CN112628955B - 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 - Google Patents
一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 Download PDFInfo
- Publication number
- CN112628955B CN112628955B CN202011540725.1A CN202011540725A CN112628955B CN 112628955 B CN112628955 B CN 112628955B CN 202011540725 A CN202011540725 A CN 202011540725A CN 112628955 B CN112628955 B CN 112628955B
- Authority
- CN
- China
- Prior art keywords
- control
- data
- score
- model
- control quantity
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Ventilation (AREA)
Abstract
本发明提供了一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法,包括:步骤S1:采集室内环境数据,在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型。步骤S2:系统结合实时采集到的室内环境数据,能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果。步骤S3:记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器,增加神经网络模型的样本数据集,定期进行模型的反馈训练,提高模型的准确性。采用本发明的技术方案,优化了室内通风控制过程,避免了过量通风造成的能源浪费和不足通风造成的室内环境不良的情况。
Description
技术领域
本发明属于室内空气控制技术领域,特别是涉及一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法。
背景技术
室内空气质量的控制得到了越来越多人的重视,而提高室内空气质量,降低空气污染对人体的影响的常用的方法可采用新风系统进行调节。新风系统是一种室内通风排气设备,通过控制通风设备的运行,将室外的新鲜空气按照需要输送到室内之中,保证室内的空气质量。常见的控制方法为手动控制或根据空气中某些污染成分的浓度进行自动控制。
发明内容
本发明提出了一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法,基于LSTM神经网络对室内环境参数和通风控制量建立关系模型,结合实时采集到的室内环境数据,能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果。通过评分方案一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量,既避免了过量通风造成的能源浪费也避免了不足通风造成的室内环境不良的情况。同时在系统的运行过程中实时上传室内环境参数用于更新关系模型,保持了关系模型的准确性,使得系统能够自适应动态变化的室内环境。
本发明的一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法,方案步骤如下:
步骤S1:采集室内环境数据,在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型。
步骤S2:系统结合实时采集到的室内环境数据,能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果。通过评分方案一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量,最后将最佳控制量传输给通风设备进行控制。
步骤S3:记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器,增加神经网络模型的样本数据集,定期进行模型的反馈训练,提高模型的准确性。
其中,所述步骤S1进一步包括:
步骤S11:通过手动或自动调节控制量,获取不同控制量在不同环境下所得到的控制结果(即在该控制量下运行一段时间后的室内环境数据)。
步骤S12:将获取得到的数据集,进行预处理,防止因异常数据或数据丢失对数据集造成干扰。
步骤S13:将预处理之后的数据集分割为样本集和测试集,样本集用于训练,测试集用于测试模型准确度。根据数据类别作为不同维度的输入数据输入LSTM模型进行训练,得到关系模型。
步骤S13进一步包括:
步骤S132:根据样本集构建输入和输出,输入选取连续k个时刻的室内环境参数数据和系统控制量组成。一组输入数据表示为 相对应的输出结果为选择合适网络参数和训练次数,将输入输出代入LSTM神经网络,进行训练,得到关系模型。
步骤S2根据训练好的关系模型结合实时的环境数据进行下一时刻控制结果的预测并评分,采用磷虾群算法迭代控制量,选择对应最优评分的控制结果的控制量传输给通风设备。该步骤进一步包括:
