建築能耗分析中的數據挖掘與機器學習（簡體書）

建築的能源性能受很多因素的影響，本書針對建築的複雜特性，重點研究用新的數據挖掘和機器學習方法來對建築能耗進行準確的預測、分析或者故障檢測/診斷。本書涉及建築能耗分析的建模及用於模型降階與並行計算的技術和相關算法，同時提出了新的算法用於能耗分析預測及建築能耗故障檢測/診斷，既有一定的理論深度，又有較好的應用寬度。我國建築能耗占社會總能耗很大的比例，目前對建築能耗分析的理論、技術和方法所做的研究工作與國際先進水平有相當大的差距，在實際建築中實施建築能耗管理與分析的水平也較低。因此，當前特別迫切需要學習並借鑒國外在建築能耗管理、優化控制與評估上的先進理論、技術與實施經驗。
本書很好地填補了我國在建築能耗相關領域的研究與應用的空白，對從事能源管理和能源效率的知識發現和數據挖掘研究領域的工程師有很大的吸引力，本書提出的算法對與建築能耗分析相關的工程領域的研究生有很好的借鑒作用，對設計建築的工程師也有很好的指導作用。後，對於建築能耗的預測分析對我國的建築能耗管理也有很好的促進作用。

費雷德里克‧馬克爾斯 (Frederic Magoules)，為法國巴黎高等師範學校教授和匈牙利佩克大學名譽教授。其研究主要集中於並行計算、數值線性代數和機器學習。

譯者序
原書序
原書前言
第 1章　建築能耗分析概述 //1
1.1　簡介 //1
1.2　物理模型 //2
1.3　灰色模型 //3
1.4　統計模型 //4
1.5　人工智能模型 //5
1.5.1　神經網絡 // 5
1.5.2　SVM // 7
1.6　現有模型的比較 //8
1.7　小結 //9
第2章　建築能源分析的數據采集 //10
2.1　簡介 //10
2.2　調查或問卷調查 //10
2.3　測量 //12
2.4　仿真 //14
2.4.1　仿真軟件 // 15
2.4.2　仿真過程 // 16
2.5　數據不確定性 //19
2.6　校準 //20
2.7　小結 //21
第 3章　人工智能模型 //23
3.1　簡介 //23
3.2　ANN //24
3.2.1　單層感知器 // 24
3.2.2　前饋神經網絡 // 25
3.2.3　RBF網絡 // 26
3.2.4　RNN // 27
3.2.5　RDP // 28
3.2.6　神經網絡的應用 // 30
3.3　SVM //31
3.3.1　SVC // 31
3.3.2　ε-SVR // 34
3.3.3　一類 SVM // 36
3.3.4　多類 SVM // 37
3.3.5　ν-SVM // 38
3.3.6　直推式 SVM // 39
3.3.7　二次型問題求解器 // 40
3.3.8　SVM的應用 // 46
3.4　小結 //47
第 4章　建築能耗分析中的人工智能 //48
4.1　簡介 //48
4.2　建築能耗預測中的 SVM //48
4.2.1　能耗預測定義 // 48
4.2.2　實際問題 // 49
4.2.3　SVM用於預測 // 52
4.3　神經網絡用於故障檢測和診斷 //56
4.3.1　故障描述 // 58
4.3.2　故障檢測中的 RDP // 58
4.3.3　故障診斷中的 RDP // 61
4.4　小結 //63
第 5章　SVM的模型降階 //64
5.1　簡介 //64
5.2　模型降階概述 //64
5.2.1　包裝器方法 // 65
5.2.2　濾波器方法 // 65
5.2.3　嵌入式方法 // 66
5.3　模型降階用於能耗 //66
5.3.1　簡介 // 66
5.3.2　算法 // 67
5.3.3　特徵集描述 // 68
5.4　獨棟建築能耗的模型降階 //69
5.4.1　特徵集選擇 // 69
5.4.2　實驗評價 // 71
5.5　多棟建築能耗的模型降階 //72
5.6　小結 //74
第 6章　SVM的並行計算 //75
6.1　簡介 //75
6.2　並行 SVM概述 //75
6.3　並行二次問題求解器 //76
6.4　基於 MPI的並行 SVM //78
6.4.1　信息傳遞接口編程模型 // 78
6.4.2　Pisvm // 80
6.4.3　Psvm // 80
6.5　基於 MapReduce的並行 SVM //81
6.5.1　MapReduce編程模型 // 81
6.5.2　緩衝技術 // 82
6.5.3　稀疏數據表示 // 83
6.5.4　MRPsvm和 Pisvm的比較 // 83
6.6　基於 MapReduce的並行ε-SVR //85
6.6.1　實施方面 // 85
6.6.2　能耗數據集 // 86
6.6.3　建築能耗預測評價 // 87
6.7　小結 //89
第 7章　建築能耗分析的總結與展望 //90
參考文獻 //92