在建筑能耗占整個(gè)能源消耗的比例不斷增加的現(xiàn)狀下,尤其是當(dāng)前世界“能源危機(jī)”日益緊迫的關(guān)頭,空調(diào)建筑節(jié)能已成為節(jié)能領(lǐng)域中的一個(gè)非常重要的問(wèn)題�？照{(diào)節(jié)能的關(guān)鍵之一是精確確定空調(diào)系統(tǒng)的負(fù)荷,實(shí)現(xiàn)負(fù)荷預(yù)測(cè)是空氣調(diào)節(jié)系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),而一個(gè)具有較好泛化性能的太陽(yáng)輻射預(yù)測(cè)模型,是獲得空調(diào)負(fù)荷精確預(yù)測(cè)的關(guān)鍵性前提。本文擬就對(duì)建議的太陽(yáng)輻射預(yù)測(cè)小波神經(jīng)網(wǎng)絡(luò)模型的泛化性能改善進(jìn)行深入的探索與研究。 由于太陽(yáng)輻射具有高度非線性的特點(diǎn),而小波神經(jīng)網(wǎng)絡(luò)處理非線性問(wèn)題有其特殊的能力,因此本文利用小波神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近及自學(xué)習(xí)、自適應(yīng)的特性,將小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法作為太陽(yáng)輻射預(yù)測(cè)的基礎(chǔ)。 近年來(lái),受生物系統(tǒng)啟發(fā)而設(shè)計(jì)出來(lái)的智能算法越來(lái)越受到人們重視。免疫算法、神經(jīng)網(wǎng)絡(luò)、遺傳算法并稱為當(dāng)今三大仿生算法。在各學(xué)科相互交叉相互滲透的今天,將遺傳算法、免疫原理與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合,既能利用遺傳算法、免疫算法的全局搜索性能,以較大的概率找到搜索問(wèn)題的最優(yōu)解,又能利用小波神經(jīng)網(wǎng)絡(luò)具有大規(guī)模的并行處理能力、很強(qiáng)的容錯(cuò)性和自學(xué)習(xí)、自適應(yīng)能力以及異域聯(lián)想功能、能夠精確映射任意高度非線性的輸入輸出關(guān)系等優(yōu)點(diǎn),兩者相得益彰,能夠...

【文章頁(yè)數(shù)】：154 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
目錄
第一章 緒論
    1.1 課題研究背景和意義
        1.1.1 空調(diào)負(fù)荷預(yù)測(cè)對(duì)建筑節(jié)能的重要作用及其現(xiàn)狀
        1.1.2 太陽(yáng)輻射預(yù)測(cè)是空調(diào)負(fù)荷精確預(yù)測(cè)的前提條件
        1.1.3 太陽(yáng)輻射預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的泛化性能和過(guò)擬合問(wèn)題
    1.2 太陽(yáng)輻射與大氣層的影響
        1.2.1 大氣層外的太陽(yáng)輻射
        1.2.2 太陽(yáng)輻射在大氣中的衰減
        1.2.3 到達(dá)地球表面的太陽(yáng)輻射
    1.3 本文的研究?jī)?nèi)容和方法
    1.4 本章小結(jié)
第二章 人工神經(jīng)網(wǎng)絡(luò)及其它智能算法簡(jiǎn)介
    2.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.1.1 人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與發(fā)展
        2.1.2 人工神經(jīng)元模型
            2.1.2.1 人工神經(jīng)元模型
            2.1.2.2 激勵(lì)函數(shù)
        2.1.3 人工神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)
        2.1.4 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
            2.1.4.1 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式
            2.1.4.2 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法(規(guī)則)
        2.1.5 BP人工神經(jīng)網(wǎng)絡(luò)
        2.1.6 小波神經(jīng)網(wǎng)絡(luò)的建立
            2.1.6.1 小波神經(jīng)網(wǎng)絡(luò)的定義
            2.1.6.2 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    2.2 基本遺傳算法簡(jiǎn)介及遺傳神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.2.1 基本遺傳算法簡(jiǎn)介及遺傳神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
            2.2.1.1 遺傳算法的發(fā)展歷史
            2.2.1.2 遺傳算法的基本原理與方法
            2.2.1.3 人工神經(jīng)網(wǎng)絡(luò)(ANN)與遺傳算法(GA)的結(jié)合
        2.2.2 模擬退火算法簡(jiǎn)介及遺傳模擬退火神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
            2.2.2.1 模擬退火算法簡(jiǎn)介
            2.2.2.2 模擬退火算法的基本思想和步驟
