-
公开(公告)号：CN111594996B
公开(公告)日：2024-12-03
申请号：CN202010477527.9
申请日：2020-05-29
Applicant: 桂林电子科技大学
IPC: F24F11/64 , F24F11/61 , F24F11/77 , F24F11/58 , F24F110/12 , F24F110/22 , F24F110/32 , F24F130/20 , F24F140/12
Abstract: 本发明公开了一种基于深度置信神经网络的变风量空调送风量的预测方法，包括以下步骤：(1)确定用于训练基于深度置信神经网络的变风量空调送风量预测的输入参数；(2)利用MATLAB软件将步骤(1)中收集的输入参数和相对应的送风量作为训练样本导入到深度置信神经网络中，建立基于深度置信神经网络的变风量空调送风量预测模型的训练模型，对训练样本进行学习训练，不断地调整模型参数以得到最佳训练模型；(3)确定基于深度置信神经网络的变风量空调送风量预测模型，把测试样本导入到所述预测模型中，对测试样本的相对应的送风量进行预测。本发明的设计解决了传统变风量空调送风量预测模型中准确性和稳定性不足而导致建筑能耗较大的问题。
-
公开(公告)号：CN111753470A
公开(公告)日：2020-10-09
申请号：CN202010622331.4
申请日：2020-06-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于粗糙集和深度置信神经网络的建筑能耗预测方法，包括以下步骤，步骤一：进行用于粗糙集约简建筑能耗影响因子的数据实测，确定各能耗等级的数值范围；步骤二：利用粗糙集对建筑能耗影响因子进行属性约简预处理；步骤三：进行用于深度神经网络预测建筑能耗的样本数据实测；步骤四：叠加受限玻尔兹曼机，构建深度置信神经网络对训练样本进行学习训练；步骤五：利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数，建筑能耗作为深度置信神经网络的输出，进行建筑能耗预测。本发明解决了传统建筑能耗预测方法中准确性不够和实用性不足的问题，为建筑能耗的预测提供了一种新的方法。
-
公开(公告)号：CN110309609A
公开(公告)日：2019-10-08
申请号：CN201910606867.4
申请日：2019-07-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法，包括以下步骤：(1)进行现场实测，得到的关于室内空气品质环境参数的样本数据，建立室内空气品质等级评价体系；(2)利用粗糙集理论对样本进行属性约简预处理；(3)利用Matlab软件将经过属性约简的环境参数作为小波神经网络的输入参数，建立小波神经网络训练模型对训练样本进行学习训练，并调试得到其最佳训练模型；(4)确定小波神经网络测试模型，把测试样本放入该训练好的测试模型中进行室内空气品质在线评价。本发明的评价方法解决了传统室内空气品质评价方法中主观性过强和实用性不够的问题，为建筑室内空气品质等级的客观评价提供了有效的解决方案。
-
公开(公告)号：CN111594996A
公开(公告)日：2020-08-28
申请号：CN202010477527.9
申请日：2020-05-29
Applicant: 桂林电子科技大学
IPC: F24F11/64 , F24F11/61 , F24F11/77 , F24F11/58 , F24F110/12 , F24F110/22 , F24F110/32 , F24F130/20 , F24F140/12
Abstract: 本发明公开了一种基于深度置信神经网络的变风量空调送风量的预测方法，包括以下步骤：(1)确定用于训练基于深度置信神经网络的变风量空调送风量预测的输入参数；(2)利用MATLAB软件将步骤(1)中收集的输入参数和相对应的送风量作为训练样本导入到深度置信神经网络中，建立基于深度置信神经网络的变风量空调送风量预测模型的训练模型，对训练样本进行学习训练，不断地调整模型参数以得到最佳训练模型；(3)确定基于深度置信神经网络的变风量空调送风量预测模型，把测试样本导入到所述预测模型中，对测试样本的相对应的送风量进行预测。本发明的设计解决了传统变风量空调送风量预测模型中准确性和稳定性不足而导致建筑能耗较大的问题。
-
公开(公告)号：CN111753470B
公开(公告)日：2022-09-16
申请号：CN202010622331.4
申请日：2020-06-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于粗糙集和深度置信神经网络的建筑能耗预测方法，包括以下步骤，步骤一：进行用于粗糙集约简建筑能耗影响因子的数据实测，确定各能耗等级的数值范围；步骤二：利用粗糙集对建筑能耗影响因子进行属性约简预处理；步骤三：进行用于深度神经网络预测建筑能耗的样本数据实测；步骤四：叠加受限玻尔兹曼机，构建深度置信神经网络对训练样本进行学习训练；步骤五：利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数，建筑能耗作为深度置信神经网络的输出，进行建筑能耗预测。本发明解决了传统建筑能耗预测方法中准确性不够和实用性不足的问题，为建筑能耗的预测提供了一种新的方法。
-
Patent Agency Ranking
