基于PCA与RBF的建筑能耗预测建模
- 详情
- 2021-08-06
- 简介
- 693KB
- 页数 5P
- 阅读 97
- 下载 35
由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.
对不起,您暂无在线预览权限,如需浏览请
立即登录热门商品
相关推荐
基于PCA与RBF的建筑能耗预测建模 693KB
基于PSO-RBF的建筑能耗预测模型研究 363KB
基于数据的建筑能耗分析与建模 972KB
基于深度CRBM模型的建筑能耗预测方法 3.4MB
基于PCA-BP神经网络的大型公共建筑能耗预测 1.7MB
基于PCA算法的办公建筑能耗影响因子分析 137KB
基于EnergyPlus的CBD建筑能耗预测模型研究 432KB
基于KPCA-WLSSVM的建筑能耗预测模型 467KB
基于PCA-RBF网络的高校保密项目风险预测 1.7MB
基于SVM的大型公共建筑能耗预测模型与异常诊断 1.1MB