建筑節能是當今城市建設和社會發展的前沿和研究熱點,對建筑的能耗現狀進行綜合分析與評估是進行節能改造或節能設計的前提和基礎,而建立反映能耗變化的預測模型是從宏觀尺度上分析認識建筑能耗變化與發展特性、為公共建筑節能工作提供決策依據的有效途徑和重要手段。研究針對常規bp網絡算法收斂速度慢、易陷入局部最小點的缺點,采用了具有較快收斂速度及穩定性的lm算法進行預測,構造了基于bp神經網絡的建筑物用電量預測模型。以某市公共建筑原始用電能耗統計數據作為樣本,并采用matlab對預測模型進行了仿真預測。結果顯示:誤差在允許范圍內。

介紹了神經網絡的發展及其基本原理，以及常用的b-p網絡及訓練算法，并介紹了神經網絡的各種應用，著重其在制冷空調方面的應用；還論述了神經網絡在控制方面應用的相關理論及在制冷空調系統控制上的嘗試。

介紹了神經網絡的發展及其基本原理，以及常用的ｂ－ｐ網絡及訓練算法，并介紹了神經網絡的各種應用，著重其在制冷空調方面的應用，還討論了神經網絡在控制方面應用的相關理論及在制冷空調系統控制上的嘗試。

人工神經網絡是一個大量簡單的處理單元廣泛連接組成的復合網絡,用來模擬大腦神經系統的結構和功能。近年來成為高科技研究領域中一門令人矚目的新興學科。目前,神經網絡在智能控制、語音識別和合成、圖形文字識別、數據壓縮、知識工程、最優化問題求解、智能計算機等領域進行的實踐和取得的初步成果,預示著人工智能的應用不久將會有重大突破。本文主要介紹神經網絡的發展及其基本原理,以及幾種常用的神經網絡及它們的訓練算法,并介紹神經網絡的各種應用,著重其在制冷空調方面的應用。神經網絡在控制領域的應用已越來越引起人們的注意,本文還將論述神經網絡在控制方面應用的相關理論及在制冷空調系統控制上的嘗試。

基于小波神經網絡冰蓄冷空調負荷預測——為了節省冰蓄冷中央空調系統的運行費用，準確地預測空調冷負荷是必不可少的。采用dbl小波對冰蓄冷空調冷負荷序列進行分解，分別對低頻和高頻序列采用bp網絡進行預測，將預測結果進行疊加得到最終預測值。結合實例進行了...

針對現階段冰蓄冷中央空調系統負荷預測的bp(backpropagation)模型收斂速度慢和容易陷入局部極小點等缺點,結合遺傳算法ga(geneticalgorithm)和bp神經網絡,提出了一種ga-bp算法,并在冰蓄冷中央空調負荷預測系統中應用。

針對目前冰蓄冷空調運行管理中存在的每日蓄冰量過多,耗能嚴重的問題,提出了基于粗糙集和人工神經網絡的冰蓄冷負荷的預測模型。該模型減少了數據樣本的數量,提高了冷負荷預測精度,有利于冰蓄冷空調的節能運行。

針對目前冰蓄冷空調運行管理中存在的每日蓄冰量過多,耗能嚴重的問題,提出了基于粗糙集和人工神經網絡的冰蓄冷負荷的預測模型.該模型減少了數據樣本的數量,提高了冷負荷預測精度,有利于冰蓄冷空調的節能運行.

為了節省冰蓄冷中央空調系統的運行費用,準確地預測空調冷負荷是必不可少的。采用db1小波對冰蓄冷空調冷負荷序列進行分解,分別對低頻和高頻序列采用bp網絡進行預測,將預測結果進行疊加得到最終預測值。結合實例進行了空調逐時冷負荷預測,通過小波-bp網絡與bp網絡預測結果的對比,可知小波-bp網絡預測的效果更好。

空調負荷是近年來增長較快的一類負荷,其特性對電網的電壓穩定性影響很大。夏季影響空調負荷的因素主要是溫度和濕度的變化。為了更好的預測空調降溫負荷,研究了溫度和濕度對空調負荷的影響。利用bp人工神經網絡對電網空調負荷進行了預測,經過分析把日平均濕度量化成4段,和日平均濕度實際數值的模型進行計算比較,結果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調負荷之間的非線性關系,能更好的對電網空調負荷進行預測。

bp神經網絡算法具有很好的非線性推理能力及優越的自組織、自適應、容錯性能。利用該方法對高層建筑地基沉降數據進行分析,可不考慮地基沉降影響因素與沉降之間的對應關系,而直接根據已知時間內實際沉降數據構建模型對未知時間的沉降進行預測推理。將該方法應用于西安市某高層建筑的地基沉降數據預測分析,并與多項式擬合方法的分析結果進行對比可知,bp神經網絡的非線性預測推理能力更強,應用前景廣闊。

介紹了風電功率預測的背景，對風電功率預測進行了理論分析，分析了bp神經網絡的原理及基于bp神經網絡的風電功率預測流程和預測結果誤差的評價指標。以matlab軟件的神經網絡工具箱為仿真平臺，搭建bp神經網絡，進行了功率預測仿真，預測結果均方根誤差分別為6．97％、200．59％。兩組仿真對比結果表明，基于bp神經網絡的風電功率預測在短期預測中是可行的．

在對某基坑工程采用bp神經網絡模型預測基坑開挖引起地表變形的分析中,考慮到現有模型可能會遇到預測結果跳不出訓練樣本以及訓練時間較長的問題,提出采用matlab中的mapminmax函數進行歸一化處理,并基于牛頓法、共軛梯度法和l-m法三種數值優化方法對bp網絡訓練算法進行了改進.研究結果表明:與常用的基于梯度下降原則相比,改進后的bp神經網絡在訓練時間和預測誤差方面均有明顯的優勢,采用l-m法的神經網絡在訓練樣本時的迭代次數最少為74次,采用共軛梯度法的預測結果與實測結果的誤差最大為2.4％,而采用牛頓法神經網絡的預測值則比較均衡,預測結果相對最佳.

根據盾構施工引起地表沉降的具體問題,結合廣州地鐵三號線某區間地質資料,建立了地表沉降預測的bp神經網絡模型,并對網絡進行了訓練和測試,測試結果表明,利用神經網絡進行盾構隧道施工的地表沉降預測是可行的,可用于工程實踐。

建筑業是我國重要的物質生產部門之一，在我國的經濟發展過程中，—直扮演著重要的角色。工程作為建筑業的核心，工程的管理具有很高的現實意義。所謂工程造價預測，是指處于準備投標或準備建設的工程項目，在進行投標或實施前，依據現有的建設工程項目資料、結合建設工程施工環境及施工企業自身條件，采用相應的方法對建設工程項目的成本進行預測，并將預測結果用以控制項目實施過程中的成本支出，能夠提高建筑企業的項目成本管理的科學性，促進企業資金的良性運轉。

短時交通流預測是現代智能交通系統的核心內容,針對城市道路被占所造成的城市交通擁堵排隊問題,以路段視頻統計為例,利用bp神經網絡方法就實際通行能力、具體車輛數、事故持續時間與排隊最長長度之間的關系進行預測分析,從實驗模擬結果來看,該方法能有效地解決交通流實時和可靠性預測。

bp神經網絡-灰色系統聯合模型預測軟基沉降量——目前軟基沉降預測多采用指數曲線和雙曲線延伸法，其結果不夠理想，神經網絡在此方面的運用也存在一定的局限，雖然gm(1，1)模型在軟基沉降預測領域已得到運用，但在已有的案例中所使用的等時距模型都沒有明確說明...

本文結合住宅房地產的價格理論和相關網站上的數據,科學地選取影響商品住宅價格的影響指標為人均gdp、人均可支配收入、人口數量、房地產開發投資額和商品住宅建筑面積,并以此建立hedonic商品住宅價格影響因素模型。依照bp神經網絡預測的實現步驟,探索bp神經網絡在預測海口市商品住宅價格的應用,得到2018年6月-2019年5月商品住宅價格預測值,對海口市商品住宅價格的研究具有一定的指導作用。

利用matlab建立bp神經網絡,將影響建筑能耗的18個因素作為網絡的輸入,進行學習訓練,最后通過測試樣本點數據預測建筑能耗,與dest-h模擬計算得到的結果比較,發現相對誤差在3.5%以內,并通過實例驗證了該網絡模型的準確性。該方法使建筑人員在設計階段就能快速且準確地獲得設計建筑的能耗。

進度控制作為項目管理的主要內容，如何對施工進度進行有效的預測將有重要的現實意義，應用bp神經網絡技術對工程進度進行預測，得到的預測值比線性方法更準確，精度更高。

bp神經網絡是分析處理復雜非線性問題的一種有效方法,是目前廣泛應用的一種神經網絡,已被逐漸應用于對宏觀經濟問題的研究中。本文有機地整合了計量經濟學與bp神經網絡,建立了基于因果關系理論來確定bp網絡的輸入變量,基于協整理論來分析bp網絡系統的可靠性,基于學習率可變的動量bp算法的用于研究經濟領域問題的改進bp神經網絡預測模型,加強了網絡模型的理論基礎,提高了網絡模型的質量,并將其應用于西北建筑業的預測和控制中,取得了令人滿意的效果。

提出一種采用bp神經網絡算法來預測深基坑沉降的方法,結合具體工程實例,構建了預測深基坑周邊地表沉降具體bp神經網絡模型,預測結果表明,該模型有較高的預測精度,可作為預測沉降的一種新方法。