Бул изилдөө белгисиздик тууралуу маалыматты мүчөлүк жана мүчө эместик даражалары менен көрсөткөн интуиционисттик бүдөмүк ыкманы, сызыктуу эмес байланыштарды үйрөнгөн нейрондук тармак менен жана тармак параметрлерин Бөлүкчөлөр Үйүрүн Оптималдаштыруу (Particle Swarm Optimization, PSO) аркылуу издеген оптималдаштыруу ыкмасы менен бириктирет. Сунушталган IFNN–PSO синтетикалык HVAC өзгөрмөлөрүнөн талап кылынган ички чөйрө температурасын болжолдоо үчүн түзүлгөн proof-of-concept модели. Сандык эксперименттерде колдонулган документтештирилген тармак 5 нормалдаштырылган кириштен, 15 жашыруун нейрондон жана мүчөлүк/мүчө эместик маалыматын көрсөткөн 2 чыгыштан турат; жалпы 122 салмак жана bias параметри PSO тарабынан оптималдаштырылат.
Маалыматтар реалдуу имараттан өлчөнгөн эмес. Жалпы 1000 синтетикалык үлгү түзүлгөн; 700 үлгү модель иштеп чыгуу, беш иреттик кайчылаш текшерүү, архитектура тандоо жана PSO жөндөөлөрү үчүн гана колдонулган; калган 300 үлгүдөн турган корголгон тест топтому бардык тандоо процесстери аяктагандан кийин бир гана акыркы баалоо үчүн колдонулган. Корголгон тест топтомунда IFNN–PSO үчүн MSE 0.0853, RMSE 0.2920, MAE 0.2314 жана R² 0.8784 деп билдирилген.
IFNN–PSO салыштырылган моделдердин арасында MSE, RMSE жана MAE боюнча эң төмөн ката маанилерин берген. Бирок R² боюнча эң жогорку модель эмес: булактын 14-таблицасында Transformer үчүн 0.8826, LSTM үчүн 0.8813 жана XGBoost үчүн 0.8796 берилсе, IFNN–PSO 0.8784 деңгээлинде. Демек, изилдөө “бардык метрикалар боюнча эң мыкты модель” деген жыйынтыкты колдобойт; синтетикалык маалыматтарда ката чоңдуктары боюнча эң жакшы, түшүндүрүлгөн дисперсия боюнча атаандаштыкка жөндөмдүү натыйжаны колдойт.
Изилдөөдө ошондой эле IFNN–PSO үчүн 38.19, ANN үчүн 44.21 жана сызыктуу регрессия үчүн 46.35 маанисиндеги “өлчөмсүз температура четтөөсүнүн суррогаты” салыштырылган. IFNN–PSO бул аныкталган суррогат баллда ANNге караганда %13.61, сызыктуу регрессияга караганда %17.60 төмөн маани бергени энергия үнөмдөө эмес. Изилдөө реалдуу HVAC электр кубатын, жылуулук энергиясын, компрессор кубатын, COPту, аба агымын, актуатор динамикасын же имараттын энергия керектөөсүн өлчөгөн эмес.
Түркия жагынан жыйынтыктар түздөн-түз Түркиядагы имаратка же жергиликтүү HVAC системасына колдонулган эмес. Түркиядагы реалдуу имараттарда колдонуу каралса, модель көз карандысыз реалдуу өлчөө маалыматтары, жергиликтүү климаттык шарттар, имараттын жылуулук динамикасы, HVAC жабдуулары, башкаруу системасы, толуктук үлгүлөрү жана өлчөнгөн энергия керектөөсү боюнча кайра үйрөтүлүп, текшерилиши керек. Бул жасалмайынча изилдөөнү Түркияда энергия үнөмдөөнүн, комфорттун өсүшүнүн же реалдуу убакыттагы башкаруу ийгилигинин далили катары чечмелөөгө болбойт.
