本文關(guān)鍵詞：物聯(lián)網(wǎng)能耗數(shù)據(jù)智能分析及其應(yīng)用平臺(tái)設(shè)計(jì)

  更多相關(guān)文章： 數(shù)據(jù)挖掘 關(guān)聯(lián)規(guī)則 密度聚類 近鄰傳播算法 物聯(lián)網(wǎng) 建筑能耗

【摘要】：隨著數(shù)據(jù)信息時(shí)代的迅速到來(lái),建筑能耗也受到了人們的極大關(guān)注,能耗數(shù)據(jù)以其多樣化的形式開(kāi)始呈現(xiàn)急劇增長(zhǎng)的趨勢(shì),對(duì)于海量能耗數(shù)據(jù)的分析研究顯得越來(lái)越重要。由于數(shù)據(jù)挖掘可以對(duì)海量數(shù)據(jù)進(jìn)行分析,幫助用戶更好地發(fā)現(xiàn)數(shù)據(jù)中隱含的有用信息。本文提出運(yùn)用數(shù)據(jù)挖掘技術(shù)對(duì)建筑能耗數(shù)據(jù)分析,設(shè)計(jì)物聯(lián)網(wǎng)能耗數(shù)據(jù)智能分析系統(tǒng)驗(yàn)證數(shù)據(jù)挖掘理論研究的可行性,研究的主要內(nèi)容如下:首先,關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘理論可以從大量數(shù)據(jù)的項(xiàng)集中發(fā)現(xiàn)有用的規(guī)則,建筑用電能耗分項(xiàng)、建筑房間面積和房間人員等屬性之間的變化是存在某種關(guān)聯(lián)或者關(guān)系的。Apriori關(guān)聯(lián)規(guī)則挖掘算法是關(guān)聯(lián)規(guī)則理論中最具有典型性的方法,但在它計(jì)算頻繁項(xiàng)集時(shí)需要生成大量的候選項(xiàng)集,并且需要多次掃描數(shù)據(jù)庫(kù),增加了算法的計(jì)算復(fù)雜度,由于排序索引規(guī)則通過(guò)索引編號(hào),跳躍搜索項(xiàng)集,可以有效加快信息的檢索速率,提出一種基于布爾矩陣和排序索引規(guī)則的關(guān)聯(lián)規(guī)則挖掘算法,先掃描數(shù)據(jù)集獲取布爾矩陣,再對(duì)布爾矩陣進(jìn)行預(yù)處理操作,刪除其中無(wú)用事務(wù)和項(xiàng)集,根據(jù)剪枝布爾矩陣和標(biāo)記序列產(chǎn)生頻繁二項(xiàng)集,結(jié)合排序索引生成其他頻繁項(xiàng)集,有效提高了頻繁項(xiàng)集挖掘的效率,并有效減少了內(nèi)存的占用率。其次,由于聚類挖掘技術(shù)作為數(shù)據(jù)挖掘領(lǐng)域中的一種工具,可以獲得數(shù)據(jù)分布的內(nèi)在規(guī)律,通過(guò)聚類數(shù)據(jù)挖掘方法對(duì)數(shù)據(jù)中心內(nèi)部設(shè)備中的能耗數(shù)據(jù)進(jìn)行聚類分析,可以發(fā)現(xiàn)異常耗能設(shè)備以及根據(jù)聚類分析制定合理的用電方案。由于基于密度的聚類方法可以有效發(fā)現(xiàn)任意形狀的簇和有效識(shí)別離群點(diǎn),可以有效利用密度聚類這一特點(diǎn)發(fā)現(xiàn)建筑能耗的內(nèi)部規(guī)則,但在全局參數(shù)選擇上DBSCAN密度聚類算法需人工干預(yù)以及區(qū)域查詢方式過(guò)程復(fù)雜和查詢易丟失對(duì)象等不足,提出一種改進(jìn)的參數(shù)自適應(yīng)以及區(qū)域快速查詢的密度聚類算法,有效提高聚類的效率。基于劃分的近鄰傳播聚類算法利用最近鄰居關(guān)系傳遞特性,無(wú)需初始化聚類中心,可以在比較短的時(shí)間內(nèi)發(fā)現(xiàn)更低誤差的聚類結(jié)果,對(duì)處理數(shù)據(jù)量龐大的能耗數(shù)據(jù)具有很好的可行性。但在無(wú)先驗(yàn)知識(shí)條件下存在偏向參數(shù)選擇困難以及在處理結(jié)構(gòu)復(fù)雜或高維數(shù)據(jù)的數(shù)據(jù)信息重疊問(wèn)題,提出基于流形結(jié)構(gòu)鄰域選擇的局部投影近鄰傳播算法,在保留數(shù)據(jù)內(nèi)部非線性結(jié)構(gòu)的前提下,有效刪除高位復(fù)雜數(shù)據(jù)空間中的冗余數(shù)據(jù)。最后,設(shè)計(jì)實(shí)現(xiàn)物聯(lián)網(wǎng)建筑能耗數(shù)據(jù)智能分析系統(tǒng),以驗(yàn)證提出的關(guān)聯(lián)規(guī)則和聚類數(shù)據(jù)挖掘理論研究的可行性。系統(tǒng)由中心服務(wù)器和客戶端兩部分組成。中心服務(wù)器負(fù)責(zé)實(shí)現(xiàn)數(shù)據(jù)采集、數(shù)據(jù)挖掘、數(shù)據(jù)分析、數(shù)據(jù)存儲(chǔ)及數(shù)據(jù)通信接口等功能,客戶端根據(jù)restful接口獲取服務(wù)器端的數(shù)據(jù)分析結(jié)果和能耗數(shù)據(jù),實(shí)現(xiàn)數(shù)據(jù)通信、數(shù)據(jù)解析以及數(shù)據(jù)可視化等功能,方便管理者監(jiān)管建筑能耗使用情況,輔助管理者制定節(jié)能方案,有效實(shí)現(xiàn)對(duì)建筑能耗數(shù)據(jù)的節(jié)能目的。