公开(公告)号：CN110309609B
公开(公告)日：2022-06-28
申请号：CN201910606867.4
申请日：2019-07-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法，包括以下步骤：(1)进行现场实测，得到的关于室内空气品质环境参数的样本数据，建立室内空气品质等级评价体系；(2)利用粗糙集理论对样本进行属性约简预处理；(3)利用Matlab软件将经过属性约简的环境参数作为小波神经网络的输入参数，建立小波神经网络训练模型对训练样本进行学习训练，并调试得到其最佳训练模型；(4)确定小波神经网络测试模型，把测试样本放入该训练好的测试模型中进行室内空气品质在线评价。本发明的评价方法解决了传统室内空气品质评价方法中主观性过强和实用性不够的问题，为建筑室内空气品质等级的客观评价提供了有效的解决方案。
-
公开(公告)号：CN112648717B
公开(公告)日：2022-05-17
申请号：CN202011493699.1
申请日：2020-12-16
Applicant: 桂林电子科技大学
IPC: F24F11/62 , F24F11/64 , F24F11/74 , F24F110/10
Abstract: 本发明公开了一种基于径向基神经网络的多区域变风量空调系统末端控制方法，包括以下步骤：(1)设定房间温度值；(2)通过温度传感器获取房间实际温度值；(3)初始化RBF神经网络和PID控制器的各项参数；(4)将房间实际温度值与房间温度设定值进行比较作差；(5)改进RBF‑PID算法调整自身的权重系数；(6)优化PID的kp、ki和kd参数；(7)风阀控制器控制末端风阀达到合适开度；(8)重复步骤(1)至步骤(7)，以采样时间为周期进行采样。本发明通过RBF神经网络对传统PID控制器的参数进行实时调整，对末端的有效控制来提高多区域变风量空调控制系统对于室内温度的控制精度和抗干扰性能。
-
公开(公告)号：CN111650339A
公开(公告)日：2020-09-11
申请号：CN202010539020.1
申请日：2020-06-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种建筑室内多个污染源释放强度的逆向辨识方法，包括以下步骤：步骤一：对建筑室内环境参数采用CFD数值模拟技术获得稳定热流动场；步骤二：基于污染源贡献率(CRPS)方法获得多个污染源释放的室内浓度与监测点的浓度之间的传输矩阵A，利用传输矩阵A建立逆模型；步骤三：采用Tikhonov正则化方法增强逆模型求解的稳定性；步骤四：选取正则化矩阵L，计算正则化参数λ，基于监测点浓度求解污染源浓度。本发明辨识污染源释放强度方法解决了传统辨识方法的单一性和复杂性，为建筑室内快速有效地辨识多个污染源释放强度提供了新的方案。
-
公开(公告)号：CN111639462A
公开(公告)日：2020-09-08
申请号：CN202010476862.7
申请日：2020-05-29
Applicant: 桂林电子科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/08
Abstract: 本发明公开了一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法，包括以下步骤：(1)进行现场实测，得到的关于自然通风环境下建筑室内热舒适环境参数和人体参数的样本数据，建立自然通风环境下建筑室内热舒适预测模型；(2)利用Matlab软件将环境参数和人体参数作为深度置信神经网络的输入参数，建立深度置信神经网络训练模型对训练样本进行学习训练，并调试得到最佳的训练模型；(3)确定深度置信神经网络测试模型，把测试样本放入该训练好的测试模型中进行自然通风环境下建筑室内热舒适的预测。本发明的预测方法解决了应用传统建筑室内热舒适预测方法来预测自然通风环境下建筑室内热舒适的精度不足和适用性不强的问题，为自然通风环境下建筑室内热舒适预测提供了有效的解决方案。
-
公开(公告)号：CN111639462B
公开(公告)日：2023-04-18
申请号：CN202010476862.7
申请日：2020-05-29
Applicant: 桂林电子科技大学
IPC: G06F30/27 , G06N3/0464 , G06N3/084 , G06F119/08
Abstract: 本发明公开了一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法，包括以下步骤：(1)进行现场实测，得到的关于自然通风环境下建筑室内热舒适环境参数和人体参数的样本数据，建立自然通风环境下建筑室内热舒适预测模型；(2)利用Matlab软件将环境参数和人体参数作为深度置信神经网络的输入参数，建立深度置信神经网络训练模型对训练样本进行学习训练，并调试得到最佳的训练模型；(3)确定深度置信神经网络测试模型，把测试样本放入该训练好的测试模型中进行自然通风环境下建筑室内热舒适的预测。本发明的预测方法解决了应用传统建筑室内热舒适预测方法来预测自然通风环境下建筑室内热舒适的精度不足和适用性不强的问题，为自然通风环境下建筑室内热舒适预测提供了有效的解决方案。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.035 seconds)