            2.2.2.3 遺傳模擬退火神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.2.3 自適應(yīng)遺傳算法簡(jiǎn)介及自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
            2.2.3.1 自適應(yīng)遺傳算法簡(jiǎn)介
            2.2.3.2 自適應(yīng)遺傳神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.2.4 多種群遺傳算法簡(jiǎn)介及多種群遺傳神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
    2.3 蟻群算法簡(jiǎn)介及蟻群神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.3.1 基本蟻群算法簡(jiǎn)介及蟻群神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.3.2 基本蟻群算法的數(shù)學(xué)模型
        2.3.3 基本蟻群算法的實(shí)現(xiàn)步驟
        2.3.4 基于蟻群算法的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練
        2.3.5 遺傳蟻群神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
    2.4 微粒子算法簡(jiǎn)介及微粒子神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.4.1 微粒子算法簡(jiǎn)介
        2.4.2 微粒子神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介
    2.5 人工免疫算法簡(jiǎn)介及人工免疫神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.5.1 人工免疫算法簡(jiǎn)介
        2.5.2 人工免疫神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
    2.6 本章小結(jié)
第三章 太陽(yáng)輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型的建立
    3.1 太陽(yáng)輻射建模用各因素分析
        3.1.1 太陽(yáng)總輻射建模用各因素分析
        3.1.2 太陽(yáng)散射輻射建模用各因素分析
    3.2 建模用資料數(shù)據(jù)
    3.3 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)處理
        3.3.1 太陽(yáng)輻射逐日數(shù)據(jù)序列的小波預(yù)分解
        3.3.2 太陽(yáng)輻射數(shù)據(jù)序列的相關(guān)性分析
            3.3.2.1 相關(guān)性分析原理
            3.3.2.2 相關(guān)性數(shù)據(jù)分析
        3.3.3 天氣狀況的模糊化,反模糊化與修正處理
            3.3.3.1 模糊化分析原理
            3.3.3.2 模糊化數(shù)據(jù)分析
    3.4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的確定
        3.4.1 小波網(wǎng)絡(luò)學(xué)習(xí)算法
        3.4.2 附加動(dòng)量法
        3.4.3 自適應(yīng)變步長(zhǎng)法
    3.5 本章小結(jié)
第四章 網(wǎng)絡(luò)結(jié)構(gòu)、樣本及訓(xùn)練精度對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的影響
    4.1 固定輸入樣本情況下隱含層節(jié)點(diǎn)個(gè)數(shù)對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響及最佳隱節(jié)點(diǎn)的確定辦法
    4.2 變化輸入樣本情況下隱含層節(jié)點(diǎn)個(gè)數(shù)對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響及最佳隱節(jié)點(diǎn)的確定辦法
    4.3 網(wǎng)絡(luò)訓(xùn)練集樣本的學(xué)習(xí)訓(xùn)練精度(訓(xùn)練次數(shù))對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響的研究
    4.4 本章小結(jié)
第五章 初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力影響的研究
    5.1 網(wǎng)絡(luò)初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響
    5.2 基于遺傳算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型泛化能力的影響
        5.2.1 基于遺傳算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響
            5.2.1.1 基于遺傳算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型
            5.2.1.2 太陽(yáng)散射輻射逐日復(fù)合預(yù)測(cè)模型
        5.2.2 基于遺傳模擬退火算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型泛化能力的影響
            5.2.2.1 基于遺傳模擬退火算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型
