Akademik tədqiqatlar, aydın dil

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

18 noyabr 2026, çərşənbə
VERİANLA Müstəqil elmi yayımçılıq
Menyunu açın və ya bağlayın
...
Home / Humanitar Elmlər / Memarlıq / Hissəcik Sürüsü Optimallaşdırması ilə İntuitiv Qeyri-Səlis Neyron Şəbəkədən İstifadə Edərək Sintetik Temperaturun Proqnozlaşdırılması
Memarlıq

Hissəcik Sürüsü Optimallaşdırması ilə İntuitiv Qeyri-Səlis Neyron Şəbəkədən İstifadə Edərək Sintetik Temperaturun Proqnozlaşdırılması

Bu tədqiqat qeyri-müəyyənlik məlumatını üzvlük və qeyri-üzvlük dərəcələri ilə təmsil edən intuitiv qeyri-səlis yanaşmanı, qeyri-xətti əlaqələri öyrənən neyron şəbəkə ilə və şəbəkə parametrlərini Hissəcik Sürüsü Optimallaşdırması (Particle Swarm Optimization, PSO) vasitəsilə axtaran optimallaşdırma üsulu ilə birləşdirir.

17/11/2026  Veri Anla  110 baxış
Hissəcik Sürüsü Optimallaşdırması ilə İntuitiv Qeyri-Səlis Neyron Şəbəkədən İstifadə Edərək Sintetik Temperaturun Proqnozlaşdırılması

Bu tədqiqat qeyri-müəyyənlik məlumatını üzvlük və qeyri-üzvlük dərəcələri ilə təmsil edən intuitiv qeyri-səlis yanaşmanı, qeyri-xətti əlaqələri öyrənən neyron şəbəkə ilə və şəbəkə parametrlərini Hissəcik Sürüsü Optimallaşdırması (Particle Swarm Optimization, PSO) vasitəsilə axtaran optimallaşdırma üsulu ilə birləşdirir. Təklif olunan IFNN–PSO, sintetik HVAC dəyişənlərindən arzu olunan daxili mühit temperaturunu proqnozlaşdırmaq üçün yaradılmış proof-of-concept modelidir. Sayısal təcrübələrdə istifadə olunan sənədləşdirilmiş şəbəkə 5 normallaşdırılmış girişdən, 15 gizli neyrondan və üzvlük/qeyri-üzvlük məlumatını təmsil edən 2 çıxışdan ibarətdir; ümumilikdə 122 çəki və bias parametri PSO tərəfindən optimallaşdırılır.

Məlumatlar real binadan ölçülməyib. Ümumilikdə 1000 sintetik nümunə yaradılıb; 700 nümunə yalnız modelin hazırlanması, beşqat çarpaz doğrulama, arxitektura seçimi və PSO sazlamaları üçün istifadə edilib; qalan 300 nümunədən ibarət qorunan test dəsti bütün seçim prosesləri tamamlandıqdan sonra yalnız bir yekun qiymətləndirmə üçün istifadə olunub. Qorunan test dəstində IFNN–PSO üçün MSE 0.0853, RMSE 0.2920, MAE 0.2314 və R² 0.8784 bildirilib.

IFNN–PSO müqayisə edilən modellər arasında MSE, RMSE və MAE baxımından ən aşağı xəta dəyərlərini yaradıb. Bununla belə, R² baxımından ən yüksək model deyil: mənbənin Cədvəl 14-də Transformer üçün 0.8826, LSTM üçün 0.8813 və XGBoost üçün 0.8796 bildirilərkən IFNN–PSO 0.8784 səviyyəsindədir. Buna görə tədqiqat “bütün metriklər üzrə ən yaxşı model” nəticəsini dəstəkləmir; sintetik məlumatlarda xəta böyüklükləri baxımından ən yaxşı, izah olunan variasiya baxımından isə rəqabətədavamlı nəticəni dəstəkləyir.

Tədqiqatda həmçinin IFNN–PSO üçün 38.19, ANN üçün 44.21 və xətti reqressiya üçün 46.35 dəyərində “ölçüsüz temperatur sapması əvəzedicisi” müqayisəsi aparılıb. IFNN–PSO-nun bu müəyyən edilmiş əvəzedici balda ANN-lə müqayisədə %13.61, xətti reqressiya ilə müqayisədə %17.60 daha aşağı dəyər verməsi enerji qənaəti deyil. Tədqiqat real HVAC elektrik gücünü, istilik enerjisini, kompressor gücünü, COP-u, hava axınını, aktuator dinamikasını və ya bina enerji istehlakını ölçməyib.