Изилдөөнүн негизги маселеси
HVAC системаларында ички чөйрө температурасы тышкы температура, учурдагы ички температура, салыштырмалуу нымдуулук, толуктук жана күндүн убактысы сыяктуу бир нече өзгөрмө менен байланыштуу болушу мүмкүн. Бул өзгөрмөлөрдүн ортосундагы байланыш сызыктуу эмес болушу мүмкүн жана сенсор маалыматтары же колдонуучунун артыкчылыктары белгисиздикти камтышы мүмкүн. Изилдөөнүн ыкмасы бул маселени үч башка эсептөө идеясын бириктирип карайт: интуиционисттик бүдөмүк көрсөтүү белгисиздикти чагылдырат, нейрондук тармак сызыктуу эмес байланышты жакындатат, ал эми PSO тармактын салмак/bias параметрлерин ката функциясын азайта тургандай издейт.
Интуиционисттик бүдөмүк нейрондук тармак кадимки бүдөмүк тармактан эмнени башкача көрсөтөт?
Интуиционисттик бүдөмүк ыкма маанинин көптүккө канчалык деңгээлде таандык экенин гана эмес, ошол эле учурда канчалык деңгээлде таандык эместигин жана калган экиленүү өлчөмүн да өзүнчө чоңдуктар катары көрсөтөт; ошентип мүчөлүк, мүчө эместик жана экиленүү үчтүгү аркылуу белгисиздикти кеңири сүрөттөө максат кылынат.
Бүдөмүк көптүк: Теңдеме (1)
\(X\) универсалдуу көптүктү, \(x\) бир элементти жана \(\mu_A(x)\in[0,1]\) мүчөлүк даражасын көрсөтөт. \(\mu_A(x)=1\) элементтин көптүккө толук мүчөлүгүн, 0 болсо мүчөлүк жок экенин билдирет. Ортодогу маанилер жарым-жартылай мүчөлүктү көрсөтөт.
Бүдөмүк эреже: Теңдеме (2)
Бул жердеги A, B жана C бүдөмүк көптүктөр. Булак AND/OR сыяктуу операцияларды t-норма жана t-конорма менен; мисалы, минимум, максимум же алгебралык көбөйтүү аркылуу колдонсо болорун билдирет. Зарыл болгондо бүдөмүк чыгыш defuzzification аркылуу бир сандык мааниге айландырылышы мүмкүн.
Интуиционисттик бүдөмүк көптүк: Теңдеме (3)
\(\mu_A(x)\) мүчөлүк даражасын (Membership Degree, MD), \(\nu_A(x)\) мүчө эместик даражасын (Non-Membership Degree, NMD), ал эми \(\pi_A(x)\) экиленүү даражасын көрсөтөт. Үч чоңдук тең өлчөмсүз жана 0–1 аралыгында чечмеленет. Мүчөлүк менен мүчө эместиктин суммасы 1ден кичине болгондо калган бөлүк ачык түрдө “экиленүү” катары сакталат.
Синтетикалык маалымат кантип түзүлгөн?
| Өзгөрмө | Белги | Бөлүштүрүү | Булакта берилген аралык |
|---|---|---|---|
| Ички чөйрө температурасы | Tin | Бир калыпта | 18–30 °C |
| Тышкы чөйрө температурасы | Tout | Бир калыпта | 10–40 °C |
| Салыштырмалуу нымдуулук | H | Бир калыпта | %30–90 |
| Толуктук | O | Дискреттүү бир калыпта | 0–100 адам |
| Күндүн убактысы | t | Бир калыпта | 0–24 саат |
Жалпы 1000 синтетикалык үлгү түзүлгөн. Максаттуу маани булакта тандалган өзгөчөлүктөрдүн салмакталган суммасына Гаусс ызы-чуусун кошуу менен аныкталат:
\(x_{i,j}\), \(i\)-үлгүнүн \(j\)-өзгөчөлүгү; \(w_j\), тиешелүү өзгөчөлүккө берилген салмак; \(\varepsilon_i\), орточосу нөл болгон Гаусс ызы-чуусу. Булак ызы-чуу дисперсиясын \(0.12\) деп берет, бирок өзгөчөлүк салмактарынын \(w_j\) сандык маанилерин билдирбейт. Ошондуктан PDFден чыгып синтетикалык максаттуу маанилерди көз карандысыз түрдө так кайра чыгаруу мүмкүн эмес.
