论文部分内容阅读
【摘 要】基于BP中性网路，本文介绍了汽车空调负载的应用研究与发展。其中包括关于BP中性网络的原理，汽车空调的特点和BP中性网络的发展。研究结果表明，与稳定的理论计算相比较，PB中性网络冷却负载减少22.8%，BP中性网络是很有效的方法。并且研究为汽车空调系统的最优化设计提出了一些理论性的证据。
1.BP空调负载制冷系统计算的研究
1.1国外研究情况
在美国和加拿大BP研究是很早的。美国的学者Ferrarino 计算了迈阿密建筑物中与时域专业系统相关联的冰储存系统。结果表明中性网路的引入对于冰储存空调系统有着良好的作用。在建筑物中，最早引入中性网络能量计算方法的人是Kreider和Wang。此种模型的目的是检测空调系统设备的变化。
1.2中国的研究状况
中国的研究人员们不仅仅介绍了基本的原理，关于中性网路计算的方法，不仅仅讨论了输入参数的精选和预处理两种方法，而且还讨论了目标误差的决定，网路研究的销量，队列频率和结果计算。关于冰存储系统的负载研究是最深入的，结果表明，中性网络非常擅长在处理制冷负载和非线性问题。并且，阶梯回归分析方法的误差比人工中性网络的误差要大。
2.关于汽车空调系统负载计算的简介
2.1关于BP中性网络系统的介绍和方法
中性网络是负载的和智能的系统，它由大量的神经单位组成，与人类大脑的基本单元相同，它的特性和结构依赖于神经单元的特性和连接方法。BP网络是一种多层的反馈网络，典型的网络结构包括：输入层，如图1中所示。输入地层和隐神经单位地层应用了S星功能并采用更正发放研究，这种网络有平行分散结构。
BP方法主要采用监管学习，并不给出输出和输出之间的关系。它的能力是处理所有神经络单元的权重问题。建立系统的非线性输入和输出模型是基于已给出的大量输入输出信号，然后用大范围的方法处理数据，最后控制修正网络的权重，以此使误差达到最小。研究过程包括前述的学习和误差返回。
2.2关于汽车空调系统的冷却负载部分
汽车是移动的建筑物，所以速度和方向是决定空调负载计算的重要因素。
汽车制冷负载系统包括以下部分：
1.轨道产生的热量制冷
2.太阳辐射
3.人体热量辐射
4.汽车中的电子设备
5.新鲜空气的引入
6.每一种负载主要由以下因素影响：干球温度，窗户和墙的比例，人口密度，仪器功率，户外参数，太阳能辐射，车速等。这些系数会影响中性网络的输入层。
2.3有关汽车中性网络负载计算
包括三层，输入层包括七个，例如干球温度，窗户和墙的比例，人口密度，仪器功率，户外参数，太阳能辐射，车速。在潜在层的神经单元的数量由经验决定。Kawasakima认为潜在的层能选出2n+1，在本文中潜在层是15层。输出层有一个节点-每小时的汽车空调负载量。把x作为阈值作用，网络结构如图2
3.结论
关于BP中性系统汽车空调负载计算仍然存在较高的争议，与稳定计算相比，特征提取并且它的负载减少了22.8%，所以这是一种新的方法，值得推广。而且，急需进行更多相关的实验，以此连接BP中性网络负载计算和真实的应用，还需要对负载的计算和整体进行优化。
参考文献
[1]蔡子星（2005）.人工智能控制，化学工业出版社
[2] F.J. Ferrano， K.V. Wong （1990）， “Prediction of thermal storage loads using a neutral network”. ASHRAE Transaction ， Vol.96， No.2， pp. 723-726. [3] J.F. Kreider， X.A. Wang （1991）， “Artificial neutral networks demonstration for automated generation of energy use predictors for commercial buildings”.ASHRAE Transaction ， Vol.97， No.2， pp. 775-779.
[4] J.F. Kreider， J.S. Harberl （1994）， “Predicting hourly building energy usage”. ASHRAE Journal， Vol.36， No.6， pp. 72-81.
1.BP空调负载制冷系统计算的研究
1.1国外研究情况
在美国和加拿大BP研究是很早的。美国的学者Ferrarino 计算了迈阿密建筑物中与时域专业系统相关联的冰储存系统。结果表明中性网路的引入对于冰储存空调系统有着良好的作用。在建筑物中，最早引入中性网络能量计算方法的人是Kreider和Wang。此种模型的目的是检测空调系统设备的变化。
1.2中国的研究状况
中国的研究人员们不仅仅介绍了基本的原理，关于中性网路计算的方法，不仅仅讨论了输入参数的精选和预处理两种方法，而且还讨论了目标误差的决定，网路研究的销量，队列频率和结果计算。关于冰存储系统的负载研究是最深入的，结果表明，中性网络非常擅长在处理制冷负载和非线性问题。并且，阶梯回归分析方法的误差比人工中性网络的误差要大。
2.关于汽车空调系统负载计算的简介
2.1关于BP中性网络系统的介绍和方法
中性网络是负载的和智能的系统，它由大量的神经单位组成，与人类大脑的基本单元相同，它的特性和结构依赖于神经单元的特性和连接方法。BP网络是一种多层的反馈网络，典型的网络结构包括：输入层，如图1中所示。输入地层和隐神经单位地层应用了S星功能并采用更正发放研究，这种网络有平行分散结构。
BP方法主要采用监管学习，并不给出输出和输出之间的关系。它的能力是处理所有神经络单元的权重问题。建立系统的非线性输入和输出模型是基于已给出的大量输入输出信号，然后用大范围的方法处理数据，最后控制修正网络的权重，以此使误差达到最小。研究过程包括前述的学习和误差返回。
2.2关于汽车空调系统的冷却负载部分
汽车是移动的建筑物，所以速度和方向是决定空调负载计算的重要因素。
汽车制冷负载系统包括以下部分：
1.轨道产生的热量制冷
2.太阳辐射
3.人体热量辐射
4.汽车中的电子设备
5.新鲜空气的引入
6.每一种负载主要由以下因素影响：干球温度，窗户和墙的比例，人口密度，仪器功率，户外参数，太阳能辐射，车速等。这些系数会影响中性网络的输入层。
2.3有关汽车中性网络负载计算
包括三层，输入层包括七个，例如干球温度，窗户和墙的比例，人口密度，仪器功率，户外参数，太阳能辐射，车速。在潜在层的神经单元的数量由经验决定。Kawasakima认为潜在的层能选出2n+1，在本文中潜在层是15层。输出层有一个节点-每小时的汽车空调负载量。把x作为阈值作用，网络结构如图2
3.结论
关于BP中性系统汽车空调负载计算仍然存在较高的争议，与稳定计算相比，特征提取并且它的负载减少了22.8%，所以这是一种新的方法，值得推广。而且，急需进行更多相关的实验，以此连接BP中性网络负载计算和真实的应用，还需要对负载的计算和整体进行优化。
参考文献
[1]蔡子星（2005）.人工智能控制，化学工业出版社
[2] F.J. Ferrano， K.V. Wong （1990）， “Prediction of thermal storage loads using a neutral network”. ASHRAE Transaction ， Vol.96， No.2， pp. 723-726. [3] J.F. Kreider， X.A. Wang （1991）， “Artificial neutral networks demonstration for automated generation of energy use predictors for commercial buildings”.ASHRAE Transaction ， Vol.97， No.2， pp. 775-779.
[4] J.F. Kreider， J.S. Harberl （1994）， “Predicting hourly building energy usage”. ASHRAE Journal， Vol.36， No.6， pp. 72-81.