CN111881507A - 基于神经网络的窗框断面评估方法、计算设备及存储介质 - Google Patents
基于神经网络的窗框断面评估方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN111881507A CN111881507A CN202010798240.6A CN202010798240A CN111881507A CN 111881507 A CN111881507 A CN 111881507A CN 202010798240 A CN202010798240 A CN 202010798240A CN 111881507 A CN111881507 A CN 111881507A
- Authority
- CN
- China
- Prior art keywords
- window frame
- neural network
- data set
- training data
- frame section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012546 transfer Methods 0.000 claims abstract description 26
- 239000000463 material Substances 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000009413 insulation Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 239000002390 adhesive tape Substances 0.000 claims description 3
- 239000006260 foam Substances 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000004381 surface treatment Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 8
- 238000012938 design process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000004952 Polyamide Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920002647 polyamide Polymers 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于神经网络的窗框断面评估方法、计算设备及存储介质，该方法包括：建立训练数据集，所述训练数据集的输入变量包括窗框断面的材料参数、环境参数和几何参数，所述训练数据集的输出变量为窗框断面的传热系数或温差变形；建立神经网络模型；使用训练数据集训练神经网络模型；使用训练后的神经网络模型评估其他窗框断面的传热系数。通过将窗框断面的材料参数、环境参数和几何参数作为输入变量，将窗框断面的传热系数或温差变形作为输出变量，形成训练数据集，再对神经网络模型进行训练，训练后的神经网络模型能够对窗框断面的自动分析和评估，相较于现有方法，本发明大幅提高了窗框设计评估阶段的效率，节约了人力和时间成本。
Description
技术领域
本发明涉及隔热型材断面设计技术，尤其涉及一种基于神经网络的窗框断面评估方法、计算设备及存储介质。
背景技术
在门、窗、幕墙等建筑围护结构的设计过程中，通常需要对窗框断面进行参数设计，其中，需要对设计出的窗框进行传热系数、温差挠度变形量的评估。现有评估方法为：先将断面处理并导入专业的传热系数模拟软件，在Bisco、Therm、Mqmc等软件中对窗框的形状进行临摹描画、转换、建模，并赋予热导率，然后设定环境条件，如地理环境等。在使用模拟软件模拟出传热系数和温差变形后，还需排查其中的问题，对细节进行调整，往往需要反复模拟数次，在参数达标后，才能进行后续设计。这种模拟方法消耗大量的时间，导致设计阶段的效率较低。
发明内容
本发明的目的在于提供一种高效的基于神经网络的窗框断面评估方法。
本发明的另一目的在于提供一种用于实现上述方法的计算设备及存储介质。
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面，提供了一种基于神经网络的窗框断面评估方法，包括：建立训练数据集，所述训练数据集的输入变量包括窗框断面的材料参数、环境参数和几何参数，所述训练数据集的输出变量为窗框断面的传热系数或温差变形；建立神经网络模型；使用训练数据集训练神经网络模型；使用训练后的神经网络模型评估其他窗框断面的传热系数。
在一实施例中，该评估方法在所述建立训练数据集之后，还包括：对训练数据集的输入变量进行降维。
在一实施例中，该评估方法的所述数据降维算法为Lasso方法或Ridge方法。
在一实施例中，该评估方法中，当所述训练数据集的输出变量为窗框断面的传热系数时，所述材料参数包括：隔热条热导率、型材热导率和泡棉热导率；当所述训练数据集的输出变量为窗框断面的温差变形时，所述材料参数包括：隔热条的材质、型材的材质、型材的热处理状态和型材表面处理状态。
