一种基于BP神经网络的建筑能耗分析模型的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 论文研究背景及意义 | 第11-12页 |
| 1.2 能耗分析的发展及研究现状 | 第12-13页 |
| 1.3 论文的研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 BP神经网络 | 第16-22页 |
| 2.1 BP神经网络概述 | 第16-17页 |
| 2.1.1 人工神经网络 | 第16-17页 |
| 2.1.2 BP神经网络的产生与基本思想 | 第17页 |
| 2.2 BP神经网络拓扑结构 | 第17-18页 |
| 2.3 BP神经网络学习算法 | 第18-20页 |
| 2.4 BP神经网络的不足 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于BP神经网络的建筑能耗分析模型的研究 | 第22-60页 |
| 3.1 建筑能耗自动化分析的可行性 | 第22-31页 |
| 3.1.1 数据基础 | 第22-24页 |
| 3.1.2 分析方法 | 第24-26页 |
| 3.1.3 分析知识 | 第26-31页 |
| 3.2 模型指导思想 | 第31-32页 |
| 3.3 领域知识库设计 | 第32-34页 |
| 3.3.1 概念结构设计 | 第32-33页 |
| 3.3.2 逻辑结构设计 | 第33-34页 |
| 3.4 节能潜力的量化 | 第34-39页 |
| 3.4.1 能耗指标的标准参考值 | 第34-35页 |
| 3.4.2 影响能耗指标的因素 | 第35-36页 |
| 3.4.3 指标修正系数定义 | 第36-39页 |
| 3.4.4 节能潜力量化公式 | 第39页 |
| 3.5 对BP学习算法的改进 | 第39-48页 |
| 3.5.1 基于输入输出影响度优化初始权值范围 | 第39-43页 |
| 3.5.2 基于误差比值的指数形式学习率 | 第43-48页 |
| 3.6 基于改进BP神经网络的能耗分析 | 第48-59页 |
| 3.6.1 选取训练样本 | 第48-49页 |
| 3.6.2 输入数据的二值化 | 第49-53页 |
| 3.6.3 输出数据的编码 | 第53-54页 |
| 3.6.4 设置训练参数 | 第54-55页 |
| 3.6.5 隐藏层神经元个数的选取 | 第55-56页 |
| 3.6.6 能耗分析流程 | 第56-59页 |
| 3.7 本章小结 | 第59-60页 |
| 第四章 基于BP神经网络的建筑能耗分析模型的实现 | 第60-73页 |
| 4.1 实现概述 | 第60-62页 |
| 4.1.1 实现环境 | 第60页 |
| 4.1.2 预备知识 | 第60-62页 |
| 4.2 系统设计 | 第62-66页 |
| 4.2.1 系统架构 | 第62-64页 |
| 4.2.2 模块架构 | 第64-66页 |
| 4.3 节能潜力量化实现 | 第66-67页 |
| 4.4 数据预处理实现 | 第67-68页 |
| 4.4.1 输入项二值化实现 | 第67-68页 |
| 4.4.2 输出项编码实现 | 第68页 |
| 4.5 神经网络分析实现 | 第68-71页 |
| 4.5.1 改进后的BP神经网络实现 | 第68-70页 |
| 4.5.2 能耗分析实现 | 第70-71页 |
| 4.6 数据还原器实现 | 第71-72页 |
| 4.7 本章小结 | 第72-73页 |
| 第五章 模型系统的测试 | 第73-82页 |
| 5.1 系统的实现与界面 | 第73-76页 |
| 5.1.1 能耗分析显示 | 第73-75页 |
| 5.1.2 模型参数设置 | 第75页 |
| 5.1.3 知识库维护 | 第75-76页 |
| 5.2 系统测试分析 | 第76-81页 |
| 5.2.1 测试方法描述 | 第76页 |
| 5.2.2 系统物理部署 | 第76-77页 |
| 5.2.3 分析准确性测试 | 第77-80页 |
| 5.2.4 模型实用性测试 | 第80-81页 |
| 5.3 本章小结 | 第81-82页 |
| 结论 | 第82-85页 |
| 研究工作总结 | 第82-83页 |
| 工作展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间取得的研究成果 | 第89-90页 |
| 致谢 | 第90-91页 |
| 附件 | 第91页 |