Булак ошондой эле стохастикалык моделдер үчүн туруктуу кокустук seed колдонулганын билдирет, бирок анын сандык маанисин бербейт. Бул толук кайра чыгарылуучулук үчүн жетишпеген дагы бир детал.
Min–max нормалдаштыруу
Формула ар бир өзгөчөлүктү 0–1 аралыгына алып келет. Алым учурдагы маанинин маалымат топтомундагы минимумдан алыстыгын, бөлүм болсо ошол өзгөчөлүктүн жалпы аралыгын көрсөтөт. Өзгөчөлүк минималдуу мааниде болсо натыйжа 0, максималдуу мааниде болсо 1 болот.
Булактагы көңүл буруучу жагдай: Булактын 1-таблицасында толуктук 0–100 адам аралыгында аныкталганы менен, жарыяланган өкүлчүлүктүү чийки маалымат саптарында толуктук маанилери көбүнчө 0 же 1 болуп көрүнөт. Verianla бул айырманы өз божомолу менен чечпейт; булакта кандай болсо, ошондой кайра чыгарылуучулук маселеси катары калтырат.
Мүчөлүккө айландыруу: Теңдемелер (4)-(8)
\(\mu_x\), өзгөчөлүктүн үлгү орточосу.
\(\sigma_x\), булак колдонгон аныктама боюнча өзгөчөлүктүн стандарттык четтөөсүн берет.
Бул булакта колдонулган мүчөлүк функциясы. \(x\) орточого жакындаган сайын даража нөлгө жакындап, мүчөлүк даражасы 1ге жакындайт. Орточодон алыстык көбөйгөн сайын мүчөлүк даражасы экспоненциалдуу түрдө азаят. Булак формуласындагы форма так сакталган; стандарттуу Гаусс тыгыздык функциясындагы \(1/2\) коэффициенти бул жерде жок.
Мүчөлүктөн калган \(1-\mu(x)\) өлчөмүнүн %90ы мүчө эместикке, %10у экиленүүгө бөлүнөт. Ошентип:
Мисалы, \(\mu(x)=0.8\) болсо, \(1-\mu=0.2\); булак формуласы боюнча \(\nu=0.18\) жана \(\pi=0.02\) болот. Бул мисал теңдеменин арифметикалык маанисин гана көрсөтөт, жаңы эксперименттик жыйынтык эмес.
Бул төрт компоненттүү көрсөтүү сандык киришти интуиционисттик бүдөмүк маалымат менен бирге чагылдырат.
Билдирилген жыйынтыктар кайсы IFNN архитектурасынан алынган?
Булактын сандык жыйынтыктары 5 нормалдаштырылган скалярдык кириш, 15 жашыруун нейрон жана 2 чыгыштан турган 5–15–2 алдыга өткөрүүчү эсептөө графынан алынат; макалада баяндалган 10 MD/NMD каналдуу, ачык эрежелер жана defuzzification катмары бар кеңири IFNN түзүлүшү концептуалдык түшүндүрмө болуп саналат жана билдирилген 122-параметрлик натыйжаларды чыгарган кошумча эсептөө катмарлары эмес.
| Компонент | Эсеп | Параметр |
|---|---|---|
| Жалпы | 75 + 15 + 30 + 2 | 122 |
| Кириш → жашыруун катмар салмактары | 5 × 15 | 75 |
| Жашыруун катмар bias | 15 | 15 |
| Жашыруун → чыгыш салмактары | 15 × 2 | 30 |
| Чыгыш bias | 2 | 2 |
Макалада кеңири “толук эки-каналдуу IFNN” үчүн ар бир чийки өзгөчөлүк бир мүчөлүк жана бир мүчө эместик каналын түзүшү мүмкүн экени түшүндүрүлөт:
Беш чийки өзгөрмө үчүн бул концептуалдык көрсөтүү 10 каналга туура келет. Бирок булак мунун билдирилген 5–15–2 экспериментинин эсептөө архитектурасы эмес экенин өзгөчө айтат. Бул эки баяндоо бири-бирине аралаштырылбашы керек.