Türkiyə baxımından nəticələr birbaşa Türkiyədəki hər hansı binaya və ya yerli HVAC sisteminə tətbiq edilməyib. Türkiyədəki real binalarda istifadə nəzərdə tutulsa, model müstəqil real ölçmə məlumatları, yerli iqlim şəraiti, binanın istilik dinamikası, HVAC avadanlığı, idarəetmə sistemi, doluluq nümunələri və ölçülmüş enerji istehlakı üzərində yenidən öyrədilməli və doğrulanmalıdır. Bunlar edilmədən tədqiqat Türkiyədə enerji qənaətinin, komfort artımının və ya real vaxt idarəetmə uğurunun sübutu kimi şərh edilə bilməz.

Tədqiqatın əsas problemi

HVAC sistemlərində daxili mühit temperaturu xarici temperatur, mövcud daxili temperatur, nisbi rütubət, doluluq və günün saatı kimi bir neçə dəyişənlə əlaqəli ola bilər. Bu dəyişənlər arasındakı əlaqə qeyri-xətti ola bilər və sensor məlumatları və ya istifadəçi üstünlükləri qeyri-müəyyənlik daşıya bilər. Tədqiqatın yanaşması bu problemi üç fərqli hesablama ideyasını birləşdirərək həll etməkdir: intuitiv qeyri-səlis təsvir qeyri-müəyyənliyi təmsil edir, neyron şəbəkə qeyri-xətti əlaqəni yaxınlaşdırır və PSO şəbəkənin çəki/bias parametrlərini xəta funksiyasını kiçildəcək şəkildə axtarır.

İntuitiv qeyri-səlis neyron şəbəkə adi qeyri-səlis şəbəkədən nəyi fərqli təmsil edir?

İntuitiv qeyri-səlis yanaşma yalnız bir qiymətin çoxluğa nə dərəcədə aid olduğunu deyil, eyni zamanda nə dərəcədə aid olmadığını və qalan tərəddüd miqdarını da ayrı kəmiyyətlər kimi təmsil edir; beləliklə, üzvlük, qeyri-üzvlük və tərəddüd üçlüyü ilə qeyri-müəyyənliyin daha ətraflı təsviri hədəflənir.

Qeyri-səlis çoxluq: Tənlik (1)

\[ A=\{\langle x,\mu_A(x)\rangle\mid x\in X\} \]

\(X\) universal çoxluğu, \(x\) bir elementi və \(\mu_A(x)\in[0,1]\) üzvlük dərəcəsini göstərir. \(\mu_A(x)=1\) elementin çoxluğa tam üzvlüyünü, 0 isə üzvlüyün olmadığını təmsil edir. Aradakı qiymətlər qismən üzvlüyü ifadə edir.

Qeyri-səlis qayda: Tənlik (2)

\[ \text{EĞER }x\text{ A ise ve }y\text{ B ise, O HALDE }z\text{ C'dir.} \]

Burada A, B və C qeyri-səlis çoxluqlardır. Mənbə AND/OR kimi əməliyyatların t-norma və t-konormalarla; məsələn, minimum, maksimum və ya cəbri hasil ilə tətbiq oluna biləcəyini bildirir. Qeyri-səlis çıxış lazım olduqda defuzzification vasitəsilə vahid ədədi qiymətə çevrilə bilər.

İntuitiv qeyri-səlis çoxluq: Tənlik (3)

\[ A=\{\langle x,\mu_A(x),\nu_A(x)\rangle\mid x\in X\} \] \[ \pi_A(x)=1-\mu_A(x)-\nu_A(x) \] \[ \mu_A(x)+\nu_A(x)\leq1 \]

\(\mu_A(x)\) üzvlük dərəcəsini (Membership Degree, MD), \(\nu_A(x)\) qeyri-üzvlük dərəcəsini (Non-Membership Degree, NMD), \(\pi_A(x)\) isə tərəddüd dərəcəsini göstərir. Hər üç kəmiyyət ölçüsüzdür və 0–1 aralığında şərh olunur. Üzvlük və qeyri-üzvlük cəmi 1-dən kiçik olduqda qalan hissə açıq şəkildə “tərəddüd” kimi saxlanılır.

Sintetik məlumatlar necə yaradılıb?

DəyişənSimvolPaylanmaMənbədə verilən aralıq
Daxili mühit temperaturuTinBərabər18–30 °C
Xarici mühit temperaturuToutBərabər10–40 °C
Nisbi rütubətHBərabər%30–90
DoluluqODiskret bərabər0–100 nəfər
Günün saatıtBərabər0–24 saat

Ümumilikdə 1000 sintetik nümunə yaradılıb. Hədəf qiymət mənbədə seçilmiş xüsusiyyətlərin çəkili cəminə Qauss səs-küyü əlavə edilməklə müəyyən edilir:

\[ y_i=\sum_{j=1}^{d}w_jx_{i,j}+\varepsilon_i, \qquad \varepsilon_i\sim\mathcal{N}(0,\sigma^2) \] \[ \sigma^2=0.12 \]

\(x_{i,j}\), \(i\)-ci nümunənin \(j\)-ci xüsusiyyəti; \(w_j\), müvafiq xüsusiyyətə verilən çəki; \(\varepsilon_i\) isə sıfır orta qiymətli Qauss səs-küyüdür. Mənbə səs-küy dispersiyasını \(0.12\) kimi verir, lakin xüsusiyyət çəkilərinin \(w_j\) ədədi qiymətlərini bildirmir. Buna görə PDF əsasında sintetik hədəf qiymətlərini müstəqil şəkildə tam eynilə yenidən yaratmaq mümkün deyil.

