Utafiti wa kitaaluma, lugha inayoeleweka

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

18 Novemba 2026, Jumatano
VERİANLA Uchapishaji huru wa sayansi
Fungua au funga menyu
...
Home / Sayansi za Kibinadamu / Usanifu Majengo / Utabiri wa Joto Sintetiki kwa Kutumia Mtandao wa Neva wa Intuitionistic Fuzzy kwa Uboreshaji wa Kundi la Chembe
Usanifu Majengo

Utabiri wa Joto Sintetiki kwa Kutumia Mtandao wa Neva wa Intuitionistic Fuzzy kwa Uboreshaji wa Kundi la Chembe

Utafiti huu unaunganisha mkabala wa intuitionistic fuzzy unaowakilisha taarifa za kutokuwa na uhakika kwa kutumia daraja la uanachama na daraja la kutokuwa mwanachama, mtandao wa neva unaojifunza mahusiano yasiyo ya mstari, na mbinu ya uboreshaji inayotafuta vigezo vya mtandao kwa Uboreshaji wa Kundi la Chembe (Particle Swarm Optimization, PSO).

17/11/2026  Veri Anla  Imetazamwa mara 107
Utabiri wa Joto Sintetiki kwa Kutumia Mtandao wa Neva wa Intuitionistic Fuzzy kwa Uboreshaji wa Kundi la Chembe

Utafiti huu unaunganisha mkabala wa intuitionistic fuzzy unaowakilisha taarifa za kutokuwa na uhakika kwa kutumia daraja la uanachama na daraja la kutokuwa mwanachama, mtandao wa neva unaojifunza mahusiano yasiyo ya mstari, na mbinu ya uboreshaji inayotafuta vigezo vya mtandao kwa Uboreshaji wa Kundi la Chembe (Particle Swarm Optimization, PSO). IFNN–PSO iliyopendekezwa ni modeli ya proof-of-concept iliyoundwa kutabiri joto linalotakiwa la mazingira ya ndani kutoka kwa vigeu sintetiki vya HVAC. Mtandao uliorekodiwa uliotumika katika majaribio ya kihesabu una viingizo 5 vilivyonormalishwa, neuroni 15 zilizofichwa na matokeo 2 yanayowakilisha taarifa za uanachama/kutokuwa mwanachama; jumla ya vigezo 122 vya uzito na bias huboreshwa na PSO.

Data hazikupimwa kutoka kwenye jengo halisi. Jumla ya sampuli 1000 sintetiki zilitengenezwa; sampuli 700 zilitumika tu kwa uundaji wa modeli, uthibitishaji mtambuka wa sehemu tano, uteuzi wa usanifu na mipangilio ya PSO; seti iliyobaki ya sampuli 300 ya majaribio iliyohifadhiwa ilitumika mara moja tu kwa tathmini ya mwisho baada ya taratibu zote za uteuzi kukamilika. Katika seti ya majaribio iliyohifadhiwa, MSE 0.0853, RMSE 0.2920, MAE 0.2314 na R² 0.8784 ziliripotiwa kwa IFNN–PSO.

IFNN–PSO ilitoa thamani za chini zaidi za hitilafu kwa MSE, RMSE na MAE miongoni mwa modeli zilizolinganishwa. Hata hivyo, si modeli yenye R² ya juu zaidi: katika Jedwali 14 la chanzo, 0.8826 imeripotiwa kwa Transformer, 0.8813 kwa LSTM na 0.8796 kwa XGBoost, ilhali IFNN–PSO iko katika kiwango cha 0.8784. Kwa hiyo, utafiti hauungi mkono hitimisho la “modeli bora katika metrika zote”; unaunga mkono matokeo bora zaidi kwa ukubwa wa hitilafu kwenye data sintetiki na matokeo yenye ushindani kwa utofauti ulioelezwa.

Utafiti pia ulilinganisha “kiwakilishi kisicho na kipimo cha mkengeuko wa joto” chenye thamani 38.19 kwa IFNN–PSO, 44.21 kwa ANN na 46.35 kwa regresha ya mstari. IFNN–PSO kutoa thamani ya chini kwa %13.61 ikilinganishwa na ANN na %17.60 ikilinganishwa na regresha ya mstari katika alama hii ya kiwakilishi iliyofafanuliwa si uokoaji wa nishati. Utafiti haukupima nguvu halisi ya umeme ya HVAC, nishati ya joto, nguvu ya compressor, COP, mtiririko wa hewa, mienendo ya aktueta au matumizi ya nishati ya jengo.

