分类筛选
分类筛选:

关于WLSSVM论文范文资料 与基于KPCA—WLSSVM建筑能耗预测模型有关论文参考文献

版权:原创标记原创 主题:WLSSVM范文 科目:毕业论文 2024-01-22

《基于KPCA—WLSSVM建筑能耗预测模型》:此文是一篇WLSSVM论文范文,为你的毕业论文写作提供有价值的参考。

摘 要:为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型.利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力.通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并和WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度.

关键词:建筑能耗;预测;核主元分析;支持向量机

中图分类号:TU831 文献标志码:A 文章编号:1674-4764(2015)05-0109-07

Abstract:The correlations among the building energy consumption factors can corrupt the prediction model’s performance, and get undesirable results. A prediction model based on KPCA-WLSSVM is proposed to forecast building energy consumption. The kernel principal component analysis (KPCA) method could not only solve the linear correlation of the input and compress data but also simplify the model structure. A novel hybrid chaos particle swarm optimization simulated annealing (CPSO-SA) algorithm is applied to optimize WLSSVM parameters to improve learning performance and generalization ability of the model. Furthermore, the KPCA-WLSSVM model is applied to the energy consumption prediction for an office building, and the results show that the KPCA-WLSSVM has better accuracy compared with WLSSVM model, LSSVM model and RBF neural network model. and the KPCA-WLSSVM is effective for building energy consumption prediction.

Key words:energy consumption of building; forecasting; kernel principal component analysis; support vector machines

随着建筑能耗在能源消耗中所占比重的快速增长,建筑节能受到越来越多的关注,准确有效地预测建筑能耗是开展节能评估工作的重要基础,也是进行建筑节能优化设计的主要依据.由于建筑能耗系统涉及到机理复杂的热湿传递过程,是一个典型的多变量、非线性、强耦合和多扰动的复杂系统,采用机理方法建立建筑能耗预测模型十分困难.人工神经网络由于对非线性函数具有很强的拟合和逼近能力,作为一种有效的非线性建模方法,目前已有许多学者将其成功应用于建筑能耗预测领域[1-4].但由于神经网络训练基于经验风险最小化原则,易产生过学习导致泛化能力下降,另外还存在诸如网络结构难以确定和过分依赖大样本学习等缺陷,因而在建筑能耗预测领域还难以大范围推广.

支持向量机(Support Vector Machines, SVM)是Vapnik等[5-6]基于统计学习理论提出的一种新的有监督机器学习方法.支持向量机利用结构最小化原理来提高其泛化能力,较好地解决了小样本、非线性、高维数、局部极小等实际问题,目前已成为建筑能耗预测领域的研究热点[7-8].最小二乘支持向量机(Least Squares Support Vector Machines, LS-SVM) 是标准SVM的扩展,LS-SVM模型在优化目标函数中选取了误差(松弛变量)二范数的形式,将SVM中需要求解的二次规划问题转化为线性方程组求解问题,从而降低了计算复杂度,有效提高了学习速度,较好地解决了大样本数据情况下SVM计算复杂的问题[9].文献[10-12]基于LSSVM回归方法建立了建筑能耗预测模型,并获得了较好的预测结果.针对LSSVM算法鲁棒性能欠佳的问题,Suykens等[13]提出了加权最小二乘支持向量机算法(Weighted Least Squares Support Vector Machines, WLSSVM).WLSSVM在建模过程中依据训练样本的重要性分别赋予其不同权重,从而克服了奇异点对LSSVM鲁棒性能的影响.文献[14]基于该算法建立了建筑能耗预测模型.尽管支持向量机回归方法能够有效处理高维数、非线性数据建模问题,但是建筑能耗受到气候条件、建筑特征参数、围护结构热工性能、室内热扰、新风负荷、室内环境参数、空调运行模式等众多因素的影响,且各影响因素之间严重相关,不可避免存在一定的噪声和冗余信息,在建模过程中会降低精度,增加计算复杂度[15-16].因此,有必要对能耗建模样本数据进行数据压缩和特征提取,通过降维处理来去除样本数据集合中的冗余信息以及消除噪声,以提高模型的预测精度和泛化能力.核主元分析法(KPCA)作为一种数据压缩和特征提取的非线性技术,已在数据处理中的到了广泛应用[17-18].KPCA采用核函数的方法,把过程数据或变量组成的原始数据空间映射到高维特征空间,在高维特征空间使用线性PCA方法来寻找主成分.特征空间中的主元变量则保留原始变量的特征信息而消去冗余信息,它是解决数据相关问题,提高模型运算速度的重要工具.

WLSSVM论文参考资料:

结论:基于KPCA—WLSSVM建筑能耗预测模型为关于本文可作为WLSSVM方面的大学硕士与本科毕业论文,w论文开题报告范文和职称论文论文写作参考文献下载。

相关免费毕业论文范文

热门有关优秀论文题目选题

和你相关的