Концептуалдык эреже катмары
\(w_r\), \(r\)-бүдөмүк эреженин ишке кирүү күчү. \(I_r\), эреже колдонгон өзгөчөлүктөрдүн индекстер топтомун; \(\alpha_{ir}\) болсо каалоого жараша салмак/даражаларды көрсөтөт.
\(c_r\) эреженин жыйынтык мааниси; кичине \(\epsilon>0\) бөлүмдүн нөл болушуна жол бербейт. Бул формула макаладагы жалпы IFNN түшүндүрмөсүнүн бөлүгү; билдирилген 122-параметрлик экспериментте өзүнчө explicit эреже катмары катары колдонулган деп айтылбайт.
Мүчөлүк/мүчө эместик чыгышынан температурага айландыруу
Булак эки чыгыш бир температура үчүн мүчөлүк жана мүчө эместик даражаларын көрсөткөнүн түшүндүрөт:
Максаттуу температура адегенде нормалдаштырылат:
Эки чыгыштын орточо квадраттык жоготуусу:
Чыгарууда булак мүчөлүк чыгышын нормалдаштырылган температура катары алат:
Булактагы көңүл буруучу жагдай: мурунку концептуалдык түшүндүрмөдө архивделген чыгыштардан Цельсий даражасына айландыруу бир маанилүү түрдө көрсөтүлбөгөнү жана кайра иштетүүдө ачык аныкталышы керектиги айтылса, дароо кийинки бөлүм жогорудагы мүчөлүккө негизделген айландырууну берет. Бул тексттик карама-каршылык Verianla тарабынан унчукпай шайкеш келтирилген эмес.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
PSO 122 тармак параметрин кантип издейт?
Ар бир PSO бөлүкчөсү 122 өлчөмдүү талапкер чечим вектору. Бул 122 компоненттин ар бири документтештирилген IFNNдин бир салмагы же bias мааниси. Бөлүкчөнүн ийгилиги моделдин текшерүү маалыматтарындагы орточо квадраттык ката менен өлчөнөт.
\(x\), 122 параметрлик бөлүкчө позициясын; \(y_k\), максаттуу маанини; \(\hat y_k(x)\), ошол параметрлер менен иштеген IFNNдин болжолун көрсөтөт. PSOнун максаты \(J(x)\)ти азайтуу.
Жеке жана глобалдык эң мыкты позициялар
Ар бир бөлүкчө ушул убакка чейин көргөн эң төмөн MSEге ээ позицияны \(p_i\) катары сактайт. Бүт үйүрдөгү эң мыкты жеке позиция болсо \(g\), башкача айтканда global best катары сакталат.
PSO ылдамдыгын жаңыртуу: Теңдеме (10)
Биринчи мүчө бөлүкчөнүн учурдагы кыймыл тенденциясын сактайт. Экинчи “когнитивдик” мүчө бөлүкчөнү өзүнүн мурдагы эң мыкты чечимине, үчүнчү “социалдык” мүчө болсо бүт үйүрдүн эң мыкты чечимине багыттайт. \(r_1\) жана \(r_2\), элементтери 0–1 арасындагы бир калыптагы бөлүштүрүүдөн тандалган кокустук векторлор; \(\odot\) элемент боюнча көбөйтүү.
Позицияны жаңыртуу: Теңдеме (11)
Жаңы параметр вектору эски позицияга жаңы ылдамдык векторун кошуу менен алынат.
| Параметр | Маани |
|---|---|
| Бөлүкчөлөрдүн саны | 50 |
| Бөлүкчө өлчөмү | 122 |
| Максималдуу итерация | 100 |
| Инерция салмагы | 0.7; мындан тышкары динамикалык аралык wmax=0.9, wmin=0.4 |
| Когнитивдик коэффициент c1 | 1.5 |
| Социалдык коэффициент c2 | 1.5 |
| Ылдамдык чеги | 0.5 |
| Толеранс εtol | 0.01 |
| Баштапкы позиция | Бир калыптагы бөлүштүрүү, [-1, 1] |
| Баштапкы ылдамдык | Бир калыптагы бөлүштүрүү, [-0.5, 0.5] |
Булак эксперименттик түзүлүштө MATLAB R2023a, Intel Core i7 процессору жана 16 GB RAM бар иш станциясы колдонулганын билдирет. Жашыруун катмардагы нейрондордун саны үчүн 5–25 аралыгында алдын ала эксперименттер жүргүзүлүп, беш иреттик кайчылаш текшерүүдөгү орточо MSEге ылайык 15 нейрон тандалган. Булак ошондой эле концептуалдык архитектура үчүн 15 интуиционисттик бүдөмүк эреже тандалганын билдирет.
