| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 建筑能耗预测的现状及其趋势 | 第11-14页 |
| 1.2.1 建筑节能发展 | 第11-12页 |
| 1.2.2 建筑能耗影响因子 | 第12-13页 |
| 1.2.3 建筑能耗预测的研究 | 第13-14页 |
| 1.3 研究内容及组织结构 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 本文组织结构 | 第15-17页 |
| 第2章 传统建筑能耗预测模型 | 第17-43页 |
| 2.1 建筑信息数据预处理 | 第17-23页 |
| 2.1.1 数据预处理 | 第17-22页 |
| 2.1.2 建筑能耗影响因素 | 第22-23页 |
| 2.2 建筑能耗预测模型 | 第23-35页 |
| 2.2.1 BP神经网络 | 第23-28页 |
| 2.2.2 建筑能耗的BP神经网络预测 | 第28-34页 |
| 2.2.3 BP算法存在的问题 | 第34-35页 |
| 2.3 能耗预测算法的改进 | 第35-42页 |
| 2.3.1 遗传算法 | 第35-36页 |
| 2.3.2 基于遗传算法优化的BP网络 | 第36-41页 |
| 2.3.3 BP算法与RBF算法在建筑能耗预测的对比 | 第41-42页 |
| 2.4 本章小结 | 第42-43页 |
| 第3章 基于Map Reduce的BP神经网络算法 | 第43-54页 |
| 3.1 分布式计算平台Hadoop | 第43-49页 |
| 3.1.1 分布式文件系统HDFS | 第43-45页 |
| 3.1.2 分布式编程框架Map Reduce | 第45-49页 |
| 3.2 BP算法的Map Reduce并行化 | 第49-53页 |
| 3.2.1 BP神经网络训练模型 | 第49-51页 |
| 3.2.2 算法分解 | 第51-53页 |
| 3.3 本章小结 | 第53-54页 |
| 第4章 Hadoop平台下的建筑能耗预测 | 第54-65页 |
| 4.1 Hadoop实验平台搭建 | 第54-59页 |
| 4.1.1 伪分布模式 | 第54-55页 |
| 4.1.2 全分布模式 | 第55-59页 |
| 4.2 建筑能耗预测的实现 | 第59-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结和展望 | 第65-68页 |
| 5.1 全文总结 | 第65-66页 |
| 5.2 工作展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士研究生学位期间参与的科研项目 | 第73页 |