在一实施例中，该评估方法中，当所述训练数据集的输出变量为窗框断面的传热系数时，所述几何参数包括：型材宽度、可视面高度、隔热条宽度、玻璃位置和中央胶条位置；当所述训练数据集的输出变量为窗框断面的温差变形时，所述几何参数包括：型材纵向长度、型材宽度、可视面高度、隔热条宽度、室内外型材比例和腔体数量。
在一实施例中，该评估方法中，当所述训练数据集的输出变量为窗框断面的传热系数时，所述环境参数包括：国别；当所述训练数据集的输出变量为窗框断面的温差变形时，所述环境参数包括：温差。
在一实施例中，该评估方法中，所述神经网络模型为基于L-M算法的BP神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层，所述输入层的个数为所述训练数据集的输入变量的个数，所述输出层输出传热系数或温差变形。
在一实施例中，该评估方法的所述隐藏层的神经元个数通过遍历循环运算后对比训练误差确定。
根据本发明的另一方面，还提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个程序，存储在该存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述任一实施例所述方法的指令。
根据本发明的又一方面，还提供了一种存储介质，存储有一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述任一实施例所述的方法。
本发明实施例的有益效果是：通过将窗框断面的材料参数、环境参数和几何参数作为输入变量，将窗框断面的传热系数或温差变形作为输出变量，形成训练数据集，再对神经网络模型进行训练，训练后的神经网络模型能够实现对窗框断面的自动分析和评估，相较于现有的手动描画断面然后输入参数进行评估的方法，本发明大幅提高了窗框设计阶段的评估效率，节约了人力和时间成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1是本发明方法实施例的流程示意图；
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
如图1所示，本发明实施例提供了一种基于神经网络的窗框断面评估方法，包括：
S1、建立训练数据集，训练数据集的输入变量包括窗框断面的材料参数、环境参数和几何参数，训练数据集的输出变量为窗框断面的传热系数或温差变形。
其中，输入变量中的参数可以采用以往设计过程中积累的数据，传热系数可以使用热工分析软件产生的数据，温差变形则可由实际测试值得到。这些数据经过整理和清洗，形成训练数据集。具体而言，当训练数据集的输出变量为窗框断面的传热系数时，材料参数可以包括：隔热条热导率、型材热导率和泡棉热导率等。几何参数可以包括：型材宽度、可视面高度、隔热条宽度、玻璃位置和中央胶条位置等。环境参数可以包括：国别，如中国、美国、欧洲等。
当训练数据集的输出变量为窗框断面的温差变形时，材料参数可以包括：隔热条的材质(聚酰胺、聚丙烯、聚氯乙烯等)、型材的材质、型材的热处理状态(T5、T6等)和型材表面处理状态(颜色、处理方式)等。几何参数可以包括：型材纵向长度、型材宽度、可视面高度、隔热条宽度、室内外型材比例和腔体数量。环境参数可以包括室内外温差等。
在可能的实施例中，建立训练数据集之后，还包括对训练数据集的输入变量进行降维，即将原高维空间中的数据点映射到低维度的空间中，来减少参数维度。数据降维算法可以为Lasso方法或Ridge方法，优选采用Lasso方法，Lasso(Least absolute shrinkageand selection operator)方法是以缩小变量集(降阶)为思想的压缩估计方法。它通过构造一个惩罚函数，可以将变量的系数进行压缩并使某些回归系数变为0，进而达到变量选择的目的。
S2、建立神经网络模型。
在可能的实施例中，神经网络模型采用基于L-M算法的BP神经网络模型。BP网络(Back-ProPagation Network)又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。该神经网络模型包括输入层、隐藏层和输出层，输入层的个数为训练数据集的输入变量的个数，输出层输出传热系数或温差变形。隐藏层可以有一层或多层。在本实施例中，隐藏层为一层，包括多个神经元。
在网络设计过程中,隐层神经元数的确定十分重要。隐层神经元个数过多,会加大网络计算量并容易产生过度拟合问题；神经元个数过少,则会影响网络性能,达不到预期效果。网络中隐层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。
隐藏层的神经元个数通过遍历循环运算后对比训练误差确定。具体可以为：首先对隐藏层神经元个数的范围进行定义，将神经网络模型的初始权重设置为随机值，预设迭代次数、误差范围，激活函数采用Sigmoid。将输入变量输入神经网络模型，每次输出的数值与归一化后的输出变量对比，采用均方误差(MSE)进行评价，采用L-M算法反向更新权重，直到迭代次数达到最大值或误差在预设误差范围内，模型训练完成。循环遍历训练包含不同隐藏层神经元个数的神经网络，选择均方误差最小的神经网络模型作为最终神经网络模型。
S3、使用训练数据集训练神经网络模型；
S4、使用训练后的神经网络模型评估其他窗框断面的传热系数。
神经网络模型建立完成后，在后续设计过程中直接输入相应的设计参数，即可预测出传热系数或温差变形，为后续设计提供理论依据。经比较，通过神经网络预测出的结果误差在可接受范围内，可靠性较强。
