-
Patent Agency Ranking
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：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。
-
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。
-
-
-
-
Search Results
5
records
(took 0.032 seconds)