步骤S22:对预测结果进行采用本发明的评分方案进行评分。本发明的评分方案为根据污染气体含量的高低、室内环境是否结露、体感是否舒适进行分级评分。根据分级得分,进行综合计算。污染气体评分为Score1,结露评分为Score2,体感评分为Score3,综合评分Score=(λ1*Score1+λ2*Score2+λ3*Score3)/(λ1+λ2+λ3)。评分的数值越低则代表控制效果越好。
步骤S23:采用磷虾群优化算法寻找最优的迭代控制量,根据控制量的范围初始化种群X={X1,X2,X3…Xn},计算控制结果的评分Score作为每个种群的适应度K={K1,K2,K3…Kn}。种群速度的更新公式为:
其中Ni为诱导运动,Fi为觅食运动,Di为物理扩散(扰动)。种群个体会根据该速度方法移动到下一个位置,完成一次位置更新。诱导运动是隔壁种群对于该种群的影响,其表达式为:
其中ai为诱导方向,由邻居位置和最优适应度个体位置决定。wn为惯性权重在[0,1]范围之内。为先前诱导运动;Nmax为最大的诱导速度。觅食运动是食物中心(即最佳控制量位置)对于种群的吸引。其表达式为:
其中I为迭代次数。δ为随机方向矢量,在[-1,1]之间。Dmax为最大扰动速度;Imax为迭代总数;
完成位置更新之后,采用基因繁殖机制,采用交叉操作对种群进行更新,然后继续下一次迭代。迭代完成后,拥有最优适应度的种群位置即为所要求的通风控制量。
步骤S3中上传实时的室内环境参数和最优控制量到云端数据库,增加了步骤S131中的数据集,丰富了样本数据,使训练得到的关系模型更为准确。系统通过定期下载云端服务器的新的关系模型,达到适应环境的效果。
与现有技术相比,本发明利用存储在云端的室内环境数据,采用LSTM神经网络模型,进行训练,建立了室内环境和控制量之间的关系模型。再结合磷虾群优化算法,快速寻找使得下一时刻环境最优的控制量,能够使得通风的控制更为精准。同时,由于实时数据和实时控制量不断上传,云端数据集的增大,使得关系模型能随着环境的变化进行更新。定期的训练关系模型下载到系统之中,使得系统控制效率更高。
附图说明
图1为本发明提供的一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法的框架流程图。
图2为本发明提供的一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法中步骤S1的详细流程图。
图3为本发明提供的一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法中LSTM的计算流程图。
图4为本发明提供的一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法中磷虾群算法的详细流程图。
实施方式
以下将结合附图对本发明提供的技术方案作进一步说明。
由于室内环境参数之间存在着时间序列关系,前一时刻的状态对于下一时刻的状态有着一定的影响。而LSTM模型非常适合用于处理与时间序列高度相关的问题。磷虾群算法作为一个仿生优化算法,能够有效的探索搜索空间。为此,本发明一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法。
参见图1-4,本发明提供一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法,图一为本发明提供的一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法的框架流程图。整体而言,本发明包括3大步骤,步骤S1:在云端使用大量数据,基于LSTM上训练出关系模型;步骤S2:使用关系模型结合实时数据和磷虾群优化算法,找到最合适的控制量,发起控制;步骤S3:上传实时数据和控制量,增加云端的样本数据。定期训练,更新关系模型。
步骤S1:采集室内环境数据,在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型。
步骤S2:系统结合实时采集到的室内环境数据,能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果。通过评分方案一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量,最后将最佳控制量传输给通风设备进行控制。
步骤S3:记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器,增加神经网络模型的样本数据集,定期进行模型的反馈训练,提高模型的准确性。
其中,所述步骤S1进一步包括:
步骤S11:通过手动或自动调节控制量,获取不同控制量在不同环境下所得到的控制结果(即在该控制量下运行一段时间后的室内环境数据)。
步骤S12:将获取得到的数据集,进行预处理,防止因异常数据或数据丢失对数据集造成干扰。
步骤S13:将预处理之后的数据集分割为样本集和测试集,样本集用于训练,测试集用于测试模型准确度。根据数据类别作为不同维度的输入数据输入LSTM模型进行训练,得到关系模型。
步骤S13进一步包括:
步骤S132:根据样本集构建输入和输出,输入选取连续k个时刻的室内环境参数数据和系统控制量组成。一组输入数据表示为 相对应的输出结果为选择合适的网络参数和训练次数,将输入输出代入LSTM神经网络,进行训练,得到关系模型。
步骤S2根据训练好的关系模型结合实时的环境数据进行下一时刻控制结果的预测并评分,采用磷虾群算法迭代控制量,选择对应最优评分的控制结果的控制量传输给通风设备。该步骤进一步包括:
步骤S22:对预测结果进行采用本发明的评分方案进行评分。本发明的评分方案为根据污染气体含量的高低、室内环境是否结露、体感是否舒适进行分级评分。根据分级得分,进行综合计算。污染气体评分为Score1,结露评分为Score2,体感评分为Score3,综合评分Score=(λ1*Score1+λ2*Score2+λ3*Score3)/(λ1+λ2+λ3)。评分的数值越低则代表控制效果越好。
步骤S23:采用磷虾群优化算法寻找最优的迭代控制量,根据控制量的范围初始化种群X={X1,X2,X3…Xn},计算控制结果的评分Score作为每个种群的适应度K={K1,K2,K3…Kn}。种群速度的更新公式为:
其中Ni为诱导运动,Fi为觅食运动,Di为物理扩散(扰动)。种群个体会根据该速度方法移动到下一个位置,完成一次位置更新。诱导运动是隔壁种群对于该种群的影响,其表达式为:
其中ai为诱导方向,由邻居位置和最优适应度个体位置决定。wn为惯性权重在[0,1]范围之内。为先前诱导运动;Nmax为最大的诱导速度。觅食运动是食物中心(即最佳控制量位置)对于种群的吸引。其表达式为:
其中I为迭代次数。δ为随机方向矢量,在[-1,1]之间。Dmax为最大扰动速度;Imax为迭代总数;
完成位置更新之后,采用基因繁殖机制,采用交叉操作对种群进行更新,重新计算适应度,然后继续下一次迭代。迭代完成后,拥有最优适应度的种群位置即为所要求的通风控制量。
步骤S3中上传实时的室内环境参数和最优控制量到云端数据库,增加了步骤S131中的数据集,丰富了样本数据,使训练得到的关系模型更为准确。系统通过定期下载云端服务器的新的关系模型,达到适应环境的效果。
在本发明中室内环境参数包括甲醛浓度,温度,湿度,采集由传感器完成。传感器分别为温湿度传感器SHT20和甲醛传感器WZ-S。我们在阿里云端部署一个带有数据库的服务器,手动调节或通过系统循环自动改变通风设备的通风控制量,收集了2个月的传感器数据和控制量作为实验数据集。数据集被随机的分割成训练集和测试集,其中使用90%的传感器数据作为训练集,10%的传感器数据作为测试集。在训练过程中,输入数据维度为4维,分别是温度,湿度,甲醛,通风控制量。采用过去4个时刻和当前时刻一共连续5个时刻的室内环境参数来计算第6个时刻的室内环境参数,即下一时刻的室内环境参数。步长增量为0.01,训练次数为2000次。然后将生成的关系模型下载到本地系统之中进行室内环境控制实验。
在本地的室内环境控制实验中,评分采取污染气体含量的高低、室内环境是否结露、体感是否舒适进行分级评分,然后根据分级评分进行综合计算。甲醛浓度得分Score1的分级得分计算方法为:
C1<=10ppm,Score1=(C1-0)*(50-0)/(10-0);
10<C1<=30ppm,Score1=(C1-10)*(100-50)/(30-10)+50;
30<C1<=60ppm,Score1=(C1-30)*(150-100)/(60-30)+100;
60<C1<=100ppm,Score1=(C1-60)*(200-150)/(100-60)+150;
100<C1<=150ppm,Score1=(C1-100)*(300-200)/(150-100)+200;
其中C1为甲醛浓度,由传感器测得。
露点得分Score2为计算室内环境的露点温度,和当前的进风温度进行比较,如果进风温度低于室内环境的露点温度则会发生结露。结露获得正得分100,不结露得分为0。
露点td计算公式为:
td=tin-(100-hin)/5*T/300)^2-0.00135*(hin-84)^2+0.35。
其中td为露点温度,tin为室内温度,hin为室内湿度,T为室内温度(开尔文表示)。
体感得分Score3通过计算室内人体失热指数得分得到,失热指数越高,表示人体越不舒适。人体失热指数f计算公式为:
f=tin-0.55*(100-hin)/100*(tin-14.5)。
其中f为失热指数,tin为室内温度,hin为室内湿度。
失热指数分级得分计算方法为:
f<21.1,Score3=0;
21.2<f<23.8,Score3=(f-21.2)*(23.8-21.2)/(20-0);
23.9<f<26.6,Score3=(f-23.9)*(26.6-23.9)/(40-20)+20;
26.6<f<29.4,Score3=(f-26.6)*(29.4-26.6)/(60-40)+40;
f>29.5,Score3=80;
其中f为失热指数。
综合评分Score=(Score1*0.3+Score2*0.4+Score3*0.3)/(0.3+0.4+0.3)。
将综合评分作为磷虾群优化算法的种群适应值。种群位置为通风控制量的大小,区间设置为0-100。初始化种群大小为50个。
同时为了提高实验的计算准确性,在云端的关系模型训练中实验采用了科学计算包Numpy以及深度学习框架Tensorflow。
本文所述云端数据集会根据实时上传的数据进行扩充,保证当前关系模型的准确性。当数据集到达一定样本大小时,会根据当前的时间进行重新选择。优先选择距离当前时间近的数据集作为样本,例如选择从当日算起往前30天的数据集作为关系模型的训练样本。
表1本发明不同数据训练所得模型loss
关系模型(一)由前一个月数据训练得到;
关系模型(二)由当前月数据训练得到;
