绿色建筑节能设计平台中算法的研究与应用
发布时间：2023-03-04 05:47
随着资源危机日益严重和全球气候变暖,建筑能耗作为一个重要的诱因也受到越来越多的关注,绿色建筑已成为建筑设计的必然趋势。绿色建筑的设计需要考虑当地气候特征的影响,在绿色建筑节能设计平台中搭建建筑节能基础数据库,查询每个台站的气候特征和建筑设计参数是非常必要的。在过去的几十年中,气象部门积累了大量的数据,为气候分析和建筑设计提供了依据,而由于软件记录失误或采集器采集错误等,在气象数据中存在异常值或缺失值的情况。显然,用人工的方式处理大量的数据并从中提取出有价值的信息是不可能的,而得益于计算机的帮助,我们可以利用数据挖掘技术处理大规模的数据,从中获取有用的信息。针对上述提出的问题,本文研究了相关数据挖掘算法和压缩感知理论,将其应用到气象数据处理中,并设计实现了绿色建筑节能设计平台。本文首先对气象数据来源及特点进行说明,并对数据进行了预处理,包括剔除不可用台站和删除冗余信息等,为算法的实现做好准备。然后描述了聚类算法中的基本概念,对比分析了常见的聚类算法的优劣,根据气象数据的特点和本文算法应用的目的,重点研究了基于密度峰值的聚类算法,并将其应用到气象数据中,分别以气象数据的全部属性和部分属性作...
【文章页数】：102 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 选题背景与研究意义
1.2 国内外数据挖掘算法在气象领域中的应用
1.3 论文研究内容及主要研究方法
1.4 论文组织安排
1.5 本章小结
第二章 气象数据的预处理
2.1 数据预处理的意义
2.2 气象数据的特点
2.3 数据预处理的方法
2.4 全国气象数据的预处理
2.4.1 数据来源及相关说明
2.4.2 气象数据预处理过程
第三章 聚类算法研究
3.1 聚类分析简介
3.2 聚类分析中的数据类型
3.2.1 数据对象的表示
3.2.2 数据的类型
3.2.3 数据对象之间的相似性度量
3.2.4 数据簇之间距离度量方法
3.3 聚类结果好坏的评价标准
3.4 常见聚类算法介绍
3.4.1 基于划分的方法
3.4.2 基于密度的聚类算法
3.4.3 层次聚类算法
3.4.4 基于网格的方法
3.4.5 基于模型的方法
3.5 本章小结
第四章 压缩感知算法在气象数据缺值填补中的应用
4.1 问题描述
4.2 缺失数据处理方法介绍
4.2.1 均值填补法
4.2.2 插值法
4.2.3 机器学习方法
4.3 压缩感知原理概述
4.3.1 信号的稀疏表示
4.3.2 测量矩阵设计
4.3.3 压缩感知重构算法概述
4.4 气象数据缺失值填补原理
4.5 压缩感知理论在气象数据缺值填补中的应用
4.5.1 气象数据介绍及其稀疏表示
4.5.2 测量矩阵选取
4.5.3 缺失气象数据重构算法
4.5.4 气象数据随机缺测时算法的应用
4.5.5 气象数据连续缺测时算法的应用
4.6 本章小结
第五章 聚类算法在气象数据中的应用
5.1 问题描述
5.2 气象数据数据集的特点及建模
5.3 聚类算法的选取
5.4 密度峰值聚类算法基本工作原理
5.4.1 聚类中心的确定
5.4.2 聚类分析过程
5.4.3 离群点标记过程
5.4.4 密度峰值聚类算法步骤
5.5 软件环境
5.6 聚类算法在气象数据中的应用
5.6.1 数据准备
5.6.2 气象数据单一属性的聚类分析
5.6.3 气象数据部分属性的聚类分析
5.6.4 气象数据全部属性的聚类分析
5.6.5 结果分析与比较
5.7 本章小结
第六章 绿色建筑节能设计平台设计与实现
6.1 绿色建筑节能设计平台的意义
6.2 绿色建筑节能设计平台开发工具
6.2.1 开发平台介绍
6.2.2 Struts2框架
6.3 建筑节能基础数据库平台功能模块介绍
6.3.1 后台数据导入模块
6.3.2 地图台站查询模块
6.3.3 建筑气候数据查询模块
6.3.4 室外气候数据查询模块
6.4 本章小结
第七章 总结与展望
7.1 全文总结
7.2 展望
参考文献
致谢
作者简介
本文编号：3753828
【文章页数】：102 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 选题背景与研究意义
1.2 国内外数据挖掘算法在气象领域中的应用
1.3 论文研究内容及主要研究方法
1.4 论文组织安排
1.5 本章小结
第二章 气象数据的预处理
2.1 数据预处理的意义
2.2 气象数据的特点
2.3 数据预处理的方法
2.4 全国气象数据的预处理
2.4.1 数据来源及相关说明
2.4.2 气象数据预处理过程
第三章 聚类算法研究
3.1 聚类分析简介
3.2 聚类分析中的数据类型
3.2.1 数据对象的表示
3.2.2 数据的类型
3.2.3 数据对象之间的相似性度量
3.2.4 数据簇之间距离度量方法
3.3 聚类结果好坏的评价标准
3.4 常见聚类算法介绍
3.4.1 基于划分的方法
3.4.2 基于密度的聚类算法
3.4.3 层次聚类算法
3.4.4 基于网格的方法
3.4.5 基于模型的方法
3.5 本章小结
第四章 压缩感知算法在气象数据缺值填补中的应用
4.1 问题描述
4.2 缺失数据处理方法介绍
4.2.1 均值填补法
4.2.2 插值法
4.2.3 机器学习方法
4.3 压缩感知原理概述
4.3.1 信号的稀疏表示
4.3.2 测量矩阵设计
4.3.3 压缩感知重构算法概述
4.4 气象数据缺失值填补原理
4.5 压缩感知理论在气象数据缺值填补中的应用
4.5.1 气象数据介绍及其稀疏表示
4.5.2 测量矩阵选取
4.5.3 缺失气象数据重构算法
4.5.4 气象数据随机缺测时算法的应用
4.5.5 气象数据连续缺测时算法的应用
4.6 本章小结
第五章 聚类算法在气象数据中的应用
5.1 问题描述
5.2 气象数据数据集的特点及建模
5.3 聚类算法的选取
5.4 密度峰值聚类算法基本工作原理
5.4.1 聚类中心的确定
5.4.2 聚类分析过程
5.4.3 离群点标记过程
5.4.4 密度峰值聚类算法步骤
5.5 软件环境
5.6 聚类算法在气象数据中的应用
5.6.1 数据准备
5.6.2 气象数据单一属性的聚类分析
5.6.3 气象数据部分属性的聚类分析
5.6.4 气象数据全部属性的聚类分析
5.6.5 结果分析与比较
5.7 本章小结
第六章 绿色建筑节能设计平台设计与实现
6.1 绿色建筑节能设计平台的意义
6.2 绿色建筑节能设计平台开发工具
6.2.1 开发平台介绍
6.2.2 Struts2框架
6.3 建筑节能基础数据库平台功能模块介绍
6.3.1 后台数据导入模块
6.3.2 地图台站查询模块
6.3.3 建筑气候数据查询模块
6.3.4 室外气候数据查询模块
6.4 本章小结
第七章 总结与展望
7.1 全文总结
7.2 展望
参考文献
致谢
作者简介
本文编号：3753828
本文链接：https://www.wllwen.com/guanlilunwen/chengjian/3753828.html