            5.2.2.2 太陽(yáng)散射輻射逐日復(fù)合預(yù)測(cè)模型
        5.2.3 基于自適應(yīng)遺傳算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型泛化能力的影響
            5.2.3.1 基于自適應(yīng)遺傳算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型
            5.2.3.2 基于自適應(yīng)遺傳算法初始化太陽(yáng)散射輻射逐日復(fù)合預(yù)測(cè)模型
        5.2.4 基于多種群遺傳算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響
            5.2.4.1 基于多種群遺傳算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型
            5.2.4.2 基于多種群遺傳算法初始化太陽(yáng)散射輻射逐日復(fù)合預(yù)測(cè)模型
    5.3 基于蟻群算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型泛化能力的影響
        5.3.1 基于蟻群算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響
            5.3.1.1 基于蟻群算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型
            5.3.1.2 基于蟻群算法初始化太陽(yáng)散射輻射逐日復(fù)合預(yù)測(cè)模型
        5.3.2 基于遺傳蟻群算法初始化對(duì)太陽(yáng)輻射神經(jīng)網(wǎng)絡(luò)模型的泛化能力的影響
            5.3.2.1 基于遺傳蟻群算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)
            5.3.2.2 基于遺傳蟻群算法初始化太陽(yáng)日散射輻射預(yù)測(cè)小波網(wǎng)絡(luò)
    5.4 基于微粒子算法始化對(duì)太陽(yáng)輻射小波網(wǎng)絡(luò)模型泛化能力的影響
        5.4.1 基于PSO算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型
            5.4.1.1 基于PSO算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
            5.4.1.2 基于PSO算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)的實(shí)驗(yàn)仿真
        5.4.2 太陽(yáng)散射輻射逐日復(fù)合預(yù)測(cè)模型
            5.4.2.1 太陽(yáng)散射輻射逐日預(yù)測(cè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
            5.4.2.2 基于PSO算法初始化太陽(yáng)日散射輻射預(yù)測(cè)小波網(wǎng)絡(luò)的實(shí)驗(yàn)仿真
    5.5 基于人工免疫算法初始化對(duì)太陽(yáng)輻射小波網(wǎng)絡(luò)模型的泛化能力的影響
        5.5.1 基于人工免疫算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)模型
            5.5.1.1 基于人工免疫算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
            5.5.1.2 基于人工免疫算法初始化太陽(yáng)日總輻射預(yù)測(cè)小波網(wǎng)絡(luò)的實(shí)驗(yàn)仿真
        5.5.2 太陽(yáng)散射輻射逐日復(fù)合預(yù)測(cè)模型
            5.5.2.1 太陽(yáng)散射輻射逐日預(yù)測(cè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
            5.5.2.2 基于人工免疫算法初始化太陽(yáng)日散射輻射預(yù)測(cè)小波網(wǎng)絡(luò)的實(shí)驗(yàn)仿真
    5.6 本章小結(jié)
第六章 論文結(jié)論及研究展望
    6.1 本文的初步結(jié)論和研究成果
        6.1.1 引入多種智能算法對(duì)網(wǎng)絡(luò)進(jìn)行初始化并比較了改善網(wǎng)絡(luò)泛化能力的效果
        6.1.2 引入遺傳算法來(lái)解決確定最佳隱含層中的神經(jīng)元數(shù)
        6.1.3 研究了樣本、網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練精度對(duì)網(wǎng)絡(luò)泛化能力的影響
        6.1.4 對(duì)本文提出的預(yù)測(cè)模型進(jìn)行了實(shí)際驗(yàn)證
    6.2 本文的創(chuàng)新點(diǎn)
        6.2.1 引入相互融合的混合智能技術(shù)來(lái)初始化小波網(wǎng)絡(luò)
        6.2.2 建立了網(wǎng)絡(luò)結(jié)構(gòu)(隱含層節(jié)點(diǎn)個(gè)數(shù))和樣本數(shù)同時(shí)變化情況下預(yù)測(cè)誤差變化的三維圖
    6.3 本文的不足與下一步的工作
        6.3.1 基于神經(jīng)網(wǎng)絡(luò)的太陽(yáng)輻射預(yù)測(cè)模型的工程驗(yàn)證
        6.3.2 實(shí)時(shí)預(yù)測(cè)模型集成軟件的設(shè)計(jì)開發(fā)
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表論文
致謝



本文編號(hào)：3747532