مروری بر کاربرد الگوریتم های یادگیری ماشین در پیش بینی عملکرد انرژی ساختمان

نویسنده:
پیام:
نوع مقاله:
مقاله مروری (بدون رتبه معتبر)
چکیده:

امروزه به دلیل افزایش اهمیت مصرف انرژی، روش های بسیاری با هدف پیش بینی دقیق میزان مصرف انرژی مورد استفاده قرار گرفته است. یکی از این روش ها استفاده از هوش مصنوعی است. برای انجام این کار از الگوریتمهای مختلفی استفاده میشود که میتوانند نتیجه دقیقتری نسبت به سایر ابزارهای شبیه سازی انرژی ساختمان ارایه دهند. این مقاله، با هدف شناسایی دقیقترین و پرکاربردترین الگوریتمها، تعدادی از تحقیقات مرتبط با این موضوع که در سال های اخیر انجام شده اند را بررسی میکند. الگوریتمهایی که دارای کمترین میزان خطا، بیشترین سرعت و دقت محاسبات هستند. پس از استفاده از الگوریتمهای مختلف، نقاط قوت و ضعف هر یک مشخص میشود. در این تحقیق، از چارچوب لایه ای برای انتخاب مقاالت استفاده شده است. درلایه اول، سال انتشار مقاله مورد توجه بوده؛ دوم، دارای کلمات کلیدی مرتبط و مطابق با دستاوردهای تحقیق بوده اند و سوم، مطابقت با موضوع مقاله بررسی شده است. هدف این مقاله شناخت بهتر ویژگیهای الگوریتمهای مختلف باتوجه به نوع استفاده از آنها است؛ علاوه بر این، بهترین و پرکاربردترین الگوریتمهای یادگیری ماشین در سالهای اخیر معرفی میشوند. الگوریتمهای پرکاربرد برای بهینه سازی مصرف انرژی و ، ماشین بردار پشتیبان, پیش بینی عملکرد انرژی ساختمانها به ترتیب شبکه عصبی مصنوعی ، جنگل تصادفی  ، الگوریتم و رگرسیون خطی , ژنتیک , بوده است.

زبان:
فارسی
صفحات:
65 تا 82
لینک کوتاه:
magiran.com/p2449033 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!