| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 空调系统预测模型研究现状 | 第9-10页 |
| 1.3 预测模型简介 | 第10页 |
| 1.4 预测模型建立方法 | 第10-12页 |
| 1.5 本论文研究工作与内容安排 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 第二章 基于TRNSYS的数据采集模型搭建及数据采集方案确定 | 第14-26页 |
| 2.1 数据中心空调系统概述 | 第14页 |
| 2.2 数据中心冷冻水型空调系统结构及特征 | 第14-18页 |
| 2.2.1 空调系统的结构 | 第14-17页 |
| 2.2.2.1 空调系统的设计条件 | 第14-16页 |
| 2.2.2.2 数据中心空调设备选型条件 | 第16页 |
| 2.2.2.3 数据中心空调设计 | 第16-17页 |
| 2.2.2 数据中心冷冻水型空调系统特点 | 第17-18页 |
| 2.3 数据中心冷冻水型空调系统运行工况 | 第18-19页 |
| 2.4 数据中心空调系统的运行控制 | 第19页 |
| 2.5 数据中心空调系统输入输出参数确定 | 第19-20页 |
| 2.6 数据方案的确定 | 第20-22页 |
| 2.7 数据采集仿真平台搭建 | 第22-25页 |
| 2.7.1 TRNSYS简介 | 第22-23页 |
| 2.7.2 数据中心空调系统数据采集仿真平台设备模块 | 第23-24页 |
| 2.7.3 数据采集模型搭建 | 第24-25页 |
| 2.7.4 采集的部分数据 | 第25页 |
| 2.8 本章小结 | 第25-26页 |
| 第三章 基于SVR的数据中心空调系统预测模型 | 第26-42页 |
| 3.1 支持向量回归理论 | 第26-31页 |
| 3.1.1 支持向量回归基本原理 | 第26-27页 |
| 3.1.2 SVR核函数及损失函数（Loss function） | 第27-28页 |
| 3.1.2.1 核函数 | 第27页 |
| 3.1.2.2 LF函数 | 第27-28页 |
| 3.1.3 常用的基于SVR算法的预测模型介绍 | 第28-31页 |
| 3.2 SVM工具箱介绍 | 第31-32页 |
| 3.3 数据中心空调系统数据预处理 | 第32-33页 |
| 3.4 基于RBF的预测模型建立 | 第33-36页 |
| 3.4.1 基于RBF的ε-SVR预测模型 | 第33-34页 |
| 3.4.2 基于RBF的v-SVR的预测模型 | 第34-35页 |
| 3.4.3 MLS-SVR的数据中心空调系统预测模型建立 | 第35-36页 |
| 3.5 v-SVR和ε-SVR空调系统预测模型的对比 | 第36-39页 |
| 3.6 MLS-SVR预测模型建立与分析 | 第39-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 基于SVR和BP神经网络的预测模型对比 | 第42-52页 |
| 4.1 BP神经网络概述 | 第42-45页 |
| 4.1.1 神经网络发展概况 | 第42-43页 |
| 4.1.2 BP神经网络模型结构 | 第43页 |
| 4.1.3 BP神经网络算法 | 第43-44页 |
| 4.1.4 BP神经网络算法的应用问题 | 第44-45页 |
| 4.2 BP神经网络预测模型 | 第45-48页 |
| 4.2.1 神经网络工具箱的介绍 | 第45-46页 |
| 4.2.2 BP神经网络预测模型的搭建 | 第46-48页 |
| 4.3 BP神经网络与支持向量机对比分析 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 基于支持向量机的预测模型在线学习 | 第52-62页 |
| 5.1 增量学习的思想 | 第52页 |
| 5.2 增量式支持向量回归训练算法 | 第52-59页 |
| 5.2.1 支持向量回归的KKT条件 | 第52-55页 |
| 5.2.2 增量学习算法 | 第55-58页 |
| 5.2.2.1 算法用到的公式 | 第55-57页 |
| 5.2.2.2 具体算法 | 第57页 |
| 5.2.2.3 有效更新矩阵尺的算法 | 第57-58页 |
| 5.2.3 减量学习算法 | 第58-59页 |
| 5.3 实验与分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 课题总结与展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 论文发表情况 | 第68-69页 |
| 致谢 | 第69页 |