Модель иштеп чыгуу менен тестти бөлүү
| Баскыч | Колдонулган маалымат | Корголгон тест топтому колдонулдубу? |
|---|---|---|
| Алгачкы бөлүү | 1000 үлгү → 700 иштеп чыгуу + 300 тест | Жок; бөлүнүп сакталды |
| Алдын ала иштетүү | Ар бир иштеп чыгуу foldунун окутуу бөлүгү гана | Жок |
| 5 катмарлуу кайчылаш текшерүү | 700 иштеп чыгуу үлгүсү | Жок |
| PSO fitness эсеби | Иштеп чыгуу ичиндеги окутуу/текшерүү foldдору | Жок |
| Гиперпараметр тандоо | Кайчылаш текшерүү натыйжалары | Жок |
| Акыркы тест | 300 корголгон үлгү | Ооба; акыркы баскычта гана |
Иштөө көрсөткүчтөрү
MSE каталарды квадратка көтөргөндүктөн чоң каталарга көбүрөөк салмак берет. Кичине маани төмөн орточо квадраттык катаны билдирет.
RMSE — MSEнин квадраттык тамыры. Булакта болжолдоо иштөөсүн салыштыруу үчүн колдонулат.
MAE — болжол менен максаттын ортосундагы абсолюттук айырмалардын орточосу.
R² болжолдор максаттуу өзгөрмөдөгү дисперсияны канчалык деңгээлде түшүндүрөрүн көрсөткөн goodness-of-fit өлчөмү. Ал MSE, RMSE жана MAE менен бир нерсени өлчөбөйт. Ошондуктан жогору R² менен төмөн чекиттик ката ар дайым бир моделде биригиши шарт эмес.
Корголгон тест натыйжалары
| Метрика | Модель иштеп чыгуу/окутуу | Корголгон тест |
|---|---|---|
| MSE | 0.0837 | 0.0853 |
| RMSE | 0.2893 | 0.2920 |
| MAE | 0.2286 | 0.2314 |
| R² | 0.8842 | 0.8784 |
Беш иреттик кайчылаш текшерүү
| Fold | MSE | RMSE | MAE | R² |
|---|---|---|---|---|
| 1 | 0.0871 | 0.2951 | 0.2338 | 0.8726 |
| 2 | 0.0846 | 0.2909 | 0.2291 | 0.8812 |
| 3 | 0.0892 | 0.2987 | 0.2364 | 0.8698 |
| 4 | 0.0863 | 0.2938 | 0.2312 | 0.8765 |
| 5 | 0.0824 | 0.2871 | 0.2265 | 0.8894 |
Булак орточо кайчылаш текшерүү MSEсин 0.0859 ± 0.0024 деп берет. Foldдор арасындагы бул кичине өзгөрүү ошол эле синтетикалык маалымат түзүү процессинде моделдин иштөөсү салыштырмалуу туруктуу экенин колдойт; башка реалдуу имараттарга жалпыланарын далилдебейт.
Салыштырылган моделдер
| Модель | MSE | RMSE | MAE | R² |
|---|---|---|---|---|
| ANN | 0.0968 | 0.3111 | 0.2446 | 0.8621 |
| Random Forest | 0.0917 | 0.3028 | 0.2384 | 0.8734 |
| XGBoost | 0.0889 | 0.2982 | 0.2341 | 0.8796 |
| LSTM | 0.0876 | 0.2960 | 0.2327 | 0.8813 |
| Transformer | 0.0868 | 0.2946 | 0.2318 | 0.8826 |
| IFNN–PSO | 0.0853 | 0.2920 | 0.2314 | 0.8784 |
Туура чечмелөө: IFNN–PSO бул таблицада MSE, RMSE жана MAE боюнча эң жакшы натыйжа берет. R² боюнча Transformer, LSTM жана XGBoost жогору маанилерди берет. Демек, “IFNN–PSO ар бир өлчөмдө бардык моделдерден ашып түштү” деген сөз булак таблицасына туура келбейт.
Өлчөмсүз температура-четтөө суррогатынын азайышы энергия үнөмдөөнү билдиреби?
Жок. Булак бул чоңдукту ошол эле синтетикалык эксперимент шарттарында болжолдоо моделдерин салыштыруу үчүн аныкталган түшүндүрүүчү балл катары гана колдонот; HVAC электр энергиясын, жылуулук энергиясын, компьютердин энергия керектөөсүн, башкаруу аракетин же имараттын энергия үнөмдөөсүн өлчөбөйт.
\(T_{\mathrm{desired}}\) максаттуу температураны, \(T_{\mathrm{predicted}}\) болжолдонгон температураны, \(\Delta t\) болсо үлгүлөө аралыгын көрсөтөт. Verianla формуланы булакта басылган символдук түзүлүшү менен берет. Булак бул чоңдуктун физикалык энергиялык чечмелөөсү жок экенин өзгөчө баса белгилейт.
| Модель | Суррогат балл | IFNN–PSOго салыштырмалуу булакта билдирилген айырма |
|---|---|---|
| Сызыктуу Регрессия | 46.35 | %17.60 жогору эталондук балл |
| ANN | 44.21 | %13.61 жогору эталондук балл |
| IFNN–PSO | 38.19 | Эталон |
Булак бул катыштарды:
түрүндө эсептейт. Булар аныкталган surrogate score азайышы гана.
Булак ошондой эле ANN менен IFNN–PSO ортосундагы туруктуу айырманы:
түрүндө арифметикалык топтойт. Мисалы, 100 синтетикалык кадамда 602.0 маанисине жетүү реалдуу убакыт бою топтолгон энергия үнөмдөө, физикалык системанын динамикасы же жабык контурлуу башкаруу пайдасы эмес. Булак муну архивделген surrogate баллдарынын арифметикалык көрсөтүлүшү катары гана сактайт.
PSO жакындашуусу
Булак PSOнун эң жакшы fitness мааниси биринчи итерациядагы 0.1923төн 25-итерацияда 0.0973кө, 50-итерацияда 0.0850гө, 75-итерацияда 0.0830гө жана 100-итерацияда 0.0826га түшкөнүн билдирет. Бул тизме колдонулган синтетикалык иштеп чыгуу маселесинде оптималдаштыруу төмөндөөчү fitness бергенин көрсөтөт.
Булак PSOнун эсептөө татаалдыгын болжол менен:
түрүндө көрсөтөт. Бул жерде \(P\) үйүр өлчөмү, \(T\) максималдуу итерация саны жана \(N\) үйрөтүлүүчү параметрлердин саны катары түшүндүрүлөт. Жакын контекстте \(W\)нын так математикалык аныктамасы берилбегендиктен Verianla ага өз маанисин ыйгарбайт.
Статистикалык анализ канчалык кеңири билдирилген?
Беш кайчылаш текшерүү foldу боюнча орточо, стандарттык четтөө жана %95 ишеним аралыгы эсептелгени айтылат. Булак ишеним аралыгын:
түрүндө берет. \(\bar x\) үлгү орточосу, \(s\) үлгүнүн стандарттык четтөөсү жана \(t_{0.975,n-1}\) Student-t критикалык мааниси.
Макалада салыштыруулар үчүн жупташкан статистикалык маанилүүлүк тесттери жүргүзүлүп, \(\alpha=0.05\) колдонулганы да айтылат. Бирок каралган PDFде кайсы жупташкан тест колдонулганы, ар бир салыштыруу боюнча тест статистикалары жана p-маанилери кеңири жыйынтык таблицасы менен берилген эмес. Ошондуктан “статистикалык жактан маанилүү” деген билдирүүнү көз карандысыз кайра текшерүү үчүн зарыл болгон отчеттук деталдар толук эмес.
Булактагы кайра чыгарылуучулук жана ырааттуулук көйгөйлөрү
- Синтетикалык максаттуу салмактар жетишпейт: \(y_i=\sum w_jx_{i,j}+\varepsilon_i\) формуласындагы \(w_j\) маанилери билдирилген эмес.
- Кокустук seed: туруктуу seed колдонулганы айтылат, бирок сандык seed мааниси берилбейт.
- Толуктук көрсөтүлүшү: ыкма таблицасында 0–100 адам аралыгы берилсе, өкүлчүлүктүү чийки саптарда 0/1 маанилери көрүнөт.
- Документтештирилген тармак менен концептуалдык IFNN айырмасы: сандык жыйынтыктар 5–15–2, 122 параметрлик тармактан алынат; кеңири MD/NMD-эреже-defuzzification архитектурасы түшүндүрүүчү мүнөздө.
- ANN базалык сызыгы: ыкма бөлүмүндө 10 жашыруун нейрондуу ANN баяндалса, 19-таблица белгиси “ANN (5–15–1)” түрүндө.
- R² баяндоосу: булак тексти өзгөчө Transformer жана LSTM жогору R² бергенин айтат; 14-таблицага караганда XGBoostтун 0.8796 мааниси да IFNN–PSOнун 0.8784 маанисинен жогору.
- Статистикалык маанилүүлүк отчету: \(\alpha=0.05\) жана жупташкан тесттер айтылат, бирок тест түрү, тест статистикасы жана p-маанилери ачык таблицада берилбейт.
Изилдөө колдогон жыйынтык
Изилдөө аныкталган синтетикалык маалымат түзүү процессинде жана колдонулган модель иштеп чыгуу/тест протоколунда IFNN–PSO салттуу ANN, Random Forest, XGBoost, LSTM жана Transformer менен салыштырганда MSE, RMSE жана MAE боюнча төмөн ката бергенин колдойт. Беш иреттик кайчылаш текшерүү ошол эле синтетикалык маалымат түзүү контекстинде салыштырмалуу туруктуу натыйжаларды көрсөтөт.
Изилдөө колдобогон жыйынтыктар
Изилдөө реалдуу HVAC системасында температура башкаруусун жүргүзгөн эмес. Физикалык имарат же текшерилген жылуулук объект модели, башкаруу командалары, актуатор динамикасы, реалдуу сенсор агымы, ачык жылуулук комфорт критерийи, имаратты башкаруу системасынын жазуусу же өлчөнгөн HVAC энергия керектөөсү жок. Ошондуктан жыйынтыктардан реалдуу убакыттагы башкаруу ийгилигин, жайылтууга даяр системаны, реалдуу имарат комфортунун жакшырганын же пайыздык энергия үнөмдөөнү чыгарууга болбойт.
Реалдуу колдонууга өтүүдөн мурда көз карандысыз benchmark маалымат топтомдору, реалдуу имарат өлчөөлөрү, имараттын жылуулук динамикасы, контроллер жана актуатор модели, жылуулук комфорт критерийлери жана өлчөнгөн HVAC энергия керектөөсү менен жаңы текшерүү талап кылынат.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска аталыш: Synthetic Temperature Prediction Using an Intuitionistic Fuzzy Neural Network by Particle Swarm Optimization
Авторлор: Zhe Liu; Yulong Huang; Ikhtesham Ullah; Narinderjit Singh Sawaran Singh; Ziad Khan; Rashid Jan.
Авторлордун тартиби: Zhe Liu → Yulong Huang → Ikhtesham Ullah → Narinderjit Singh Sawaran Singh → Ziad Khan → Rashid Jan.
Тең салым: Булакта тең салым жөнүндө билдирүү көрүнбөйт.
Жооптуу авторлор: Yulong Huang жана Ziad Khan.
Мекемелер: College of Mathematics and Computer, Xinyu University, Кытай; Research Fellow Program, Shinawatra University, Таиланд; Jadara Research Center, Jadara University, Иордания; Department of Mathematics, Abbottabad University of Science and Technology, Pakistan; Faculty of Data Science and Information Technology, INTI International University, Малайзия; Department of Mathematics, College of Sciences, Qassim University, Сауд Арабиясы.
