| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-17页 |
| ·课题的研究背景和意义 | 第8-9页 |
| ·课题研究背景 | 第8-9页 |
| ·课题研究意义 | 第9页 |
| ·建筑能耗预测发展现状 | 第9-15页 |
| ·多元线性回归 | 第10页 |
| ·人工神经网络 | 第10-11页 |
| ·支持向量机 | 第11-12页 |
| ·灰色理论 | 第12-13页 |
| ·遗传算法 | 第13页 |
| ·建筑能耗仿真软件 | 第13-14页 |
| ·建筑能耗预测方法总结 | 第14-15页 |
| ·研究内容及章节安排 | 第15-16页 |
| ·小结 | 第16-17页 |
| 第二章 基于PCA与RBF的建筑能耗预测模型 | 第17-34页 |
| 摘要 | 第17页 |
| ·引言 | 第17-18页 |
| ·PCA-RBF建筑能耗组合预测模型 | 第18-26页 |
| ·主元分析(PCA) | 第19-20页 |
| ·径向基神经网络(RBF) | 第20-22页 |
| ·基于PCA-RBF组合模型的建筑能耗预测建模 | 第22-26页 |
| ·案例分析 | 第26-32页 |
| ·建筑简介 | 第26-27页 |
| ·评价指标 | 第27页 |
| ·构造样本集 | 第27-29页 |
| ·模型训练 | 第29-30页 |
| ·结果分析 | 第30-32页 |
| ·小结 | 第32-34页 |
| 第三章 KPCA-WLSSVM建筑能耗组合预测模型 | 第34-50页 |
| 摘要 | 第34页 |
| ·引言 | 第34-35页 |
| ·KPCA-WLSSVM建筑能耗组合预测模型 | 第35-44页 |
| ·核主元分析(KPCA) | 第36-38页 |
| ·加权最小二乘支持向量机(W-LSSVM) | 第38-42页 |
| ·粒子群优化算法参数寻优(PSO) | 第42-43页 |
| ·建筑能耗预测流程 | 第43-44页 |
| ·案例分析 | 第44-48页 |
| ·构造样本集 | 第44-45页 |
| ·评价指标 | 第45页 |
| ·模型训练 | 第45-46页 |
| ·结果分析 | 第46-48页 |
| ·小结 | 第48-50页 |
| 第四章 基于GM-RBF模型的建筑能耗预测研究 | 第50-61页 |
| 摘要 | 第50页 |
| ·引言 | 第50-51页 |
| ·GM-RBF组合方法 | 第51-56页 |
| ·GM(1,1)灰色模型 | 第51-53页 |
| ·RBF神经网络模型 | 第53页 |
| ·建筑能耗组合预测建模 | 第53-56页 |
| ·案例分析 | 第56-60页 |
| ·案例分析1 | 第56-58页 |
| ·案例分析2 | 第58-60页 |
| ·小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| ·工作总结 | 第61页 |
| ·研究展望 | 第61-63页 |
| 附录 | 第63-68页 |
| 附录A L_(27)(3~(13))正交表 | 第63-64页 |
| 附录B 正交试验及仿真结果 | 第64-68页 |
| 参考文献 | 第68-73页 |
| 个人简历 | 第73页 |
| 在硕士期间发表的论文和参与的项目 | 第73-74页 |
| 致谢 | 第74页 |