Kwa upande wa Uturuki, matokeo hayakutumika moja kwa moja kwenye jengo lolote la Uturuki au mfumo wa ndani wa HVAC. Ikiwa matumizi katika majengo halisi ya Uturuki yatazingatiwa, modeli lazima ifundishwe upya na kuthibitishwa kwa data huru za vipimo halisi, hali za hewa za eneo, mienendo ya joto ya jengo, vifaa vya HVAC, mfumo wa udhibiti, mifumo ya ukaaji na matumizi ya nishati yaliyopimwa. Bila kufanya hivyo, utafiti hauwezi kutafsiriwa kama ushahidi wa uokoaji wa nishati, ongezeko la starehe au mafanikio ya udhibiti wa wakati halisi nchini Uturuki.

Tatizo kuu la utafiti

Katika mifumo ya HVAC, joto la mazingira ya ndani linaweza kuhusiana na vigeu kadhaa kama joto la nje, joto la sasa la ndani, unyevu wa kiasi, ukaaji na muda wa siku. Uhusiano kati ya vigeu hivi unaweza kuwa usio wa mstari, na data za sensa au mapendeleo ya watumiaji yanaweza kuwa na kutokuwa na uhakika. Mkabala wa utafiti unashughulikia tatizo hili kwa kuunganisha mawazo matatu tofauti ya kihesabu: uwakilishi wa intuitionistic fuzzy unawakilisha kutokuwa na uhakika, mtandao wa neva unakaribia uhusiano usio wa mstari, na PSO hutafuta vigezo vya uzito/bias vya mtandao kwa namna inayopunguza funksi ya hitilafu.

Mtandao wa neva wa intuitionistic fuzzy unawakilisha nini tofauti na mtandao wa kawaida wa fuzzy?

Mkabala wa intuitionistic fuzzy hauwakilishi tu kiwango ambacho thamani ni mwanachama wa seti, bali pia kiwango ambacho si mwanachama na kiasi kilichobaki cha kusita kama vipimo tofauti; hivyo hulenga kutoa uwakilishi wa kina zaidi wa kutokuwa na uhakika kwa utatu wa uanachama, kutokuwa mwanachama na kusita.

Seti fuzzy: Mlinganyo (1)

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

\(X\) inaonyesha seti ya ulimwengu, \(x\) ni elementi na \(\mu_A(x)\in[0,1]\) ni daraja la uanachama. \(\mu_A(x)=1\) inawakilisha uanachama kamili wa elementi katika seti, huku 0 ikiwakilisha kutokuwepo kwa uanachama. Thamani za katikati zinaonyesha uanachama wa sehemu.

Kanuni ya fuzzy: Mlinganyo (2)

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

Hapa A, B na C ni seti fuzzy. Chanzo kinaeleza kuwa operesheni kama AND/OR zinaweza kutekelezwa kwa t-norm na t-conorm; kwa mfano, kwa minimum, maximum au zao la algebra. Matokeo ya fuzzy yanaweza kubadilishwa kuwa thamani moja ya kihesabu kwa defuzzification inapohitajika.

Seti ya intuitionistic fuzzy: Mlinganyo (3)

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

\(\mu_A(x)\) ni daraja la uanachama (Membership Degree, MD), \(\nu_A(x)\) ni daraja la kutokuwa mwanachama (Non-Membership Degree, NMD), na \(\pi_A(x)\) ni daraja la kusita. Vipimo vyote vitatu havina kipimo na hufasiriwa katika masafa ya 0–1. Jumla ya uanachama na kutokuwa mwanachama inapokuwa chini ya 1, sehemu iliyobaki huhifadhiwa wazi kama “kusita”.

Data sintetiki ziliundwaje?