【關(guān)鍵詞】：數(shù)據(jù)挖掘 關(guān)聯(lián)規(guī)則 密度聚類 近鄰傳播算法 物聯(lián)網(wǎng) 建筑能耗
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP311.13;TP391.44;TN929.5
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-16
• 1.1 本文選題背景及研究意義8
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀8-14
• 1.2.1 數(shù)據(jù)挖掘技術(shù)概述8-9
• 1.2.2 建筑能耗分析國(guó)內(nèi)外研究現(xiàn)狀9-11
• 1.2.3 關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)概述11-12
• 1.2.4 聚類數(shù)據(jù)挖掘技術(shù)概述12-14
• 1.3 本文主要工作內(nèi)容與組織結(jié)構(gòu)14-16
• 第二章 矩陣排序索引關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方法16-27
• 2.1 公共建筑能耗知識(shí)及仿真數(shù)據(jù)選擇16-17
• 2.2 關(guān)聯(lián)規(guī)則相關(guān)概念17-18
• 2.3 布爾矩陣頻繁項(xiàng)集生成18-20
• 2.3.1 布爾矩陣生成18-19
• 2.3.2 布爾矩陣剪枝方法19-20
• 2.3.3 上三角矩陣頻繁項(xiàng)集生成20
• 2.4 排序索引頻繁項(xiàng)集生成20-22
• 2.5 效率分析22
• 2.6 實(shí)驗(yàn)結(jié)果與分析22-26
• 2.7 本章小結(jié)26-27
• 第三章 自適應(yīng)快速DBSCAN密度聚類方法27-36
• 3.1 DBSCAN密度聚類算法原理27-28
• 3.2 掃描半徑參數(shù)的多項(xiàng)式數(shù)據(jù)擬合方法28-31
• 3.2.1 距離分布矩陣28
• 3.2.2 KNN數(shù)據(jù)分布與distk概率分布28-29
• 3.2.3 曲線擬合29-31
• 3.3 種子代表對(duì)象的選擇31-32
• 3.4 外部評(píng)價(jià)標(biāo)準(zhǔn)32
• 3.5 實(shí)驗(yàn)結(jié)果與分析32-35
• 3.6 本章小結(jié)35-36
• 第四章 基于流形結(jié)構(gòu)鄰域選擇的局部投影近鄰傳播算法36-45
• 4.1 AP聚類算法原理36-37
• 4.2 基于流形結(jié)構(gòu)鄰域選擇的LPP數(shù)據(jù)投影近鄰傳播算法37-41
• 4.2.1 偏向參數(shù)自適應(yīng)確定38
• 4.2.2 基于流形結(jié)構(gòu)鄰域選擇的LPP數(shù)據(jù)投影方法38-41
• 4.3 內(nèi)部評(píng)價(jià)標(biāo)準(zhǔn)41
• 4.4 實(shí)驗(yàn)結(jié)果與分析41-44
• 4.5 本章小結(jié)44-45
• 第五章 物聯(lián)網(wǎng)建筑能耗數(shù)據(jù)智能分析系統(tǒng)45-63
• 5.1 系統(tǒng)總體技術(shù)架構(gòu)45-48
• 5.2 功能模塊設(shè)計(jì)48-49
• 5.3 系統(tǒng)界面設(shè)計(jì)49-52
• 5.4 實(shí)驗(yàn)結(jié)果與分析52-62
• 5.4.1 建筑能耗數(shù)據(jù)來(lái)源52
• 5.4.2 建筑能耗數(shù)據(jù)預(yù)處理52
• 5.4.3 IMSIA關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘模型52-56
• 5.4.4 AF-DBSCAN聚類數(shù)據(jù)挖掘模型56-58
• 5.4.5 數(shù)據(jù)分析模型58-62
• 5.5 本章小結(jié)62-63
• 第六章 主要結(jié)論與展望63-65
• 主要結(jié)論63-64
• 展望64-65
• 致謝65-66
• 參考文獻(xiàn)66-71
• 附錄: 作者在攻讀碩士學(xué)位期間發(fā)表的論文71

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 毛宇星;施伯樂(lè);;基于擴(kuò)展自然序樹(shù)的概化關(guān)聯(lián)規(guī)則增量挖掘方法[J];計(jì)算機(jī)研究與發(fā)展;2012年03期

2 張建朋;陳福才;李邵梅;劉力雄;;基于密度與近鄰傳播的數(shù)據(jù)流聚類算法[J];自動(dòng)化學(xué)報(bào);2014年02期

3 岳士弘,李平,郭繼東,周水庚;A statistical information-based clustering approach in distance space[J];Journal of Zhejiang University Science A(Science in Engineering);2005年01期

，

本文編號(hào)：1076790