Mənbə həmçinin stoxastik modellər üçün sabit təsadüfi toxumdan istifadə edildiyini bildirir, lakin həmin toxumun ədədi qiymətini vermir. Bu da tam təkrar istehsal edilə bilmə üçün çatışmayan bir detaldır.

Min–max normallaşdırma

\[ x^{\mathrm{norm}}_{i,j} = \frac{x_{i,j}-\min(x_j)} {\max(x_j)-\min(x_j)} \]

Formula hər xüsusiyyəti 0–1 aralığına gətirir. Surət mövcud qiymətin məlumat dəstindəki minimumdan məsafəsini, məxrəc isə həmin xüsusiyyətin ümumi diapazonunu göstərir. Xüsusiyyət minimum qiymətdədirsə nəticə 0, maksimum qiymətdədirsə 1 olur.

Mənbədaxili diqqət məqamı: Mənbənin Cədvəl 1-də doluluq 0–100 nəfər aralığında müəyyən edildiyi halda, dərc olunmuş nümunəvi xam məlumat sətirlərində doluluq qiymətləri əsasən 0 və ya 1 formasındadır. Verianla bu fərqi öz fərziyyəsi ilə həll etmir; mənbədə olduğu kimi təkrar istehsal edilə bilmə sualı kimi saxlayır.

Üzvlük çevrilməsi: Tənliklər (4)-(8)

Tənlik (4) \[ \mu_x=\frac{1}{n}\sum_{i=1}^{n}x_i \]

\(\mu_x\), xüsusiyyətin nümunə ortalamasıdır.

Tənlik (5) \[ \sigma_x= \sqrt{ \frac{1}{n} \sum_{i=1}^{n}(x_i-\mu_x)^2 } \]

\(\sigma_x\), mənbənin istifadə etdiyi tərifə görə xüsusiyyətin standart sapmasını verir.

Tənlik (6) \[ \mu(x)= \exp\left[ -\left(\frac{x-\mu_x}{\sigma_x}\right)^2 \right] \]

Bu, mənbədə istifadə olunan üzvlük funksiyasıdır. \(x\) orta qiymətə yaxınlaşdıqca qüvvət sıfıra yaxınlaşır və üzvlük dərəcəsi 1-ə yaxınlaşır. Orta qiymətdən məsafə artdıqca üzvlük dərəcəsi eksponensial şəkildə azalır. Mənbə formulunun forması olduğu kimi qorunub; standart Qauss sıxlıq funksiyasındakı \(1/2\) əmsalı burada yoxdur.

Tənlik (7) \[ \nu(x)=(1-\pi_0)[1-\mu(x)] \] \[ \pi(x)=\pi_0[1-\mu(x)] \] \[ \pi_0=0.1 \]

Üzvlükdən qalan \(1-\mu(x)\) miqdarının %90-ı qeyri-üzvlük, %10-u tərəddüd kimi ayrılır. Beləliklə:

\[ \mu(x)+\nu(x)+\pi(x)=1 \]

Məsələn, \(\mu(x)=0.8\) olarsa \(1-\mu=0.2\); mənbə formuluna görə \(\nu=0.18\) və \(\pi=0.02\) olur. Bu nümunə yalnız tənliyin arifmetik mənasını göstərir, yeni təcrübə nəticəsi deyil.

Tənlik (8) \[ A(x)=\langle x,\mu(x),\nu(x),\pi(x)\rangle \]

Bu dördkomponentli təsvir ədədi girişi intuitiv qeyri-səlis məlumatla birlikdə təmsil edir.

Bildirilən nəticələr hansı IFNN arxitekturasından əldə olunub?

Mənbənin ədədi nəticələri 5 normallaşdırılmış skalyar girişdən, 15 gizli neyrondan və 2 çıxışdan ibarət 5–15–2 irəli ötürməli hesablama qrafından əldə olunur; məqalədə təsvir edilən 10 MD/NMD kanallı, açıq qayda və defuzzification qatlı daha geniş IFNN quruluşu konseptual izahdır və bildirilən 122-parametrli nəticələri yaradan əlavə hesablama qatları deyil.

KomponentHesabParametr
Cəmi75 + 15 + 30 + 2122
Giriş → gizli qat çəkiləri5 × 1575
Gizli qat biası1515
Gizli → çıxış çəkiləri15 × 230
Çıxış biası22

Məqalədə daha geniş “tam iki-kanallı IFNN” üçün hər xam xüsusiyyətin bir üzvlük və bir qeyri-üzvlük kanalı yarada biləcəyi izah olunur:

\[ \phi(x)= [\mu_1(x_1),\nu_1(x_1),\ldots,\mu_d(x_d),\nu_d(x_d)]^T \in\mathbb{R}^{2d} \] \[ n_{\mathrm{in}}=2d \]

Beş xam dəyişən üçün bu konseptual təsvir 10 kanala uyğun gəlir. Lakin mənbə xüsusilə bunun bildirilən 5–15–2 təcrübəsinin hesablama arxitekturası olmadığını bildirir. Bu iki təsvir bir-biri ilə qarışdırılmamalıdır.

Konseptual qayda qatı

\[ w_r(x)= \prod_{i\in I_r} \mu_i(x_i)^{\alpha_{ir}} \]

\(w_r\), \(r\)-ci qeyri-səlis qaydanın aktivləşmə gücüdür. \(I_r\), qaydanın istifadə etdiyi xüsusiyyətlərin indeks çoxluğunu; \(\alpha_{ir}\) isə istəyə bağlı çəki/üstlükləri göstərir.

\[ \hat y_{\mathrm{fuzzy}}(x) = \frac{\sum_{r=1}^{R}w_r(x)c_r} {\sum_{r=1}^{R}w_r(x)+\epsilon} \]

\(c_r\) qaydanın nəticə qiymətidir; kiçik \(\epsilon>0\) məxrəcin sıfır olmasının qarşısını alır. Bu formula məqalədəki ümumi IFNN izahının bir hissəsidir; bildirilən 122-parametrli təcrübədə ayrıca explicit qayda qatı kimi istifadə edildiyi iddia edilmir.

Üzvlük/qeyri-üzvlük çıxışından temperatura çevrilmə

Mənbə iki çıxışın tək temperatur üçün üzvlük və qeyri-üzvlük dərəcələrini təmsil etdiyini izah edir:

\[ \hat o_\mu = \sigma(w_\mu^Th+b_\mu) \] \[ \hat o_\nu = \sigma(w_\nu^Th+b_\nu) \] \[ \hat o_\pi = 1-\hat o_\mu-\hat o_\nu \]

Hədəf temperatur əvvəlcə normallaşdırılır:

\[ y_{\mathrm{norm}} = \frac{y-y_{\min}} {y_{\max}-y_{\min}} \] \[ \mu_y=y_{\mathrm{norm}}, \qquad \nu_y=1-\mu_y-\pi, \qquad \pi=0.1 \]

İki çıxışın orta kvadrat itkisi:

\[ L= \frac{1}{2N} \sum_{i=1}^{N} \left[ (\mu_i-\hat\mu_i)^2+ (\nu_i-\hat\nu_i)^2 \right] \]

Çıxarış zamanı mənbə üzvlük çıxışını normallaşdırılmış temperatur kimi qəbul edir:

\[ \hat y_{\mathrm{norm}}=\hat o_\mu \] \[ \hat y= \hat y_{\mathrm{norm}} (y_{\max}-y_{\min})+y_{\min} \]

Mənbədaxili diqqət məqamı: əvvəlki konseptual izahda arxivləşdirilmiş çıxışlardan Selsi dərəcəsinə çevrilmənin unikal şəkildə göstərilmədiyi və təkrar icrada açıq şəkildə müəyyən edilməli olduğu deyildiyi halda, dərhal sonrakı bölmə yuxarıdakı üzvlük əsaslı çevrilməni verir. Bu mətn gərginliyi Verianla tərəfindən səssiz şəkildə uzlaşdırılmayıb.

Sintetik məlumatların hazırlanmasını, IFNN hesablama qrafını, PSO optimallaşdırmasını və qorunan test mərhələsini göstərən Verianla sxemi. Mənbə nəşriyyatının orijinal fiqurunun piksel və ya kompozisiya surəti deyil.

Tədqiqatın Metodu və Nəticələri

PSO 122 şəbəkə parametrini necə axtarır?

Hər PSO hissəciyi 122 ölçülü namizəd həll vektorudur. Bu 122 komponentin hər biri sənədləşdirilmiş IFNN-in bir çəkisi və ya bias qiymətidir. Hissəciyin uğuru modelin doğrulama məlumatındakı orta kvadrat xətası ilə ölçülür.

Tənlik (9) \[ J(x)=\operatorname{MSE}(x) = \frac{1}{n} \sum_{k=1}^{n} [y_k-\hat y_k(x)]^2 \]

\(x\), 122 parametrli hissəcik mövqeyini; \(y_k\), hədəf qiyməti; \(\hat y_k(x)\), həmin parametrlərlə işləyən IFNN-in proqnozunu göstərir. PSO-nun məqsədi \(J(x)\)-i kiçiltməkdir.

Şəxsi və qlobal ən yaxşı mövqelər

Hər hissəcik indiyədək gördüyü ən aşağı MSE-li mövqeyi \(p_i\) kimi saxlayır. Bütün sürüdəki ən yaxşı şəxsi mövqe isə \(g\), yəni global best kimi saxlanılır.

\[ g^{(t)} = \arg\min_i J(p_i^{(t)}) \]

PSO sürət yenilənməsi: Tənlik (10)

\[ v_i^{(t+1)} = wv_i^{(t)} + c_1r_1^{(t)} \odot [p_i^{(t)}-x_i^{(t)}] + c_2r_2^{(t)} \odot [g^{(t)}-x_i^{(t)}] \]

Birinci termin hissəciyin mövcud hərəkət meylini daşıyır. İkinci “koqnitiv” termin hissəciyi öz keçmiş ən yaxşı həllinə, üçüncü “sosial” termin isə bütün sürünün ən yaxşı həllinə yönəldir. \(r_1\) və \(r_2\), elementləri 0–1 arasında bərabər paylanmadan seçilən təsadüfi vektorlardır; \(\odot\) element üzrə vurmadır.

Mövqe yenilənməsi: Tənlik (11)

\[ x_i^{(t+1)} = x_i^{(t)} + v_i^{(t+1)} \]

Yeni parametr vektoru köhnə mövqeyə yeni sürət vektorunun əlavə edilməsi ilə əldə olunur.

ParametrQiymət
Hissəcik sayı50
Hissəcik ölçüsü122
Maksimum iterasiya100
Ətalət çəkisi0.7; həmçinin dinamik aralıq wmax=0.9, wmin=0.4
Koqnitiv əmsal c11.5
Sosial əmsal c21.5
Sürət həddi0.5
Tolerans εtol0.01
Başlanğıc mövqeyiBərabər paylanma, [-1, 1]
Başlanğıc sürətiBərabər paylanma, [-0.5, 0.5]

Mənbə təcrübə quruluşunda MATLAB R2023a, Intel Core i7 prosessorlu və 16 GB RAM-li iş stansiyasından istifadə etdiyini bildirir. Gizli qatdakı neyronların sayı üçün 5–25 aralığında ilkin təcrübələr aparılıb və beşqat çarpaz doğrulamadakı orta MSE-yə əsasən 15 neyron seçilib. Mənbə həmçinin konseptual arxitektura üçün 15 intuitiv qeyri-səlis qaydanın seçildiyini bildirir.

Modelin hazırlanması və testin ayrılması

Mərhələİstifadə olunan məlumatQorunan test dəstindən istifadə olundumu?
İlkin bölünmə1000 nümunə → 700 hazırlama + 300 testXeyr; ayrılıb saxlanıldı
İlkin emalHər hazırlama fold-unun yalnız təlim hissəsiXeyr
5 qatlı çarpaz doğrulama700 hazırlama nümunəsiXeyr
PSO fitness hesabıHazırlama daxilindəki təlim/doğrulama fold-larıXeyr
Hiperparametr seçimiÇarpaz doğrulama nəticələriXeyr
Yekun test300 qorunan nümunəBəli; yalnız son mərhələdə

Performans metrikləri

\[ \operatorname{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i-\hat y_i)^2 \]

MSE xətaları kvadratlaşdırdığı üçün böyük xətalara daha çox çəki verir. Daha kiçik qiymət daha aşağı orta kvadrat xəta deməkdir.

\[ \operatorname{RMSE} = \sqrt{\operatorname{MSE}} \]

RMSE, MSE-nin kvadrat köküdür. Mənbədə proqnozlaşdırma performansının müqayisəsi üçün istifadə olunur.

\[ \operatorname{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i-\hat y_i| \]

MAE proqnoz ilə hədəf arasındakı mütləq fərqlərin ortalamasıdır.

\[ R^2 = 1- \frac{ \sum_i(y_i-\hat y_i)^2 }{ \sum_i(y_i-\bar y)^2 } \]

R² proqnozların hədəf dəyişəndəki variasiyanı hansı dərəcədə izah etdiyini göstərən goodness-of-fit ölçüsüdür. MSE, RMSE və MAE ilə eyni şeyi ölçmür. Buna görə daha yüksək R² ilə daha aşağı nöqtəvi xəta həmişə eyni modeldə birləşməyə bilər.

Qorunan test nəticələri

MetrikModelin hazırlanması/təlimiQorunan test
MSE0.08370.0853
RMSE0.28930.2920
MAE0.22860.2314
R²0.88420.8784

Beşqat çarpaz doğrulama

FoldMSERMSEMAER²
10.08710.29510.23380.8726
20.08460.29090.22910.8812
30.08920.29870.23640.8698
40.08630.29380.23120.8765
50.08240.28710.22650.8894

Mənbə orta çarpaz doğrulama MSE-sini 0.0859 ± 0.0024 kimi verir. Fold-lar arasındakı bu kiçik dəyişkənlik eyni sintetik məlumat yaratma prosesi daxilində model performansının nisbətən sabit olduğunu dəstəkləyir; fərqli real binalara ümumiləşdirilə bildiyini sübut etmir.

Müqayisə edilən modellər

ModelMSERMSEMAER²
ANN0.09680.31110.24460.8621
Random Forest0.09170.30280.23840.8734
XGBoost0.08890.29820.23410.8796
LSTM0.08760.29600.23270.8813
Transformer0.08680.29460.23180.8826
IFNN–PSO0.08530.29200.23140.8784

Düzgün şərh: IFNN–PSO bu cədvəldə MSE, RMSE və MAE baxımından ən yaxşı nəticəni verir. R² baxımından Transformer, LSTM və XGBoost daha yüksək qiymətlər verir. Buna görə “IFNN–PSO hər ölçüdə bütün modelləri geridə qoydu” ifadəsi mənbə cədvəli ilə uyğun deyil.

Ölçüsüz temperatur-sapması əvəzedicisindəki azalma enerji qənaəti deməkdirmi?

Xeyr. Mənbə bu kəmiyyətdən yalnız eyni sintetik təcrübə şəraitində proqnoz modellərini müqayisə etmək üçün müəyyən edilmiş izahedici bal kimi istifadə edir; HVAC elektrik enerjisini, istilik enerjisini, kompüter enerji istehlakını, idarəetmə səyini və ya bina enerji qənaətini ölçmür.

Tənlik (12) \[ J_{\mathrm{surr}} = \sum_{i=1}^{n} \left( T_{\mathrm{desired},i} - T_{\mathrm{predicted},i} \right)\Delta t \]

\(T_{\mathrm{desired}}\) hədəf temperaturu, \(T_{\mathrm{predicted}}\) proqnozlaşdırılan temperaturu, \(\Delta t\) isə nümunələmə intervalını göstərir. Verianla formulu mənbədə çap olunduğu simvolik quruluşla ötürür. Mənbə bu kəmiyyətin fiziki enerji şərhi olmadığını xüsusilə vurğulayır.

ModelƏvəzedici balMənbədə IFNN–PSO-ya nisbətən bildirilən fərq
Xətti Reqressiya46.35%17.60 daha yüksək istinad balı
ANN44.21%13.61 daha yüksək istinad balı
IFNN–PSO38.19İstinad

Mənbə bu nisbətləri:

\[ 100\frac{46.35-38.19}{46.35}=17.60\% \] \[ 100\frac{44.21-38.19}{44.21}=13.61\% \]

şəklində hesablayır. Bunlar yalnız müəyyən edilmiş surrogate score azalmasıdır.

Mənbə həmçinin ANN ilə IFNN–PSO arasındakı sabit fərqi:

\[ \Delta J_{\mathrm{surr}} = 44.21-38.19 = 6.02 \] \[ S_{\mathrm{surr}}(t)=6.02t \]

şəklində arifmetik olaraq toplayır. Məsələn, 100 sintetik addımda 602.0 qiymətinə çatmaq real zaman ərzində toplanan enerji qənaəti, fiziki sistem dinamikası və ya qapalı dövrəli idarəetmə qazancı deyil. Mənbə bunu yalnız arxivləşdirilmiş surrogate ballarının arifmetik təsviri kimi saxlayır.

PSO yaxınlaşması

Mənbə PSO-nun ən yaxşı fitness qiymətinin ilk iterasiyada 0.1923-dən 25-ci iterasiyada 0.0973-ə, 50-ci iterasiyada 0.0850-a, 75-ci iterasiyada 0.0830-a və 100-cü iterasiyada 0.0826-ya endiyini bildirir. Bu sıra istifadə olunan sintetik hazırlama problemi çərçivəsində optimallaşdırmanın azalan fitness yaratdığını göstərir.

Mənbə PSO-nun hesablama mürəkkəbliyini təxminən:

\[ O(P\times T\times N\times W) \]

şəklində ifadə edir. Burada \(P\) sürü ölçüsü, \(T\) maksimum iterasiya sayı və \(N\) öyrədilə bilən parametr sayı kimi izah olunur. Yaxın kontekstdə \(W\)-nun dəqiq riyazi tərifi verilmədiyinə görə Verianla ona öz mənasını təyin etmir.

Statistik analiz nə dərəcədə ətraflı bildirilib?

Beş çarpaz doğrulama fold-u üzrə orta qiymət, standart sapma və %95 etibar intervalının hesablandığı bildirilir. Mənbə etibar intervalını:

\[ CI= \bar x \pm t_{0.975,n-1} \frac{s}{\sqrt n}, \qquad n=5 \]

şəklində verir. \(\bar x\) nümunə ortalaması, \(s\) nümunə standart sapması və \(t_{0.975,n-1}\) Student-t kritik qiymətidir.

Məqalədə həmçinin müqayisələr üçün cütləşdirilmiş statistik əhəmiyyətlilik testlərinin aparıldığı və \(\alpha=0.05\) istifadə edildiyi bildirilir. Lakin araşdırılan PDF-də hansı cütləşdirilmiş testin istifadə olunduğu, hər müqayisə üzrə test statistikaları və p-qiymətləri ətraflı nəticə cədvəli ilə verilməyib. Buna görə “statistik olaraq əhəmiyyətli” ifadəsinin müstəqil şəkildə yenidən yoxlanması üçün lazım olan hesabat təfərrüatları tam deyil.

Mənbədəki təkrar istehsal edilə bilmə və ardıcıllıq problemləri

  • Sintetik hədəf çəkiləri çatışmır: \(y_i=\sum w_jx_{i,j}+\varepsilon_i\) formulundakı \(w_j\) qiymətləri bildirilməyib.
  • Təsadüfi toxum: sabit seed istifadə edildiyi deyilir, lakin ədədi seed qiyməti verilmir.
  • Doluluğun göstərilməsi: metod cədvəlində 0–100 nəfər aralığı verildiyi halda nümunəvi xam sətirlərdə 0/1 qiymətləri görünür.
  • Sənədləşdirilmiş şəbəkə ilə konseptual IFNN fərqi: ədədi nəticələr 5–15–2, 122 parametrli şəbəkədən gəlir; geniş MD/NMD-qayda-defuzzification arxitekturası izahedicidir.
  • ANN baza xətti: metod bölməsində 10 gizli neyronlu ANN təsvir edildiyi halda Cədvəl 19 etiketi “ANN (5–15–1)” formasındadır.
  • R² təsviri: mənbə mətni xüsusilə Transformer və LSTM-in daha yüksək R² verdiyini bildirir; Cədvəl 14-ə baxıldıqda XGBoost-un 0.8796 qiyməti də IFNN–PSO-nun 0.8784 qiymətindən yüksəkdir.
  • Statistik əhəmiyyətlilik hesabatı: \(\alpha=0.05\) və cütləşdirilmiş testlərdən bəhs olunur, lakin test növü, test statistikası və p-qiymətləri açıq cədvəldə verilmir.

Tədqiqatın dəstəklədiyi nəticə

Tədqiqat müəyyən edilmiş sintetik məlumat yaratma prosesində və istifadə olunan model hazırlama/test protokolunda IFNN–PSO-nun ənənəvi ANN, Random Forest, XGBoost, LSTM və Transformer müqayisələrinə nisbətən MSE, RMSE və MAE baxımından aşağı xəta yaratdığını dəstəkləyir. Beşqat çarpaz doğrulama eyni sintetik məlumat yaratma kontekstində nisbətən sabit nəticələr göstərir.

Tədqiqatın dəstəkləmədiyi nəticələr

Tədqiqat real HVAC sistemində temperatur idarəetməsi həyata keçirməyib. Fiziki bina və ya doğrulanmış istilik qurğusu modeli, idarəetmə əmrləri, aktuator dinamikası, real sensor axını, açıq istilik komfort meyarı, bina idarəetmə sistemi qeydi və ya ölçülmüş HVAC enerji istehlakı yoxdur. Buna görə nəticələrdən real vaxt idarəetmə uğuru, istifadəyə hazır sistem, real bina komfortunun yaxşılaşması və ya faizlə enerji qənaəti çıxarıla bilməz.

Real tətbiqə keçməzdən əvvəl müstəqil benchmark məlumat dəstləri, real bina ölçmələri, binanın istilik dinamikası, idarəedici və aktuator modeli, istilik komfort meyarları və ölçülmüş HVAC enerji istehlakı ilə yeni doğrulama tələb olunur.

Mənbə və Metod Qeydi

Orijinal başlıq: Synthetic Temperature Prediction Using an Intuitionistic Fuzzy Neural Network by Particle Swarm Optimization

Müəlliflər: Zhe Liu; Yulong Huang; Ikhtesham Ullah; Narinderjit Singh Sawaran Singh; Ziad Khan; Rashid Jan.

Müəllif sırası: Zhe Liu → Yulong Huang → Ikhtesham Ullah → Narinderjit Singh Sawaran Singh → Ziad Khan → Rashid Jan.

Bərabər töhfə: Mənbədə bərabər töhfə bəyanı görünmür.

Məsul müəlliflər: Yulong Huang və Ziad Khan.