本申请方法的每一个实例可以通过由数据处理设备如计算机执行的数据处理程序来实现。显然，数据处理程序构成了本申请。此外，通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此，这样的存储介质也构成了本发明。存储介质可以使用任何类型的记录方式，例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如CD-ROM等)、磁光存储介质(如MO等)等。
因此本申请还公开了一种非易失性存储介质，其中存储有数据处理程序，该数据处理程序用于执行本申请上述评估方法的任何一种实例。
另外，本申请所述的方法步骤除了可以用数据处理程序来实现，还可以由硬件来实现，例如，可以由逻辑门、开关、专用集成电路(ASIC)、可编程逻辑控制器和嵌微控制器等来实现。因此这种可以实现本申请所述方法的硬件也可以构成本申请。
综上所述，本发明通过将窗框断面的材料参数、环境参数和几何参数作为输入变量，将窗框断面的传热系数或温差变形作为输出变量，形成训练数据集，再对神经网络模型进行训练，训练后的神经网络模型能够实现对窗框断面的自动分析和评估，相较于现有的手动描画断面然后输入参数进行评估的方法，本发明大幅提高了窗框设计阶段的评估效率，节约了人力和时间成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
以上所述仅为本申请的较佳实例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (10)
1.一种基于神经网络的窗框断面评估方法，其特征在于，包括：建立训练数据集，所述训练数据集的输入变量包括窗框断面的材料参数、环境参数和几何参数，所述训练数据集的输出变量为窗框断面的传热系数或温差变形；建立神经网络模型；使用训练数据集训练神经网络模型；使用训练后的神经网络模型评估其他窗框断面的传热系数。
2.根据权利要求1所述的基于神经网络的窗框断面评估方法，其特征在于，所述建立训练数据集之后，还包括：对训练数据集的输入变量进行降维。
3.根据权利要求2所述的基于神经网络的窗框断面评估方法，其特征在于：所述数据降维算法为Lasso方法或Ridge方法。
4.根据权利要求1所述的基于神经网络的窗框断面评估方法，其特征在于，当所述训练数据集的输出变量为窗框断面的传热系数时，所述材料参数包括：隔热条热导率、型材热导率和泡棉热导率；
当所述训练数据集的输出变量为窗框断面的温差变形时，所述材料参数包括：隔热条的材质、型材的材质、型材的热处理状态和型材表面处理状态。
5.根据权利要求1所述的基于神经网络的窗框断面评估方法，其特征在于，当所述训练数据集的输出变量为窗框断面的传热系数时，所述几何参数包括：型材宽度、可视面高度、隔热条宽度、玻璃位置和中央胶条位置；
当所述训练数据集的输出变量为窗框断面的温差变形时，所述几何参数包括：型材纵向长度、型材宽度、可视面高度、隔热条宽度、室内外型材比例和腔体数量。
6.根据权利要求1所述的基于神经网络的窗框断面评估方法，其特征在于，当所述训练数据集的输出变量为窗框断面的传热系数时，所述环境参数包括：国别；
当所述训练数据集的输出变量为窗框断面的温差变形时，所述环境参数包括：温差。
7.根据权利要求1所述的基于神经网络的窗框断面评估方法，其特征在于，所述神经网络模型为基于L-M算法的BP神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层，所述输入层的个数为所述训练数据集的输入变量的个数，所述输出层输出传热系数或温差变形。
8.根据权利要求7所述的基于神经网络的窗框断面评估方法，其特征在于，所述隐藏层的神经元个数通过遍历循环运算后对比训练误差确定。
9.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，存储在该存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1-8中任一所述方法的指令。
10.一种存储介质，其特征在于：存储有一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798240.6A CN111881507B (zh) | 2020-08-11 | 基于神经网络的窗框断面评估方法、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798240.6A CN111881507B (zh) | 2020-08-11 | 基于神经网络的窗框断面评估方法、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881507A true CN111881507A (zh) | 2020-11-03 |
| CN111881507B CN111881507B (zh) | 2024-05-31 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005301582A (ja) * | 2004-04-09 | 2005-10-27 | Toshiba Corp | プロセス管理装置 |
