CN113191529B 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 （武汉科技大学）_第1页
CN113191529B 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 （武汉科技大学）_第2页
CN113191529B 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 （武汉科技大学）_第3页
CN113191529B 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 （武汉科技大学）_第4页
CN113191529B 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 （武汉科技大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于迁移学习的深度对抗神经网络的新建本发明公开了基于迁移学习的深度对抗神传统机器学习能耗预测与训练模型的能耗预测经网络方法对新建筑的建筑能耗数据进行能耗2S1、依据迁移学习理论进行数据收集整理，将已间隔Δt中最佳的时间节点进行新建筑能耗在线预测策略的过渡，实现新建筑全寿命周期2.根据权利要求1所述的基于迁移学习的深度对抗神经网络的新建筑能耗预测方法，所述特征提取器Mf用于提取输入时间序列数据的时间特征；所述回归预据源域数据和目标域数据找到提取的特征与建筑能耗之间3.根据权利要求2所述的基于迁移学习的深度对抗神经网络的新建筑能耗预测方法，所述长短期神经网络的神经细胞的计算过程为：通过在t时刻的输入值xt结合t34筑能源系统的运行和控制起着至关重要的作[0005]本发明的目的是提供基于迁移学习的深度对抗神经网络5择时间间隔Δt中最佳的时间节点进行新建筑能耗在线预测策略的过渡，实现新建筑全寿结构包括特征提取器Mf，回归预测器My和域分类器Md，所述特征提取器采用长短期神经网[0011]所述特征提取器Mf用于提取输入时间序列数据的时间特征；所述回归预于根据源域数据和目标域数据找到提取的特征与建筑能耗之间t；yy6[0028]图2是本发明实施例中基于迁移学习理论的深度领域适应对抗神经网络的新建筑[0029]图3是本发明实施例中基于迁移学习的深度对抗神经网络的新建筑能耗预测的在学习能耗预测方法和训练模型两者的能耗预测性能评价，且使用平均绝对误差(MAE)进行[0038]特征提取器Mf用于提取输入时间序列数据的时间特征；回归预测域数据和目标域数据找到提取的特征与建筑能耗之间的映射并t7yy[0051]在本实施例中，域分类器用于尝试区分特征提取器提取的特征是源域还是目标8minp(i,i,w,)(15),[0070]本实施例从该数据集中选择了4栋位于美国的办公楼和医院建筑对本发明所提方[0072]在本实施例中，能耗预测模型预测性能的评估主要使用以下平均绝对误差(MAE)9公建筑能耗在线预测策略折线图，曲线1为基于迁移学习理论的深度领域适应对抗神经网形下LSTM算法会优于迁移学习进行的在线数

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论