Qurumlar: College of Mathematics and Computer, Xinyu University, Çin; Research Fellow Program, Shinawatra University, Tayland; Jadara Research Center, Jadara University, İordaniya; Department of Mathematics, Abbottabad University of Science and Technology, Pakistan; Faculty of Data Science and Information Technology, INTI International University, Malayziya; Department of Mathematics, College of Sciences, Qassim University, Səudiyyə Ərəbistanı.

Mənbə növü: Orijinal tədqiqat məqaləsi; sintetik məlumat və ədədi modelləşdirməyə əsaslanan proof-of-concept.

Resenziya statusu: Resenziyalıdır. Algorithms, MDPI tərəfindən nəşr olunan resenziyalı açıq girişli elmi jurnaldır.

Jurnal: Algorithms.

Nəşriyyat: MDPI.

İl / cild / nömrə / məqalə no: 2026 / 19 / 9 / 734.

DOI: 10.3390/a19090734

Alınma tarixi: 3 İyul 2026.

Reviziya tarixi: 20 Avqust 2026.

Qəbul edilmə tarixi: 26 Avqust 2026.

Nəşr tarixi: 1 Sentyabr 2026.

Akademik redaktor: Mehmet Aydin.

Rəsmi keçid: https://doi.org/10.3390/a19090734

Lisenziya: Creative Commons Attribution 4.0 International (CC BY 4.0).

Əsas elmi metod: Sintetik HVAC məlumatlarının yaradılması; min–max normallaşdırma; intuitiv qeyri-səlis üzvlük, qeyri-üzvlük və tərəddüd təsviri; 5–15–2 irəli ötürməli neyron şəbəkə; 122 çəki/bias parametrinin Hissəcik Sürüsü Optimallaşdırması ilə MSE minimallaşdırılmasına görə optimallaşdırılması; beşqat çarpaz doğrulama; 300 nümunəlik müstəqil qorunan test dəsti.

Məlumat ölçüsü: 1000 sintetik nümunə; 700 model hazırlama, 300 qorunan test.

Proqram təminatı/aparat: MATLAB R2023a; Intel Core i7 prosessor; 16 GB RAM.

Müqayisələr: Xətti Reqressiya, ANN, Random Forest, XGBoost, LSTM və Transformer.

Əsas test nəticəsi: IFNN–PSO: MSE=0.0853; RMSE=0.2920; MAE=0.2314; R²=0.8784.

Maliyyələşdirmə: Müəllif bəyanına görə xarici maliyyələşdirmə alınmayıb.

Etika komitəsi: İnsan və ya heyvan üzərində tədqiqatın olmadığı bildirilib.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Məlumatların əlçatanlığı: Müəlliflər tədqiqatın orijinal töhfələrinin məqalədə yer aldığını bildiriblər.

Süni intellekt istifadəsi bəyanı: Müəlliflər məqalənin hazırlanmasında süni intellekt alətlərindən istifadə etmədiklərini bildiriblər.

Maraqların toqquşması: Müəlliflər maraqların toqquşmasının olmadığını bildiriblər.

Müəllif töhfələri: Zhe Liu: formal analiz, məsləhətçilik, nəzərdən keçirmə və redaktə. Yulong Huang: konseptuallaşdırma, formal analiz və tədqiqat. Ikhtesham Ullah: doğrulama, formal analiz, nəzərdən keçirmə və redaktə. Narinderjit Singh Sawaran Singh: proqram təminatı, maliyyələşdirmə və metod. Ziad Khan: vizuallaşdırma, formal analiz, metod, məlumatların idarə edilməsi və ilkin layihə. Rashid Jan: konseptuallaşdırma, formal analiz, məsləhətçilik və metod.

Əsas məhdudiyyət: Tədqiqat real HVAC idarəetmə təcrübəsi deyil; fiziki qurğu, doğrulanmış bina modeli, real sensor məlumatları, real enerji ölçməsi, aktuator dinamikası və qapalı dövrəli idarəetmə qiymətləndirilməsi daxil deyil.

Mənbədaxili mühüm qeyri-müəyyənliklər: Sintetik hədəf çəkiləri, sabit təsadüfi toxumun ədədi qiyməti və bəzi təkrar istehsal edilə bilmə təfərrüatları bildirilməyib. Sənədləşdirilmiş 5–15–2 hesablama qrafı ilə konseptual geniş IFNN arxitekturası ayrı saxlanmalıdır. ANN baza xəttinin gizli qat ölçüsü mətnlə Cədvəl 19 arasında uyğun deyil. Statistik əhəmiyyətlilik iddiası üçün ətraflı p-qiymətləri/test statistikaları verilməyib.


Paylaşın:

Şərhlər yoxlandıqdan sonra yayımlanır. Şərhiniz təsdiq prosesinə daxil ediləcək və uyğun hesab olunduqda görünəcək.

Şərh yazın

E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib