基于最小二乘支持向量机的空调负荷预测应用研究

空调负荷预测论文 支持向量机滚动预测算法论文 室外温度预测论文 OnlineLS-SVR论文
论文详情
摘要第5-6页
Abstract第6-7页
第一章 绪论第11-18页
    1.1 选题来源第11页
    1.2 研究背景第11-13页
    1.3 研究现状第13-18页
        1.3.1 时间序列预测法第13-14页
        1.3.2 基于线性回归方法的预测模型第14页
        1.3.3 智能预测算法第14-17页
        1.3.4 本文基本工作第17-18页
第二章 支持向量回归机的基本理论第18-33页
    2.1 机器学习的相关概念第18-20页
        2.1.1 机器学习的定义第18页
        2.1.2 机器学习的流程第18-19页
        2.1.3 机器学习的学习方法第19-20页
    2.2 SVM的算法过程第20-24页
    2.3 LS-SVM的算法过程第24-26页
    2.4 LS-SVM与常规SVM比较第26-27页
    2.5 在线支持向量回归机第27-32页
        2.5.1 训练样本的处理方法第28-29页
        2.5.2 增量学习基本原理第29-31页
        2.5.3 减量学习第31-32页
    2.6 本章小结第32-33页
第三章 空调冷负荷数据参数选择与预处理第33-42页
    3.1 空调负荷预测模型的输入变量选择第33-38页
    3.2 空调负荷数据归一化处理第38-39页
    3.3 负荷预测评价指标第39-41页
    3.4 本章小结第41-42页
第四章 建筑物室外温度预测第42-54页
    4.1 传统建筑物室外温度的ASHRAE计算第42-45页
        4.1.1 建筑物室外温度定系数的ASHRAE计算方法第42-44页
        4.1.2 建筑物室外温度改进的ASHRAE计算方法第44-45页
    4.2 建筑物室外温度ANN计算第45-46页
    4.3 改进建筑物室外温度ASHRAE计算第46-53页
        4.3.1 改进型预测算法的结构流程第46-49页
        4.3.2 三种室外温度预测方法性能对比第49-53页
    4.4 本章小结第53-54页
第五章 Online LS-SVR空调负荷预测算法第54-65页
    5.1 Online LS-SVR空调负荷的预测过程第55-56页
    5.2 增量减量学习在LS-SVR方法上的实现第56-58页
    5.3 Online LS-SVR空调负荷预测算法的实现第58-60页
        5.3.1 输入参数的选择第58-60页
        5.3.2 数据归一化处理第60页
        5.3.3 核函数及其参数的确定第60页
    5.4 三种不同预测算法预测结果比较及分析第60-63页
    5.5 本章小结第63-65页
第六章 LS-SVR空调负荷滚动预测算法第65-80页
    6.1 LS-SVR滚动预测算法的过程第65-67页
    6.2 LS-SVR空调负荷滚动预测算法的实现第67页
    6.3 预测模型的预测性能的分析第67-74页
        6.3.1 预测模型在样本量不同时的性能第67-71页
        6.3.2 预测模型的图形分析比较第71-74页
    6.4 本章小结第74-80页
攻读硕士学位期间取得的研究成果第80-81页
致谢第81-75页
结论第75-76页
参考文献第76-83页
附件第83页
论文购买
论文编号ABS4409048,这篇论文共83页
会员购买按0.30元/页下载,共需支付24.9
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付41.5
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656