(cè)溫度調(diào)節(jié)期望值的預(yù)測(cè)模型。第四,針對(duì)本文研究的模型所涉及到的數(shù)據(jù)維度過高問題,本文研究了最新的自編碼特征提取算法。嘗試使用該算法來提取高維圖像數(shù)據(jù)特征,進(jìn)而實(shí)現(xiàn)降維目的。第五,針對(duì)每一種算法,本文都進(jìn)行了相應(yīng)的實(shí)驗(yàn)設(shè)計(jì)以及實(shí)驗(yàn)分析,以此來驗(yàn)證模型的有效性。
【學(xué)位單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP183;TP273.5;TU831.3
【部分圖文】：

神經(jīng)網(wǎng)路神經(jīng)網(wǎng)絡(luò)技術(shù)網(wǎng)絡(luò)是一門重要的機(jī)器學(xué)習(xí)技術(shù)。人工神經(jīng)網(wǎng)絡(luò)(Artificial neANN）簡稱神經(jīng)網(wǎng)絡(luò)（NN），是由大量處理單元廣泛互聯(lián)而模擬人腦系統(tǒng)，是對(duì)人腦系統(tǒng)的抽象、簡化。這種網(wǎng)絡(luò)具有應(yīng)的能，能夠“擬人”般的通過對(duì)經(jīng)驗(yàn)數(shù)據(jù)的特征學(xué)習(xí)，分在規(guī)律，從而具備對(duì)未知數(shù)據(jù)的預(yù)測(cè)能力。它是根植于數(shù)理統(tǒng)計(jì)物理、計(jì)算機(jī)科學(xué)及工程學(xué)等學(xué)科的一種綜合性技術(shù)，研究方向--深度學(xué)習(xí)的基礎(chǔ)。的人工神經(jīng)網(wǎng)絡(luò)都是由最基本的人工神經(jīng)元構(gòu)成。一般的，元聯(lián)結(jié)在一起，一個(gè)神經(jīng)元的輸出就是另外一個(gè)神經(jīng)元的輸?shù)慕Y(jié)構(gòu)便是神經(jīng)網(wǎng)絡(luò)系統(tǒng)，神經(jīng)元的數(shù)量也決定其大小或者圖 2-1所示：

圖 2-2 MP 模型所示，除了輸入神經(jīng)元外，每個(gè)神經(jīng)元的值是由多，再經(jīng)過非線性變換得到的。用公式表示如式 2-1、1 1 2 2 1 1.......n n n nI w x w x w x w x 1 1 2 2 1 1( ) ( ....... )n n n nY f I f w x w x w x w x 便是輸入的加權(quán)系數(shù)和， Y f ( I)便是對(duì)和進(jìn)行非勵(lì)函數(shù)（activation function），其作用是為了加入非能力，能夠?qū)⒕�性不可分問題變得可分。常見的激d 函數(shù)、ReLU 函數(shù)等等，我將sigmoid 函數(shù)加入到1 1 2 2 1 11 (1 exp( 1*( ....... n n nY w x w x w x w 神經(jīng)網(wǎng)絡(luò)的輸出端通常會(huì)有m個(gè)神經(jīng)元，可以得到

第二章 相關(guān)背景知識(shí)介紹廣義上說深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)也是多層神經(jīng)網(wǎng)絡(luò)的一種，它是為了的多層神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練，能夠 work 而演化出來的一系列的新的法。深度學(xué)習(xí)與傳統(tǒng)多層神經(jīng)網(wǎng)絡(luò)最大的不同在于深度學(xué)習(xí)整體上er-wise的訓(xùn)練機(jī)制來克服傳統(tǒng)網(wǎng)絡(luò)訓(xùn)練中存在的一些問題。于深度學(xué)習(xí)，其中最有名的便是卷積神經(jīng)網(wǎng)絡(luò) CNN s。它是從生物化而來的， CNN s通過加強(qiáng)神經(jīng)網(wǎng)絡(luò)中相鄰層之間節(jié)點(diǎn)的局部連接自然圖像中的興趣目標(biāo)的空間局部關(guān)聯(lián)信息。從網(wǎng)絡(luò)結(jié)構(gòu)上看， C特殊的深層的神經(jīng)網(wǎng)絡(luò)模型，它的特殊性體現(xiàn)在兩個(gè)方面，即實(shí)現(xiàn)權(quán)值共享機(jī)制。非全連接即它的層與層之間的節(jié)點(diǎn)不是全連接的，大的降低網(wǎng)絡(luò)模型的復(fù)雜度；權(quán)值共享機(jī)制主要是通過濾波器的重域掃描來實(shí)現(xiàn)的，從而使得需要的神經(jīng)網(wǎng)絡(luò)的參數(shù)得到了極大地降2-3便是 CNN s的工作原理圖。
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 鄒蕾;張先鋒;;人工智能及其發(fā)展應(yīng)用[J];信息網(wǎng)絡(luò)安全;2012年02期

本文編號(hào)：2841913