上表列出了不同时间段数据集合所训练出来的关系模型loss值。证明了近期数据用于训练的模型更为准确,说明了模型更新的必要。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于LSTM神经网络和磷虾群优化算法的室内通风控制方法,其特征在于,包括以下步骤:
步骤S1:采集室内环境数据,在云端基于LSTM神经网络对室内环境参数和通风控制量建立关系模型;
步骤S2:系统结合实时采集到的室内环境数据,能通过下载到本地的模型计算出在当前环境不同控制量下对应的不同控制结果;通过一个评分方案对控制结果评分并采用磷虾群优化算法迭代不同的控制量获取对应最佳评分的控制量,最后将最佳控制量传输给通风设备进行控制;
步骤S3:记录获得的实时环境数据和寻优后得到的最优控制量记录并上传至云端服务器,增加神经网络模型的样本数据集,定期进行模型的反馈训练,提高模型的准确性;
其中,所述步骤S1进一步包括:
步骤S11:通过手动或自动调节控制量,获取不同控制量在不同环境下所得到的控制结果,即在该控制量下运行一段时间后的室内环境数据;
步骤S12:将获取得到的数据集,进行预处理,防止因异常数据或数据丢失对数据集造成干扰;
步骤S13:将预处理之后的数据集分割为样本集和测试集,样本集用于训练,测试集用于测试模型准确度;根据数据类别作为不同维度的输入数据输入LSTM模型进行训练,得到关系模型;
步骤S13进一步包括:
步骤S132:根据样本集构建输入和输出,输入选取连续k个时刻的室内环境参数数据和系统控制量组成;一组输入数据表示为 相对应的输出结果为选择合适的网络参数和训练次数,将输入输出代入LSTM神经网络,进行训练,得到关系模型;
步骤S2根据训练好的关系模型结合实时的环境数据进行下一时刻控制结果的预测并评分,采用磷虾群算法迭代控制量,选择对应最优评分的控制结果的控制量传输给通风设备;该步骤进一步包括:
步骤S22:对预测结果进行采用评分方案进行评分;评分方案为根据污染气体含量的高低、室内环境是否结露、体感是否舒适进行分级评分;根据分级得分,进行综合计算;污染气体评分为Score1,结露评分为Score2,体感评分为Score3,综合评分Score=(λ1*Score1+λ2*Score2+λ3*Score3)/(λ1+λ2+λ3);评分的数值越低则代表控制效果越好;
步骤S23:采用磷虾群优化算法寻找最优的迭代控制量,根据控制量的范围初始化种群X={X1,X2,X3…Xn},计算控制结果的评分Score作为每个种群的适应度K={K1,K2,K3…Kn};种群速度的更新公式为:
其中Ni为诱导运动,Fi为觅食运动,Di为物理扩散;种群个体会根据该速度方法移动到下一个位置,完成一次位置更新;诱导运动是隔壁种群对于该种群的影响,其表达式为:
其中I为迭代次数;δ为随机方向矢量,在[-1,1]之间;Dmax为最大扰动速度;Imax为迭代总数;
完成位置更新之后,采用基因繁殖机制,采用交叉操作对种群进行更新,然后继续下一次迭代;迭代完成后,拥有最优适应度的种群位置即为所要求的通风控制量;
步骤S3中上传实时的室内环境参数和最优控制量到云端数据库,增加了步骤S131中的数据集,丰富了样本数据,使训练得到的关系模型更为准确;系统通过定期下载云端服务器的新的关系模型,达到适应环境的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540725.1A CN112628955B (zh) | 2020-12-23 | 2020-12-23 | 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540725.1A CN112628955B (zh) | 2020-12-23 | 2020-12-23 | 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112628955A CN112628955A (zh) | 2021-04-09 |
CN112628955B true CN112628955B (zh) | 2022-03-01 |
Family
ID=75321704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011540725.1A Active CN112628955B (zh) | 2020-12-23 | 2020-12-23 | 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112628955B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268098B (zh) * | 2021-06-23 | 2022-09-23 | 上海市建筑科学研究院有限公司 | 一种室内环境调控方法及系统 |
CN114048537B (zh) * | 2021-11-22 | 2022-11-25 | 盈嘉互联(北京)科技有限公司 | 一种基于bim和交叉样本学习的室内环境状态预测方法 |
CN114383295B (zh) * | 2021-12-15 | 2023-05-16 | 金陵科技学院 | 一种基于室内污染浓度估计模型的通风控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
CN110395286A (zh) * | 2019-08-02 | 2019-11-01 | 中南大学 | 一种列车车内空气品质监测与通风调控方法、系统 |
JP2019203670A (ja) * | 2018-05-25 | 2019-11-28 | アズビル株式会社 | 空調制御装置および方法 |
CN110781969A (zh) * | 2019-10-30 | 2020-02-11 | 龙岩烟草工业有限责任公司 | 基于深度强化学习的空调风量控制方法、装置以及介质 |
CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
-
2020
- 2020-12-23 CN CN202011540725.1A patent/CN112628955B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
JP2019203670A (ja) * | 2018-05-25 | 2019-11-28 | アズビル株式会社 | 空調制御装置および方法 |
CN110395286A (zh) * | 2019-08-02 | 2019-11-01 | 中南大学 | 一种列车车内空气品质监测与通风调控方法、系统 |
CN110781969A (zh) * | 2019-10-30 | 2020-02-11 | 龙岩烟草工业有限责任公司 | 基于深度强化学习的空调风量控制方法、装置以及介质 |
CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112628955A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112628955B (zh) | 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 | |
Lample et al. | Hypertree proof search for neural theorem proving | |
CN109635790A (zh) | 一种基于3d卷积的行人异常行为识别方法 | |
Ziyu et al. | A modified particle swarm optimization with an adaptive acceleration coefficients | |
CN110728401A (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
CN108426812A (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
CN109634098A (zh) | 一种育肥猪舍环境调控系统及方法 | |
CN111709511A (zh) | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 | |
CN109214579A (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
CN115081595A (zh) | 基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法 | |
CN115374689A (zh) | 基于改进麻雀搜索算法优化的空气质量指数预测方法 | |
CN106644983A (zh) | 一种基于pls‑vip‑aco算法的光谱波长选择方法 | |
CN108491686B (zh) | 一种基于双向XGBoost的基因调控网络构建方法 | |
CN114154401A (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 | |
CN111680762B (zh) | 中药材适生地的分类方法及装置 | |
CN108805253A (zh) | 一种pm2.5浓度预测方法 | |
CN115907366A (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
CN115860044A (zh) | 基于改进松鼠搜索算法的短期电力负荷预测方法 | |
CN116089710A (zh) | 自适应深度知识追踪个性化学习推荐方法 | |
CN110189227A (zh) | 基于主成分分析与反向传播神经网络的内幕交易辨别方法 | |
Cao et al. | Adaptive bacterial foraging optimization based on roulette strategy | |
CN113050745B (zh) | 选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法 | |
Hasibuan et al. | Optimization Of Feature Weight TheVoting Feature Intervals 5 Algorithm Using Partical Swarm Optimization Algorithm | |
Rosli et al. | Dengue outbreak prediction using an improved salp swarm algorithm | |
CN111400970A (zh) | 一种工业多相流过程参数学习与优化的方法 |
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 | ||
GR01 | Patent grant |