| CN102759543A (zh) * | 2012-06-26 | 2012-10-31 | 中国建筑科学研究院 | 一种适用于夏热冬暖地区的建筑墙体表观传热系数现场检测方法 |
| KR20180110940A (ko) * | 2017-03-30 | 2018-10-11 | (주)우리젠 | 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템 |
| CN111209708A (zh) * | 2020-04-22 | 2020-05-29 | 西南交通大学 | 基于机器学习的桩-土相互作用预测分析方法 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005301582A (ja) * | 2004-04-09 | 2005-10-27 | Toshiba Corp | プロセス管理装置 |
| CN102759543A (zh) * | 2012-06-26 | 2012-10-31 | 中国建筑科学研究院 | 一种适用于夏热冬暖地区的建筑墙体表观传热系数现场检测方法 |
| KR20180110940A (ko) * | 2017-03-30 | 2018-10-11 | (주)우리젠 | 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템 |
| CN111209708A (zh) * | 2020-04-22 | 2020-05-29 | 西南交通大学 | 基于机器学习的桩-土相互作用预测分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何磊;: "基于BP神经网络的建筑能耗预测", 浙江建筑, no. 12 * |
| 孙澄;韩昀松;: "寒地办公建筑采暖能耗神经网络预测模型建构", 建筑学报, no. 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
| CN112988723A (zh) | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 | |
| CN108182260B (zh) | 一种基于语义选择的多变量时间序列分类方法 | |
| JP2005504367A (ja) | 監視ニューラルネットワーク学習のための組合せ手法 | |
| CN109033513B (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
| CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN115719294A (zh) | 一种室内行人流疏散控制方法、系统、电子设备及介质 | |
| CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
| CN115100466A (zh) | 一种非侵入式负荷监测方法、装置及介质 | |
| CN111968156A (zh) | 一种自适应超特征融合的视觉跟踪方法 | |
| CN117436318B (zh) | 基于物联网的智慧楼宇管理方法及系统 | |
| CN116151319A (zh) | 搜索神经网络集成模型的方法、装置和电子设备 | |
| CN111881507B (zh) | 基于神经网络的窗框断面评估方法、计算设备及存储介质 | |
| CN111881507A (zh) | 基于神经网络的窗框断面评估方法、计算设备及存储介质 | |
| CN112381213A (zh) | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 | |
| CN115346125B (zh) | 一种基于深度学习的目标检测方法 | |
| Nagarathinam et al. | PACMAN: physics-aware control MANager for HVAC | |
| Singaravel et al. | Deep neural network architectures for component-based machine learning model in building energy predictions | |
| CN116415713A (zh) | 一种基于e+和人工智能的建筑能耗预测方法 | |
| CN113065321B (zh) | 基于lstm模型和超图的用户行为预测方法及系统 | |
| CA3199683A1 (en) | Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system | |
| US20240152748A1 (en) | System and Method for Training of neural Network Model for Control of High Dimensional Physical Systems | |
| Nabil et al. | Maximum likelihood estimation of a low-order building model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |