최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기설비공학논문집 = Korean journal of air-conditioning and refrigeration engineering, v.27 no.6, 2015년, pp.283 - 292
A model of apartment heating load in a district heating system could be useful in the management and utilization of energy resources, since it could predict energy usage and so could assist in the efficient use of energy resources. The heating load in a district heating system varies in a highly non...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
LS-SVM은 무엇인가? | LS-SVM은 커널(kernal) 기반의 모델링 기법으로, 비록 SVM의 spareness 특성을 갖지 못하며 동시에 모델링오차가 가우시안(Gaussian) 분포를 가질 때에만 최적의 모델이 형상되는 것과 같은 문제점을 가지고 있기는 하나, 그럼에도 불구하고 해석적 형태의 모델이 존재한다는 이점으로 인하여 다양한 비선형 시스템의 모델링에 사용되고 있다. | |
공동주택의 동절기 난방부하의 예측은 어떤 어려움을 가지고 있는가? | 공동주택의 동절기 난방부하는 공통주택의 유형(면적), 세대수 및 거주 인원, 외기온도 등과 같은 복합 요인들에 따라 달라진다. 즉 공동주택의 난방열 사용량 및 사용 패턴은 다양한 인자들을 독립변수로 하는 대단히 비선형적 관계에 의해 결정되며, 따라서 공동주택난방부하의 예측은, 그와 같은 복잡한 비선형적 관계수립의 어려움과 비선형성에 따른 독립인자들의 변화에 대한 종속 변수 변화의 불확실성 등으로 인하여, 실제적으로 정확하게 추론되기가 대단히 어렵다. | |
LS-SVM의 특징은 무엇인가? | 최근 복잡한 상관관계를 갖는 비선형 시스템의 모델링과 이를 이용한 복잡시스템의 제어를 위하여 측정된 시스템 동작 데이터로부터 비선형모델을 수립하는 LSSVM(least squares support vector machines)(5-8)이 다양한 분야에서 활용되고 있다. LS-SVM은, 비선형 시스템의 모델링을 위한 Vapnik(9)의 SVM의 문제점을 개선하여, 모델링 과정에서 요구되는 부등식(inequality equation)의 구속조건(constraint condition) 사용에 따른 convex quadratic programming problem 형태의 모델링 대신, 등식(equality equation)의 구속조건을 사용함으로서 해석적 형태를 갖는 모델을 구성할 수 있게 한다. 현재까지 참고문헌에 발표된 LS-SVM의 대표적인 활용 사례들은, 양성 후두 질환자의 지속모음합성,(10) 단기 전력 부하 예측,(11) HVAC 시스템의 모델 수립,(12) SOFC(solid oxide fuel cell)의 온도 제어를 위한 모델 수립,(13) 태양열 공기히터(solar air heater)의 모델링,(14) 발전소 과열증기 온도 제어를 위한 시스템 모델링,(15) Wiener-Hammerstein 시스템의 인식(identification),(16) 일사량 예측(17)과 같은, 의학, 공학 및 수학의 다양한 분야에서 활용되고 있는 것들이다. |
Werner, S. E., 1984, The heat load in district heating systems, Ph. D. Thesis, Chalmers University of Technology, Sweden.
Heller, A. J., 2002, Heat load modeling for large systems, Applied Energy, Vol. 72, pp. 371-387.
Koive, T. A. and Toode, A., 2006, Trends in domestic hot water consumption in Estonian apartment building, Proc. Estonian Academy of Science Engineering, Vol. 12, No. 1, pp. 72-80.
Evarts, J. C. and Swan, L. G., 2013, Domestic hot water consumption estimates for solar heating thermal sizing, Energy and Buildings, Vol. 58, pp. 58-65.
Suykens, J. A. K., 2002, Least square support vector machine, Singapore, World Science Pub.
Suykens, J. A. K. et al., 2002, Weighted least squares support vector machines:robustness and space approximation, Neurocomputing, Vol. 48, pp. 85-105.
Kuh, A. and Wilde, P. D., 2007, Comments on pruning error minimization in least squares support vector machines, IEEE Trans. on Neural Networks, Vol. 18, No. 2, pp. 606-609.
Gavin, C. et al., 2002, Improved sparse least squares support vector machines, Neurocomputing, Vol. 48, pp. 1025-1031.
Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer.
Espinoza, M. et al., 2007, Electric load forecasting, IEEE Control System Magazine, October, pp. 43-57.
Xi, X. C., Poo, A. N., and Chou, S. K., 2007, Support vector regression model control on a HVAC plant, Control Engineering Practices, Vol. 15, pp. 897-908.
Kang, Y. W. et al., 2008, Dynamic temperature modeling of an SOFC using least squares support vector machines, Journal of Power Sources, Vol. 179, pp. 683-692.
Esen, H. et al., 2009, Modeling of a new solar air heater through least square support vector machines, Expert Systems with Applications, Vol. 36, pp. 10673- 10682.
Haijiun, T. and Jingru, W., 2012, Modeling of power plant superheated steam temperature based on least square support vector machines, Energy Procedia, Vol. 17, pp. 61-67.
Falck, T. et al., 2012, Least squares support vector machines for the identification of Wiener-Hammerstein systems, Control Engineering Practice, Vol. 20, pp. 1165-1174.
Zeng, J. and Qiao, W., 2013, Short term solar power prediction using a support vector machine, Rewable Energy, Vol. 52, pp. 118-127.
Li, L. J., Su, H. Y., and Chu, J., 2007, Generalized predictive control with online least squares support vector machines, Acta Automatica Sinica Vol. 33 No. 11, pp. 1182-1188.
Zhao, Y. P. and Sun, J. G., 2009, Recursive reduced least squares support vector regression, Pattern Recognition, Vol. 42, pp. 837-842.
Brabanter, K. D. et. al., 2010, Optimized fixed size kernel models for large data sets, Computational Statistics and Data Analysis, Vol. 54, pp. 1484-1504.
Baudat, G. and Anouar, F., 2003, Feature vector selection and projection using kernels, Neurocomputing, Vol. 55, pp. 21-38.
Cawley, G. C. and Talbot, N. C. L., 2004, Fast exact leave-one-out cross-validation of sparse least squares support vector machines, Neural Networks, Vol. 17, pp. 1467-1475.
An, S., Liu, W., and Venkatesh, S., 2007, Fast cross validation algorithms for least squares support vector machines and kernel ridge regression, Pattern Recognition, Vol. 40, pp. 2154-2162.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.