Булактын түрү: Оригиналдуу изилдөө макаласы; синтетикалык маалымат жана сандык моделдөөгө негизделген proof-of-concept.
Рецензия статусу: Рецензияланган. Algorithms — MDPI тарабынан жарыяланган рецензияланган ачык жеткиликтүү илимий журнал.
Журнал: Algorithms.
Басмакана: MDPI.
Жыл / том / сан / макала no: 2026 / 19 / 9 / 734.
DOI: 10.3390/a19090734
Алынган датасы: 3 Июль 2026.
Ревизия датасы: 20 Август 2026.
Кабыл алынган датасы: 26 Август 2026.
Жарыяланган датасы: 1 Сентябрь 2026.
Академиялык редактор: Mehmet Aydin.
Расмий шилтеме: https://doi.org/10.3390/a19090734
Лицензия: Creative Commons Attribution 4.0 International (CC BY 4.0).
Негизги илимий ыкма: Синтетикалык HVAC маалыматтарын түзүү; min–max нормалдаштыруу; интуиционисттик бүдөмүк мүчөлүк, мүчө эместик жана экиленүү көрсөтүүсү; 5–15–2 алдыга өткөрүүчү нейрондук тармак; 122 салмак/bias параметрин Бөлүкчөлөр Үйүрүн Оптималдаштыруу аркылуу MSE минималдаштырууга ылайык оптималдаштыруу; беш иреттик кайчылаш текшерүү; 300 үлгүлүү көз карандысыз корголгон тест топтому.
Маалымат көлөмү: 1000 синтетикалык үлгү; 700 модель иштеп чыгуу, 300 корголгон тест.
Программа/аппараттык жабдык: MATLAB R2023a; Intel Core i7 процессору; 16 GB RAM.
Салыштыруулар: Сызыктуу Регрессия, ANN, Random Forest, XGBoost, LSTM жана Transformer.
Негизги тест натыйжасы: IFNN–PSO: MSE=0.0853; RMSE=0.2920; MAE=0.2314; R²=0.8784.
Каржылоо: Авторлордун билдирүүсү боюнча тышкы каржылоо алынган эмес.
Этика комитети: Адам же жаныбар катышкан изилдөө болбогону айтылган.
Маалымдалган макулдук: Колдонулбайт.
Маалыматтын жеткиликтүүлүгү: Авторлор изилдөөнүн оригиналдуу салымдары макаланын ичинде бар экенин билдиришкен.
Жасалма интеллект колдонуу билдирүүсү: Авторлор макаланы түзүүдө жасалма интеллект куралдарын колдонбогонун билдиришкен.
Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.
Авторлордун салымы: Zhe Liu: формалдык анализ, кеңеш берүү, карап чыгуу жана редакциялоо. Yulong Huang: концептуалдаштыруу, формалдык анализ жана изилдөө. Ikhtesham Ullah: текшерүү, формалдык анализ, карап чыгуу жана редакциялоо. Narinderjit Singh Sawaran Singh: программалык камсыздоо, каржылоо жана ыкма. Ziad Khan: визуалдаштыруу, формалдык анализ, ыкма, маалыматтарды иреттөө жана алгачкы долбоор. Rashid Jan: концептуалдаштыруу, формалдык анализ, кеңеш берүү жана ыкма.
Негизги чектөө: Изилдөө реалдуу HVAC башкаруу эксперименти эмес; физикалык объект, текшерилген имарат модели, реалдуу сенсор маалыматтары, реалдуу энергия өлчөөсү, актуатор динамикасы жана жабык контур башкаруусун баалоо камтылган эмес.
Булактагы маанилүү белгисиздиктер: Синтетикалык максаттуу салмактар, туруктуу кокустук seedдин сандык мааниси жана айрым кайра чыгарылуучулук деталдары билдирилген эмес. Документтештирилген 5–15–2 эсептөө графы менен концептуалдык кең IFNN архитектурасы өзүнчө каралышы керек. ANN базалык сызыгынын жашыруун катмар өлчөмү текст менен 19-таблицанын ортосунда шайкеш эмес. Статистикалык маанилүүлүк дооматы үчүн кеңири p-маанилер/тест статистикалары берилген эмес.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген