一、CMAC神经网络在热舒适度测试中的应用（论文文献综述）
张继柱[1]（2020）在《面向智慧家庭的环境舒适度调节软件的研究与设计》文中指出随着智能家居产品的不断普及和人们对于美好生活渴望的不断增强,家庭环境舒适度得到了人们越来越多的关注。本文引入了ISO7730标准中的PMV指标对家庭环境舒适度进行研究。该指标涉及了室内空气温度、室内风速、平均辐射温度、相对湿度、服装热阻率、人体活动量和人体所做机械功7个方面。传统的温度控制系统并不能科学地完成对环境舒适度的调节。本文收集并分析了用户的环境历史数据,完成家庭环境舒适度调节软件的开发,可以满足用户对于舒适度调节方面的个性化需求。1.研究家庭环境下舒适度调节的现状。本文研究家庭环境舒适度和神经网络的发展状况,并阐述在智能家居中进行舒适度自主调节的重要意义。2.设计舒适度调节软件的整体方案。本文对舒适度调节软件进行系统体系架构、需求和性能进行分析,给出舒适度调节软件的设计方案。同时对软件使用到的关键技术进行分析和研究。3.开发支持软件运行的主要设备。主要设备有底层节点和家庭网关。底层节点可以分为控制类节点和传感类节点,采用CC2530作为主控芯片,使用Zig Bee实现无线组网。节点开发包括电源电路、复位电路、串口电路和CC2530主芯片电路。家庭网关包含RT5350主芯片电路、协调器电路、内存电路和电源电路等。4.开发家庭环境舒适度调节软件。舒适度调节软件使用了Django框架的MVT模型来开发软件的各个功能模块。软件的功能包括家庭数据信息管理模块、用户管理模块、室内舒适度调节模块、设备信息管理模块和家居电器控制模块。舒适度调节模块使用BP神经网络求解PMV指标,通过改变室内的温度和湿度对环境舒适度进行调节,解决了在传统PMV求解中需要不断迭代、时效性差的问题。5.搭建环境舒适度调节软件的测试环境。按照软件质量测试标准GB/T25000.51-2016和GB/T25000.51-2016的要求,本文对舒适度调节软件进行了软件功能、软件性能和软件兼容性的测试。测试结果显示软件满足用户对于家庭环境舒适度调节的需求。软件的功能、软件性能和软件的兼容性符合相关测试要求。
黄志远[2]（2020）在《面向舒适度与能耗同时优化的直膨式空调模拟与控制策略开发研究》文中提出相比于冷水式中央空调机组,直膨式空调系统结构简单,易于维护,广泛应用于中小型建筑中,因此又被称为家用空调。2018年,中国每百户居民空调拥有量已经达到109.3台。虽然单台空调能耗不大,但考虑到其庞大的总量,空调能耗问题值得研究。目前针对降低空调能耗的研究工作绝大部分集中在提升设备性能上（如改善压缩机性能或提升换热器的效率等）。相对地,其控制目标和策略却依然简单。市场上的空调往往仅具备温度控制功能,很少具备精确控制温湿度功能,更遑论对温湿度控制目标进行优化。而控制室内湿度对于塑造合适的室内热舒适环境以及良好的室内空气品质都是至关重要的。过高或过低的湿度都会给人体造成不适。另一方面,室内温湿度除了影响用户的舒适度,还会影响室内负荷和空调能效,进而影响能耗。合适的室内温湿度设定点可以在满足室内舒适度的同时降低能耗。本文首先介绍了变频空调节能控制算法的相关研究,之后对本研究采用的温湿度同时控制算法进行阐述。接下来介绍了在本课题中的所使用的直膨式空调实验台,依据实验台获得的数据,在探讨了各种建模方法的优劣后,选择神经网络建模方法建立空调模型。通过模拟和文献调研等手段,研究了室内温湿度设定点对空调能效、室内负荷的影响,在此基础上设计直膨式空调控制策略,该控制策略可以基于舒适度与能耗对室内温湿度进行优化控制。本文详细阐述了该控制策略的结构并通过实验验证其控制效果。实验结果表明,该控制策略能够根据需求在满足舒适度的基础上实现节能,实验工况下节能可达20%以上,同时可以在一定程度上避免出现负荷超出降温除湿能力范围导致的温湿度设定点控制不到的问题。该控制策略还具备学习功能,能够根据用户反馈实现定制化的室内热舒适度控制。
江永芹[3]（2019）在《建筑室内热环境智能建模方法研究》文中研究表明在北方冬季,采暖普遍存在于家家户户,人们对一个舒适的热环境要求越来越高,因此,建筑室内热环境的舒适性与降低能源消耗是目前智能建筑研究的热点。室内温度是评估室内舒适与否最直观的评价指标,目前对于冬季北方大部分地区,室内热环境主要通过采暖来实现温度的调节,不能满足人们对舒适度的要求,这其中的能源消耗量也很高。影响室内热环境的参数存在非线性、多变量和环境复杂性等因素,很难建立室内热环境的系统模型和实现热舒适度的智能化控制,因此构建一个室内热环境模型是亟待解决的事情。本文针对人们对于室内环境舒适、节能以及健康的要求,对室内热环境建模进行了相应的研究。本文的研究内容如下:（1）通过阅读文献,了解和分析国内外针对室内热环境建模和舒适度方面的研究现状。目前存在模型训练时间长、气象参数不易获取、数据不完备等缺陷,以此确定解决方案。（2）针对室内热环境影响参数多、数据不易获取等问题,搭建室内热环境参数数据采集系统,采集室内采暖系统中热水供给房间的热量,利用采集到的数据进行仿真实验,解决了数据不完备、数据不准确的问题。（3）针对北方冬季采暖热量供给,存在能源严重浪费的问题,利用建筑热环境先验知识和室内热环境参数采集系统采集的数据,借鉴已有的建筑室内空间神经网络建模方法,建立以热区制热量为输入、室内温度值为输出、微气候参数等为干扰的基于BP神经网络的室内热环境模型,此模型可用于室内热环境温度预测,解决了因供给室内热量过多造成的能耗浪费问题。（4）选取平均热感觉指数（Predicted Mean Vote,PMV）作为表征人体热反应的评价指标,搭建数据采集平台,采集数据,用PMV公式计算出PMV值。面向室内热环境,建立以室内温度、室内湿度、平均辐射温度和室内风速为输入,以PMV值为输出的基于BP神经网络和PSO-BP神经网络的PMV值智能预测模型。通过大量的仿真实验,对PMV智能预测模型的可行性进行验证。
李泽[4]（2019）在《基于客舱热舒适的飞机地面空调控制策略研究》文中进行了进一步梳理随着民航业的发展,乘客和机组工作人员对飞机地面作业过程中客舱热舒适的要求越来越高。对客舱热舒适做出衡量并在此基础上设计合理的地面空调控制策略,可以有效改善客舱热舒适。本文针对飞机地面空调控制,引入PMV作为客舱热舒适评价指标,提出了基于CS-BPNN的客舱PMV预测方法,并以PMV为控制目标提出了基于PMV和改进SOA的飞机地面空调控制方法,具体内容如下:首先,针对客舱热舒适缺乏评价指标,以客舱环境参数特点为基础,结合热舒适评价指标的性能、适用范围和优缺点,选取PMV作为评价指标。并基于人体热平衡对PMV建模,根据实测数据对PMV模型简化,利用matlab对PMV编程分析。然后,针对PMV存在的使用误差、耦合性、非线性和迭代性,提出了基于CS-BPNN的PMV预测方法,对比现有的GA-BPNN和PSO-BPNN预测算法,本文提出的算法全局搜索能力更好、预测误差更小。最后,针对地面空调控制效果不佳,在地面空调控制模型建模的基础上,提出了基于PMV和改进SOA的飞机地面空调控制方法,对比PID控制、模糊PID和SOA-PID控制方法,结果表明改进SOA-PID控制方法调节时间更短、误差更小。
施迎初[5]（2019）在《基于BP神经网络与多目标优化算法的空间参数优化研究》文中进行了进一步梳理随着建筑优化领域的不断发展,越来越多的优化方法如雨后春笋般涌现,其中不乏各类智能优化算法。这类智能优化算法在优化过程中通常依托于传统的建筑性能模拟方法获取建筑性能指标以进行优化。然而,智能优化算法一般需要大规模的计算,同时,建筑性能模拟所需的时间往往受制于建筑模型的复杂程度与计算机的配置,这便导致性能优化时间过长而无法给予工程中的设计师以高效准确的反馈,以智能优化算法为依托的建筑性能优化方法主要应用于科学研究而难以投入到实际工程之中。因此,基于BP神经网络与SPEA-II多目标优化算法,本文搭建了准确高效的建筑性能预测与优化平台以辅助设计师决策。首先,本文对以建筑空间参数为优化变量的建筑性能预测与优化问题进行了数学建模。以寒冷地区中小型高铁站为案例,本文研究了中小型高铁站模型的生成方法,并分析总结了预测与优化模型的决策变量与目标函数以及适合中小型高铁站的建筑性能模拟方法和数据处理方法。本文最终以建筑空间参数为决策变量,建筑能耗与建筑室内热舒适度为目标函数,在参数化设计平台上搭建了建筑性能预测与优化平台。其次,本文对建筑性能预测模型的训练过程与预测结果进行了分析与验证。本文先针对BP神经网络的模型选优过程进行了详细地分析,并最终确定了合适的BP神经网络拓扑结构。其次,本文对BP神经网络的性能进行了定量的分析与验证,包括能耗及热舒适度的预测精度以及预测稳定性等。最终结论表明,基于BP神经网络的建筑性能预测模型性能较优,能够满足工程需求。最后,本文结合BP神经网络预测模型与SPEA-II算法模型对案例的优化结果进行了定量与定性分析并以可视化的形式呈现。定量分析包括解集的进化过程,收敛过程,解集的综合质量评价等,定性分析包括Pareto前沿以及最优建筑方案分析。最终结论表明,该平台预测与优化能够给出准确可靠的最优解,最优建筑方案合理性较强,工程应用价值较高。本文的创新点主要在于以下两方面:1、本文搭建了以建筑性能设计为导向,以准确高效反馈为前提的参数化平台,为设计师在方案设计初期阶段提供了可信度较高的设计指导工具。2、本文借助参数化设计的优势,对方案设计初期阶段最为重要的参数之一—空间参数进行了建模,并以算法为支撑,验证了以建筑能耗与建筑室内热舒适度为目标的优化可行性,为建筑优化提供了一定的理论指导。
王晓冰[6]（2018）在《基于人体舒适度的智能空调节能控制》文中研究表明随着物联网技术在智能家电领域的持续研究和成熟应用,个性化、舒适性的智能家电设计成为未来的研究方向。人们在炎热的夏季享受空调带来清凉的同时,越来越多的人希望空调能够按照人体舒适度自适应调节空调工作模式,这也成为新一代空调的研究方向。此外,在夏季用电高峰期空调成为城市供电系统的沉重负担,因此对空调进行节能控制显得尤为重要。本文以提高空调的舒适性和节能性为目标,研究并设计了基于人体舒适度的智能空调控制系统,在满足用户舒适的前提下尽可能的减少能耗,为用户提供更加舒适节能的生活环境,在一定程度上缓解城市用电压力。本文对空调控制技术与人体舒适度理论的研究现状进行调研,结合物联网技术进行本课题的研究。通过分析系统功能需求,给出了基于人体舒适度的智能空调控制系统的总体设计方案以及由智能空调控制终端、NB-IoT云平台和智能空调管理与控制平台组成的系统框架;详细阐述了以STM32为主控芯片的智能空调控制终端的软硬件设计思路,主要包括数据采集模块、NB-IoT无线模组、红外控制模块等;重点研究了基于概率神经网络的人体舒适度模型;设计了以B/S架构、SSH框架和MVC设计模式为基础的智能空调管理与控制平台,平台包含人体舒适度模型,利用采集的数据进行舒适度预测并给出空调的控制策略;研究了智能空调控制终端与空调的通信协议、智能空调控制终端与NB-IoT云平台的通信协议以及NB-IoT云平台与智能空调管理与控制平台的通信协议。系统中NB-IoT云平台是数据收发的中转站,只提供数据访问接口。最后对智能空调控制系统进行了总体联调。测试结果表明,智能空调控制系统的硬件电路运行稳定,各部分之间数据传输准确,能够对空调实现自适应控制;基于概率神经网络训练的舒适度模型对舒适度的预测能够符合大多数人的感受;在保证用户舒适的前提下,利用本文提出的空调自适应控制方法相比于将空调设置为某一固定工作模式更加节能。本文的研究实现了在保持人体舒适的前提下减少空调能耗的目标,为新一代空调的研究提供了解决方案,提高了用户舒适度体验,实现了NB-IoT技术在空调远程控制中的应用。
冯鑫[7]（2016）在《住宅室内环境舒适度控制装置》文中指出温室效应、臭氧层破坏、能源短缺是人类在工业化进程中出现的三大问题,工业技术的发展以及人们对舒适性居住环境的追求造成了大量能源的消耗。家用空调在节能方面具有很大的潜力,但必须在不牺牲室内人员舒适度的情况下降低能耗,舒适度控制策略及控制装置的研究具有应用价值。因此,本课题在研究热舒适理论及其控制策路的基础上,采用PMV舒适度指标,以ARM9嵌入式系统为设计平台,设计室内舒适度控制装置的硬件电路和软件开发流程,在保证室内人体热舒适度的前提下,最大限度的实现节约能源的目的,并实现室内环境参数在云平台上的远程监控。本文的研究工作主要有几个方面：（1）阐述了住宅室内舒适度控制策略以及控制装置的发展状况,研究控制装置系统的工作原理,设计出住宅室内舒适度控制装置的总体方案,完成装置各部分器件的选型及电路设计。（2）研究室内热舒适度控制策略,通过实验采集到的数据,建立基于HCMAC神经网络的热舒适度指标软件测量模型与室内空调能耗模型,通过多目标粒子群优化算法,得到动态舒适度控制策略中热环境最优参数设定值。（3）设计室内无线传感网络节点,节点采用ATMEL公司的ATMEGA128L作为主控芯片,并具有环境参数采集传感器、SPI通信接口、RS-485通信接口和无线通信接口。搭建起基于ZigBee协议的无线传感网络,便于室内温度、湿度、光照度等环境参数的检测与控制。（4）开发Linux操作系统上舒适度控制装置主控制器,完成Linux系统内核配置与系统移植,利用Qt/Embedded Designer工具开发良好的人机交互界面,数据库采用嵌入式数据库SQLite进行开发,实现历史数据的查询。（5）设计室内环境舒适度远程监控平台,实现室内环境舒适度控制装置与公共能源云平台的对接,将采集到室内环境数据通过网关上传至云平台,实现室内环境状况的远程监控。（6）对课题的研究内容进行总结,对系统不足之处进行说明,对系统今后的改进之处进行了展望。
江沸菠,申艳妮,甘巧[8]（2014）在《基于Elman神经网络的PMV参数预测建模》文中指出传统PMV指标计算方法具有复杂度高、延时大的缺陷.根据PMV参数的时变特征,利用Elman神经网络建立PMV参数预测模型,实现对热舒适度的在线监测.模型以温度、相对湿度、风速和平均辐射温度为输入,以PMV指标为预测输出,具有良好的泛化能力.仿真结果表明该方法的预测结果与数值计算的结果相近,同时训练后神经网络的计算时间优于传统方法的计算时间.
孙晓宇[9]（2015）在《中央空调系统双模式控制策略研究》文中研究指明随着人们生活水平和质量的不断提高,空调普及率越来越高,空调所营造的热舒适环境的好坏严重影响着人们的生活质量与工作效率。我国建筑能耗占社会总能耗30%左右,而空调又是建筑能耗中的能耗大户。故在智能建筑领域空调控制系统的设计如何同时满足节能性与环境舒适性的要求显得日益重要。变风量空调系统作为中央空调系统中一种节能效果较为显着的系统,将成为今后空调领域研究的核心对象。但是变风量空调系统本身具有不确定性、多变量、非线性、大滞后和时变性等特点,传统PID控制策略难以满足其动态控制的要求。空调系统中对空气的处理过程具有很强的季节性,所以在室内外条件发生显着变化时适时地改变运行调节方式,将使空调系统在全年运行过程中更加合理,能够充分发挥空调系统作为空气处理设备的能力,得到良好的节能效果。本文首先从节能和调节室内环境舒适性的理念出发,分析了空调系统结构、分类和基本工作原理,及存在的问题后,针对变风量空调系统所具有的大干扰、时变性等特性提出了单模式和双模式多种控制器的改进控制策略。并运用改进型CMAC神经网络控制器、T-S模糊神经网络控制器和基于遗传算法的改进RBF神经网络预测控制等不同控制算法对其进行控制研究。并将模糊神经网络与预测控制相结合,在线建立被控对象神经网络预测模型,同时对控制器与预测器分别采用新的优化算法,并利用预测输出与实际输出的差值在线调整预测器参数,实现空调系统的预测控制。提出并行多变量双模式控制方式,该方法将风量调节与温度调节相结合,根据温差大小来选择控制模式,合理利用新风,避免了能源的浪费,基于二氧化碳浓度调节的双模式控制的控制是在并行多变量双模式控制的基础之上引入了二氧化碳浓度的调节,改善了并行多变量双模式控制方式需要进行大量量实验验证标准温差ek的缺点,预测房间温度和二氧化碳浓度的未来变化趋势,选用室内二氧化碳浓度作为调节标准,实现了室内空气质量调节以及控制系统节能的目标。确定房间数学模型,并通过MATLAB仿真实验将所提出的控制方法进行比较分析,寻求最优的控制策略。仿真结果表明:双模式控制策略的效果优于单模式控制策略。在实际工程中的应用测试结果也表明双模式空调控制具有稳定性好、舒适度提高、节能效果显着等特点。
张玲[10]（2014）在《空调热舒适度预测及控制算法研究》文中研究表明随着生活水平的不断提高，人们对生活品质的要求也愈来愈高。在现代生活中，人类的工作、娱乐、生活等大部分时间均处于室内，因此，人们对室内环境品质的需求也越来越高。为顺应人们对舒适、节能、健康的室内环境的追求，本文对室内环境热舒适度预测建模与室内环境热舒适度控制在空调系统中的应用做了相应研究。针对热舒适度预测是一个复杂的非线性过程，不便于空调的实时控制应用的问题，本文提出一种改进的粒子群算法（PSO）优化反向传播（BP）神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值，改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时，本文针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点，提出了相应改进策略，进一步提高了PSO优化BP神经网络的能力。实验结果表明：基于改进的PSO-BP算法的热舒适度预测模型较传统BP模型和标准PSO-BP模型，具有预测精度高且算法收敛速度快的特点。本文针对室内环境热舒适度控制在空调系统中应用实现的问题，做了控制变量、控制方式、控制算法等分析比较研究，并最终确定以温度与风速作为系统中的控制变量，以热舒适度的直接控制方式结合智能模糊控制算法实现室内环境的热舒适度控制。同时，本文通过对模糊控制器的设计步骤与设计要点的研究，设计了热舒适度模糊控制器，并对空调系统的热舒适度模糊控制器进行了仿真实现。仿真结果表明，本文设计的模糊控制器性能比传统PID控制器更佳，并且采用热舒适度模糊控制的空调系统比传统温度控制的空调系统能进行更好的热舒适度控制，并能提供更舒适度的室内环境。
二、CMAC神经网络在热舒适度测试中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、CMAC神经网络在热舒适度测试中的应用（论文提纲范文）
（1）面向智慧家庭的环境舒适度调节软件的研究与设计（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 家庭环境舒适度研究现状 |
| 1.2.2 神经网络技术研究现状 |
| 1.3 课题主要研究内容 |
| 1.4 论文的组织结构 |
| 第2章 系统方案设计及关键技术研究 |
| 2.1 系统需求分析 |
| 2.1.1 系统体系架构及功能需求分析 |
| 2.1.2 系性能需求分析 |
| 2.2 系统总体方案设计 |
| 2.2.1 系统总体架构设计 |
| 2.2.2 系统的功能设计 |
| 2.3 系统的关键技术 |
| 2.3.1 OpenWRT技术 |
| 2.3.2 Web应用的MVT技术 |
| 2.3.3 神经网络技术 |
| 2.4 本章小结 |
| 第3章 主要设备的设计与实现 |
| 3.1 底层节点的开发与设计 |
| 3.1.1 底层节点硬件开发 |
| 3.1.2 底层节点软件开发 |
| 3.2 网关的设计与开发 |
| 3.2.1 网关的硬件开发 |
| 3.2.2 网关的软件开发 |
| 3.3 本章小结 |
| 第4章 环境舒适度调节软件的设计与实现 |
| 4.1 舒适度调节软件的整体设计 |
| 4.2 数据库的设计与实现 |
| 4.2.1 数据库逻辑模型的设计 |
| 4.2.2 数据库物理模型的设计与实现 |
| 4.3 环境舒适度指标PMV求解 |
| 4.3.1 环境舒适度指标PMV的计算 |
| 4.3.2 迭代法求解PMV指标 |
| 4.3.3 神经网络求解PMV指标 |
| 4.4 软件功能模块的设计与实现 |
| 4.4.1 用户登陆及注册功能 |
| 4.4.2 用户管理功能 |
| 4.4.3 设备管理功能 |
| 4.4.4 舒适度调节功能 |
| 4.4.5 家电控制功能 |
| 4.4.6 数据管理功能 |
| 4.5 本章小结 |
| 第5章 测试与验证 |
| 5.1 测试目标 |
| 5.2 测试方法 |
| 5.2.1 测试方法 |
| 5.2.2 测试环境 |
| 5.3 功能测试 |
| 5.3.1 软件注册和登录功能测试 |
| 5.3.2 用户管理功能测试 |
| 5.3.3 设备管理功能测试 |
| 5.3.4 家电控制功能测试 |
| 5.3.5 舒适度调节功能测试 |
| 5.3.6 数据管理功能测试 |
| 5.4 非功能测试 |
| 5.4.1 舒适度调节软件的性能测试 |
| 5.4.2 舒适度调节软件的兼容性测试 |
| 5.5 测试结果分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（2）面向舒适度与能耗同时优化的直膨式空调模拟与控制策略开发研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 家用空调变频控制策略概述 |
| 1.1.1 常见的家用空调变频控制策略 |
| 1.1.2 家用空调节能控制策略 |
| 1.2 基于算法解耦的温湿度控制方法 |
| 1.2.1 基于算法解耦的温湿度控制方法基本原理 |
| 1.2.2 基于算法解耦的温湿度控制方法相关算法研究 |
| 1.2.3 基于算法解耦的温湿度控制方法不足 |
| 1.3 本文的主要研究内容 |
| 2 直膨式空调实验系统 |
| 2.1 制冷系统 |
| 2.2 空气系统 |
| 2.3 数据采集与设备控制系统 |
| 2.4 实验条件与实验数据 |
| 2.5 本章小结 |
| 3 直膨式空调系统模拟研究 |
| 3.1 空调建模方法概述 |
| 3.1.1 基于物理原理的建模方法 |
| 3.1.2 基于数据驱动的建模方法 |
| 3.1.3 混合建模方法 |
| 3.2 空调制冷量神经网络模型建立及验证 |
| 3.2.1 空调制冷量神经网络模型建立 |
| 3.2.2 空调制冷量神经网络模型训练与验证 |
| 3.3 空调神经网络模型应用——一种新的湿度测量方法 |
| 3.4 本章小结 |
| 4 室内温湿度对空调能耗的影响 |
| 4.1 负荷不变时室内温湿度设定点对空调能耗的影响 |
| 4.1.1 湿度对空调能效的影响 |
| 4.1.2 温度对空调能效的影响 |
| 4.1.3 温湿度同时变化对空调能效的影响 |
| 4.2 室内温湿度设定点对房间负荷的影响 |
| 4.3 本章小结 |
| 5 面向舒适度与能耗同时优化的直膨式空调控制策略设计 |
| 5.1 面向舒适度与能耗同时优化的直膨式空调控制策略结构 |
| 5.1.1 权重模糊逻辑控制算法 |
| 5.1.2 兼顾舒适度与能耗的温湿度设定点寻优算法 |
| 5.2 面向舒适度与能耗同时优化的直膨式空调控制策略控制效果 |
| 5.2.1 面向舒适度与能耗同时优化的直膨式空调控制策略控制效果 |
| 5.2.2 负荷超出降温除湿能力范围时控制效果 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 攻读硕士期间科研成果及所获奖励 |
（3）建筑室内热环境智能建模方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑热环境能耗模型 |
| 1.2.2 热舒适度预测方法 |
| 1.2.3 粒子群优化算法 |
| 1.3 论文研究内容及组织 |
| 1.3.1 研究内容及创新点 |
| 1.3.2 本文的组织结构 |
| 第二章 热舒适度和BP神经网络基础理论 |
| 2.1 热舒适度基础理论 |
| 2.1.1 热舒适度的主要影响因素 |
| 2.1.2 室内热环境评价指标 |
| 2.2 BP神经网络基础理论 |
| 2.2.1 BP神经网络模型及其基本原理 |
| 2.2.2 BP神经网络预测流程 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络的建筑室内热环境模型 |
| 3.1 室内热环境模型 |
| 3.1.1 建筑室内热环境数据采集系统 |
| 3.1.2 实验参数的确定 |
| 3.1.3 实验结果与分析 |
| 3.2 室内热环境能耗预测模型 |
| 3.2.1 实验参数的确定 |
| 3.2.2 实验结果与分析 |
| 3.3 本章小结 |
| 第四章 基于PSO-BP神经网络的热舒适度PMV值智能预测模型 |
| 4.1 基本粒子群算法 |
| 4.2 PSO-BP神经网络原理 |
| 4.3 基于PSO-BP神经网络的热舒适度PMV值预测模型 |
| 4.3.1 数据采集系统 |
| 4.3.2 实验参数的确定 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（4）基于客舱热舒适的飞机地面空调控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 热舒适评价指标研究现状 |
| 1.2.2 飞机地面空调研究现状 |
| 1.2.3 热舒适控制研究现状 |
| 1.3 舒适控制特点 |
| 1.4 本文的主要工作 |
| 第二章 客舱热舒适影响因素分析 |
| 2.1 热舒适理论概述 |
| 2.2 客舱热舒适评价指标选取 |
| 2.2.1 常用热舒适指标 |
| 2.2.2 热舒适指标选取原则 |
| 2.3 PMV模型建立 |
| 2.3.1 人体热平衡 |
| 2.3.2 乘客与客舱环境的对流换热量 |
| 2.3.3 乘客与客舱环境的辐射换热量 |
| 2.3.4 乘客蒸发散热量 |
| 2.3.5 PMV计算公式 |
| 2.4 客舱环境参数对PMV指标的影响 |
| 2.4.1 客舱环境参数确定 |
| 2.4.2 客舱温度与PMV的关系 |
| 2.4.3 客舱风速与PMV的关系 |
| 2.4.4 客舱空气湿度与PMV的关系 |
| 2.5 本章小结 |
| 第三章 基于CS-BPNN算法的飞机客舱PMV预测 |
| 3.1 PMV存在问题及其常用解法 |
| 3.2 BPNN模型 |
| 3.2.1 BPNN的构成 |
| 3.2.2 BPNN特点 |
| 3.3 基于CS-BPNN算法的客舱PMV预测 |
| 3.3.1 GA-BPNN预测方案 |
| 3.3.2 PSO-BPNN预测方案 |
| 3.3.3 CS-BPNN预测方案 |
| 3.3.4 三种方案预测结果及其分析 |
| 3.4 本章小结 |
| 第四章 飞机地面空调建模 |
| 4.1 PMV控制因素选取 |
| 4.2 常用的飞机地面空调类型 |
| 4.3 飞机地面空调工作原理 |
| 4.4 飞机地面空调建模 |
| 4.4.1 地面空调风速控制 |
| 4.4.2 温度回路建模 |
| 4.5 温度回路解耦设计 |
| 4.5.1 基于对角解耦原理的解耦器设计 |
| 4.5.2 传递函数的确定 |
| 4.5.3 基于Simulink的温度回路仿真分析 |
| 4.6 本章小结 |
| 第五章 基于PMV和 ISOA算法的飞机地面空调控制 |
| 5.1 舒适控制方式 |
| 5.1.1 PMV间接控制 |
| 5.1.2 PMV直接控制 |
| 5.2 PMV控制理念设计 |
| 5.3 基于PMV和 ISOA算法的地面空调控制 |
| 5.3.1 基于PID的控制策略设计 |
| 5.3.2 基于模糊PID的控制策略设计 |
| 5.3.3 基于ISOA-PID的控制策略设计 |
| 5.4 仿真结果和分析 |
| 5.4.1 PID控制仿真 |
| 5.4.2 模糊PID控制仿真 |
| 5.4.3 ISOA-PID控制仿真 |
| 5.4.4 各算法仿真对比分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A(攻读学位期间研究成果) |
| 附录B(人体新陈代谢率对照表) |
| 附录C(服装热阻对照表) |
| 作者简介 |
（5）基于BP神经网络与多目标优化算法的空间参数优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 建筑性能优化 |
| 1.1.2 基于建筑性能的参数化设计 |
| 1.2 国内外研究动态 |
| 1.2.1 基于空间参数的建筑性能研究 |
| 1.2.2 AI算法在建筑性能预测中的应用 |
| 1.2.3 智能算法在建筑性能优化中的应用 |
| 1.3 研究内容与研究意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 第2章 建筑性能预测与优化方法研究 |
| 2.1 人工神经网络及BP算法改进 |
| 2.1.1 算法简介 |
| 2.1.2 BP神经网络拓扑结构与原理 |
| 2.1.3 BP神经网络的缺陷与改进 |
| 2.2 多目标优化算法 |
| 2.2.1 最优化理论与优化算法 |
| 2.2.2 SPEA-II多目标优化算法 |
| 2.3 算法平台 |
| 2.3.1 参数化建模平台 |
| 2.3.2 BP神经网络算法编译平台 |
| 2.3.3 多目标优化算法平台 |
| 2.4 算法评价指标 |
| 2.4.1 BP神经网络模型评价指标 |
| 2.4.2 SPEA-II算法解集质量评价 |
| 2.5 本章总结 |
| 第3章 建筑性能预测与优化–以寒冷地区中小型高铁站为例 |
| 3.1 提出问题 |
| 3.2 中小型高铁站建筑空间参数研究 |
| 3.2.1 中小型高铁站建筑形体特征分析 |
| 3.2.2 中小型高铁站空间模型生成方法研究 |
| 3.3 决策变量与目标函数 |
| 3.3.1 决策变量—空间参数 |
| 3.3.2 目标函数—建筑能耗 |
| 3.3.3 目标函数—建筑室内热舒适度 |
| 3.4 数据收集与预处理 |
| 3.4.1 模拟方法与模拟参数设定 |
| 3.4.2 数据标准化方法 |
| 3.4.3 采样方法 |
| 3.5 建筑性能预测与优化模型搭建 |
| 3.5.1 BP神经网络—建筑性能预测模型搭建 |
| 3.5.2 SPEA-II算法—建筑性能优化模型搭建 |
| 3.6 建筑性能预测与优化平台展示 |
| 3.6.1 参数化模拟平台 |
| 3.6.2 性能预测与优化工具 |
| 3.7 本章总结 |
| 第4章 建筑性能预测结果分析与验证 |
| 4.1 夏季制冷能耗预测模型分析 |
| 4.1.1 预测模型训练过程分析 |
| 4.1.2 最优模型验证分析 |
| 4.2 冬季采暖能耗预测模型分析 |
| 4.2.1 预测模型训练过程分析 |
| 4.2.2 最优模型验证分析 |
| 4.3 春季热舒适度预测模型分析 |
| 4.3.1 预测模型训练过程分析 |
| 4.3.2 最优模型验证分析 |
| 4.4 秋季热舒适度预测模型分析 |
| 4.4.1 预测模型训练过程分析 |
| 4.4.2 最优模型验证分析 |
| 4.5 本章总结 |
| 第5章 建筑性能优化结果分析与验证 |
| 5.1 优化结果分析 |
| 5.1.1 优化效率分析 |
| 5.1.2 进化过程分析 |
| 5.1.3 收敛过程分析 |
| 5.1.4 解集质量评价分析 |
| 5.2 优化方案选取与分析 |
| 5.2.1 Pareto前沿分析 |
| 5.2.2 优化方案分析 |
| 5.3 本章总结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文与科研情况说明 |
| 致谢 |
| 附录1 沧州西站候车厅室内热环境调研与分析 |
| 附录2 实地调研数据 |
| 附录3 BP神经网络部分代码 |
（6）基于人体舒适度的智能空调节能控制（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 空调控制技术与人体舒适度研究现状 |
| 1.2.1 空调控制技术研究现状 |
| 1.2.2 人体舒适度理论研究现状 |
| 1.3 课题主要研究内容及本文章节安排 |
| 1.4 本章小结 |
| 第2章 智能空调控制系统需求分析与总体方案设计 |
| 2.1 系统功能需求分析 |
| 2.1.1 智能空调控制终端功能设计要求 |
| 2.1.2 智能空调管理与控制平台功能设计要求 |
| 2.2 系统总体方案设计 |
| 2.2.1 智能空调控制终端硬件方案设计 |
| 2.2.2 智能空调管理与控制平台方案设计 |
| 2.2.3 无线通信方案设计 |
| 2.2.4 人体舒适度模型方案设计 |
| 2.3 本章小结 |
| 第3章 智能空调控制终端软硬件设计与通信协议设计 |
| 3.1 智能空调控制终端硬件设计 |
| 3.1.1 单片机最小系统 |
| 3.1.2 传感器选型与接口电路 |
| 3.1.3 电源电路 |
| 3.1.4 红外控制电路 |
| 3.1.5 NB-IoT无线通信电路 |
| 3.2 智能空调控制系统通信协议设计 |
| 3.2.1 智能空调控制终端与空调的通信协议 |
| 3.2.2 智能空调控制终端与NB-IoT云平台的通信协议 |
| 3.2.3 NB-IoT云平台与智能空调管理与控制平台的通信协议 |
| 3.3 智能空调控制终端软件设计 |
| 3.3.1 智能空调控制终端主程序设计 |
| 3.3.2 智能空调控制终端串口中断程序设计 |
| 3.4 本章小结 |
| 第4章 智能空调管理与控制平台设计 |
| 4.1 智能空调管理与控制平台框架和设计模式 |
| 4.1.1 B/S架构 |
| 4.1.2 智能空调管理与控制平台框架 |
| 4.1.3 智能空调管理与控制平台设计模式 |
| 4.2 智能空调管理与控制平台软件流程设计 |
| 4.3 智能空调管理与控制平台功能模块设计 |
| 4.3.1 用户注册登录模块 |
| 4.3.2 个人信息维护模块 |
| 4.3.3 成员管理模块 |
| 4.3.4 空调控制模块 |
| 4.3.5 室内环境监测模块 |
| 4.3.6 能耗统计模块 |
| 4.4 人体舒适度模型的设计与仿真 |
| 4.4.1 舒适度指数与舒适度模型样本数据采集 |
| 4.4.2 基于PNN的人体舒适度模型设计 |
| 4.4.3 基于PNN的人体舒适度模型仿真 |
| 4.5 智能空调管理与控制平台与NB-IoT云平台接口交互 |
| 4.5.1 华为NB-IoT云平台 |
| 4.5.2 智能空调管理与控制平台的接口交互技术研究 |
| 4.6 智能空调管理与控制平台数据库设计 |
| 4.6.1 MySQL数据库概述 |
| 4.6.2 数据库表结构设计 |
| 4.7 本章小结 |
| 第5章 智能空调控制系统功能测试与结果分析 |
| 5.1 测试流程设计 |
| 5.2 智能空调控制终端功能测试与分析 |
| 5.2.1 电路测试 |
| 5.2.2 通信功能测试 |
| 5.3 智能空调管理与控制平台功能测试与分析 |
| 5.4 系统总体测试与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 课题总结 |
| 6.2 课题展望 |
| 参考文献 |
| 在学期间发表的学术论文与研究成果 |
| 致谢 |
（7）住宅室内环境舒适度控制装置（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外舒适度控制发展状况 |
| 1.2.1 国外舒适度控制现状 |
| 1.2.2 国内舒适度控制现状 |
| 1.3 本课题研究的主要内容 |
| 1.4 本章小结 |
| 第2章 室内热舒适度控制策略 |
| 2.1 热舒适度评价指标 |
| 2.2 舒适度控制装置需要检测的环境参数 |
| 2.2.1 风速对热舒适度指标的影响 |
| 2.2.2 空气湿度对热舒适度指标的影响 |
| 2.2.3 空气温度对热舒适度指标的影响 |
| 2.2.4 平均辐射温度对热舒适度指标的影响 |
| 2.3 室内热舒适度的动态控制策略 |
| 2.3.1 PMV指标软件测量模型 |
| 2.3.2 室内热环境能耗模型 |
| 2.3.3 室内热舒适度指标 |
| 2.4 热环境参数设定值优化方法 |
| 2.5 本章小结 |
| 第3章 室内舒适度控制装置的硬件设计 |
| 3.1 硬件设计的思路要求 |
| 3.2 舒适度控制装置总体结构 |
| 3.3 无线传感网络设计 |
| 3.3.1 无线传感网络设备类型 |
| 3.3.2 数据传输拓扑结构 |
| 3.3.3 传感网络网络协议栈 |
| 3.4 室内环境参数采集节点模块设计 |
| 3.4.1 处理器芯片选取 |
| 3.4.2 射频芯片的选取 |
| 3.4.3 电源模块电路设计 |
| 3.5 环境参数采集电路设计 |
| 3.5.1 环境温湿度传感器 |
| 3.5.2 光环境监测电路设计 |
| 3.5.3 执行控制电路设计 |
| 3.5.4 RS-485通信接口设计 |
| 3.5.5 室内风速与二氧化碳监测 |
| 3.6 本章小结 |
| 第4章 室内舒适度控制装置软件设计 |
| 4.1 无线传感网络的软件设计 |
| 4.1.1 系统的特点 |
| 4.1.2 NesC语言开发的步骤 |
| 4.2 温湿度采集节点的程序设计 |
| 4.3 ARM控制器的软件设计 |
| 4.3.1 系统平台与编译环境搭建 |
| 4.3.2 linux系统配置与裁减 |
| 4.4 Linux交互界面(窗口)设计 |
| 4.4.1 Qt Designer图形设计器 |
| 4.4.2 Qt Designer交互程序设计 |
| 4.5 设备网关与云平台的软件设计 |
| 4.5.1 设备网关数据传输协议 |
| 4.5.2 设备网关参数设置 |
| 4.5.3 设备网关接收控制器数据程序设计 |
| 4.5.4 云平台端的软件设计 |
| 4.6 本章小结 |
| 第5章 系统装置测试及结果分析 |
| 5.1 装置测试环境介绍 |
| 5.2 装置系统平台测试 |
| 5.3 装置测试结果分析 |
| 5.4 建筑物潜热存储方案 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间论文发表及科研情况 |
（8）基于Elman神经网络的PMV参数预测建模（论文提纲范文）
| 1 PMV指标 |
| 2 Elman神经网络 |
| 3 Elman神经网络PMV指标预测建模 |
| 4 结语 |
（9）中央空调系统双模式控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 智能建筑与中央空调系统 |
| 1.2.1 智能建筑 |
| 1.2.2 中央空调系统 |
| 1.2.3 中央空调系统分类 |
| 1.3 空调控制系统发展现状 |
| 1.4 本论文研究方向和主要工作 |
| 第二章 变风量空调系统优化控制策略分析 |
| 2.1 变风量空调系统概述 |
| 2.1.1 变风量空调系统 |
| 2.1.2 变风量空调系统分类 |
| 2.1.3 变风量空调系统的特点 |
| 2.2 变风量空调系统的工作原理 |
| 2.3 变风量空调系统的控制方法分析 |
| 2.3.1 变风量空调控制特点 |
| 2.3.2 变风量空调控制方法 |
| 2.4 本课题工程背景介绍 |
| 2.5 本章小结 |
| 第三章 变风量空调系统控制器设计 |
| 3.1 改进型CMAC神经网络单模式控制在VAV空调系统中的应用 |
| 3.1.1 模糊神经网络 |
| 3.1.2 改进型CMAC模糊神经网络控制器设计 |
| 3.1.3 改进型CMAC模糊神经网络 |
| 3.1.4 RBF神经网络预测器设计 |
| 3.1.5 基于遗传算法的改进径向基函数神经网络算法 |
| 3.2 并行多变量双模式控制策略在VAV空调系统中的应用 |
| 3.2.1 VAV空调系统并行多变量控制策略设计 |
| 3.2.2 模糊神经网络控制器 |
| 3.2.3 神经网络预测器设计 |
| 3.3 基于二氧化碳浓度调节的双模式控制策略在空调系统中的应用 |
| 3.3.1 模糊神经网络控制器设计 |
| 3.3.2 神经网络预测器设计 |
| 3.4 本章小结 |
| 第四章 VAV空调系统仿真实验与结论分析 |
| 4.1 VAV空调房间模型建立 |
| 4.2 改进型CMAC神经网络单模式控制策略仿真实验研究 |
| 4.2.1 仿真实验对比 |
| 4.2.2 结论 |
| 4.3 并行多变量双模式控制策略仿真研究 |
| 4.3.1 仿真实验对比 |
| 4.3.2 控制方法的实现 |
| 4.3.3 结论 |
| 4.4 基于CO_2浓度调节的双模式控制策略仿真实验研究 |
| 4.4.1 仿真实验对比 |
| 4.4.2 控制方法的实现 |
| 4.4.3 结论 |
| 4.5 系统仿真结果对比分析 |
| 4.6 本章小结 |
| 第五章 结论 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简介 |
| 作者在攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）空调热舒适度预测及控制算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 热舒适度指标模型的研究现状 |
| 1.2.2 热舒适度控制的研究现状 |
| 1.3 本课题主要研究内容 |
| 第2章 热舒适度评价及预测 |
| 2.1 热舒适度的主要影响因素 |
| 2.2 热舒适度评价指标 |
| 2.2.1 热舒适度评价指标介绍 |
| 2.2.2 PMV 指标数学模型 |
| 2.3 热舒适度预测模型 |
| 2.3.1 热舒适度预测建模方法介绍 |
| 2.3.2 BP 神经网络 |
| 2.3.3 基于 BP 神经网络的预测建模 |
| 2.4 本章小结 |
| 第3章 基于改进 PSO-BP 算法的热舒适度预测模型 |
| 3.1 粒子群优化算法(PSO) |
| 3.1.1 粒子群算法的基本介绍 |
| 3.1.2 粒子群算法的基本原理 |
| 3.1.3 粒子群算法的基本流程 |
| 3.1.4 粒子群算法的控制参数 |
| 3.1.5 粒子群算法的特点 |
| 3.2 粒子群算法的改进 |
| 3.2.1 粒子群算法的缺点及改进分析 |
| 3.2.2 本文的改进方法 |
| 3.2.3 改进 PSO 的算法实现 |
| 3.3 改进的 PSO 优化 BP 神经网络 |
| 3.3.1 PSO 优化 BP 神经网络的可行性分析 |
| 3.3.2 改进 PSO 优化 BP 神经网络预测算法 |
| 3.4 基于改进 PSO-BP 算法的预测建模 |
| 3.4.1 预测建模仿真 |
| 3.4.2 仿真结果讨论 |
| 3.5 本章小结 |
| 第4章 空调热舒适度控制实现分析 |
| 4.1 控制策略分析 |
| 4.1.1 传统温度控制 |
| 4.1.2 热舒适度控制 |
| 4.1.3 控制策略的比较与确定 |
| 4.2 控制变量分析 |
| 4.2.1 环境变量对 PMV 的影响分析 |
| 4.2.2 控制变量的分析与确定 |
| 4.3 控制方式分析 |
| 4.3.1 间接控制方式 |
| 4.3.2 直接控制方式 |
| 4.3.3 控制方式的比较与确定 |
| 4.4 控制算法分析 |
| 4.4.1 传统 PID 控制 |
| 4.4.2 模糊控制 |
| 4.5 本章小结 |
| 第5章 热舒适度模糊控制器的设计与仿真 |
| 5.1 模糊控制器的设计 |
| 5.1.1 模糊控制器的设计步骤 |
| 5.1.2 模糊控制器的设计要点 |
| 5.2 空调热舒适度模糊控制器的仿真实现 |
| 5.3 基于热舒适度的空调模糊控制系统 |
| 5.3.1 被控对象传递函数的确定 |
| 5.3.2 空调模糊控制系统的建立 |
| 5.3.3 仿真结果及比较分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
四、CMAC神经网络在热舒适度测试中的应用（论文参考文献）
- [1]面向智慧家庭的环境舒适度调节软件的研究与设计[D]. 张继柱. 重庆邮电大学, 2020(02)
- [2]面向舒适度与能耗同时优化的直膨式空调模拟与控制策略开发研究[D]. 黄志远. 浙江大学, 2020(08)
- [3]建筑室内热环境智能建模方法研究[D]. 江永芹. 山东师范大学, 2019(02)
- [4]基于客舱热舒适的飞机地面空调控制策略研究[D]. 李泽. 中国民航大学, 2019(02)
- [5]基于BP神经网络与多目标优化算法的空间参数优化研究[D]. 施迎初. 天津大学, 2019(06)
- [6]基于人体舒适度的智能空调节能控制[D]. 王晓冰. 北京工商大学, 2018(01)
- [7]住宅室内环境舒适度控制装置[D]. 冯鑫. 山东建筑大学, 2016(08)
- [8]基于Elman神经网络的PMV参数预测建模[J]. 江沸菠,申艳妮,甘巧. 吉首大学学报(自然科学版), 2014(06)
- [9]中央空调系统双模式控制策略研究[D]. 孙晓宇. 沈阳建筑大学, 2015(04)
- [10]空调热舒适度预测及控制算法研究[D]. 张玲. 湖南大学, 2014(03)