KigeuAlamaUsambazajiMasafa yaliyotolewa kwenye chanzo
Joto la ndaniTinSare18–30 °C
Joto la njeToutSare10–40 °C
Unyevu wa kiasiHSare%30–90
UkaajiOSare wa diskreti0–100 watu
Muda wa sikutSare0–24 saa

Jumla ya sampuli 1000 sintetiki zilitengenezwa. Thamani lengwa hufafanuliwa kwa kuongeza kelele ya Gauss kwenye jumla yenye uzito ya vipengele vilivyochaguliwa katika chanzo:

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

\(x_{i,j}\), katika sampuli ya \(i\) inaonyesha kipengele cha \(j\); \(w_j\), ni uzito uliotolewa kwa kipengele husika; \(\varepsilon_i\), ni kelele ya Gauss yenye wastani wa sifuri. Chanzo kinatoa variance ya kelele kuwa \(0.12\) lakini hakiripoti thamani za kihesabu za uzito wa vipengele \(w_j\). Kwa hiyo, haiwezekani kuzalisha upya kwa kujitegemea na kwa usahihi kabisa thamani lengwa za sintetiki kwa kutegemea PDF pekee.

Chanzo pia kinaeleza kuwa seed ya nasibu isiyobadilika ilitumika kwa modeli za stokastiki, lakini hakitoi thamani ya kihesabu ya seed hiyo. Hii pia ni taarifa inayokosekana kwa ajili ya kurudiwa kikamilifu.

Urekebishaji wa min–max

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

Fomula huleta kila kipengele katika masafa ya 0–1. Kihesabu cha juu kinaonyesha umbali wa thamani ya sasa kutoka kwenye kiwango cha chini katika seti ya data; kihesabu cha chini kinaonyesha masafa yote ya kipengele hicho. Kipengele kikiwa katika thamani ya chini matokeo ni 0, na kikiwa katika thamani ya juu matokeo ni 1.

Jambo la kuzingatia ndani ya chanzo: Ingawa Jedwali 1 la chanzo linafafanua ukaaji katika masafa ya 0–100 watu, mistari ya mfano ya data ghafi iliyochapishwa inaonyesha mara nyingi thamani za ukaaji za 0 au 1. Verianla haisuluhishi tofauti hii kwa dhana yake yenyewe; inaiacha kama swali la kurudiwa kama ilivyo katika chanzo.

Ubadilishaji wa uanachama: Milinganyo (4)-(8)

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

\(\mu_x\), ni wastani wa sampuli wa kipengele.

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

\(\sigma_x\), hutoa mkengeuko sanifu wa kipengele kulingana na ufafanuzi uliotumiwa na chanzo.

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

Hii ndiyo funksi ya uanachama inayotumiwa katika chanzo. Kadiri \(x\) inavyokaribia wastani, eksponenti hukaribia sifuri na daraja la uanachama hukaribia 1. Kadiri umbali kutoka kwenye wastani unavyoongezeka, daraja la uanachama hupungua kwa namna ya eksponenti. Umbo la fomula ya chanzo limehifadhiwa kama lilivyo; mgawo wa \(1/2\) unaopatikana katika funksi sanifu ya msongamano wa Gauss haupo hapa.

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

Katika kiasi cha \(1-\mu(x)\) kinachobaki baada ya uanachama, %90 hutengwa kuwa kutokuwa mwanachama na %10 kuwa kusita. Hivyo:

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

Kwa mfano, ikiwa \(\mu(x)=0.8\), basi \(1-\mu=0.2\); kulingana na fomula ya chanzo \(\nu=0.18\) na \(\pi=0.02\). Mfano huu unaonyesha tu maana ya kihesabu ya mlinganyo, si matokeo mapya ya majaribio.

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

Uwakilishi huu wa vipengele vinne unaonyesha ingizo la nambari pamoja na taarifa ya intuitionistic fuzzy.

Matokeo yaliyoripotiwa yanatokana na usanifu gani wa IFNN?

Matokeo ya kihesabu ya chanzo yanatokana na grafu ya ukokotoaji ya feed-forward ya 5–15–2 yenye viingizo 5 vya skala vilivyonormalishwa, neuroni 15 zilizofichwa na matokeo 2; muundo mpana zaidi wa IFNN wenye njia 10 za MD/NMD, safu ya kanuni wazi na defuzzification ulioelezwa katika makala ni maelezo ya dhana na si tabaka za ziada za ukokotoaji zinazozalisha matokeo ya vigezo 122 yaliyoripotiwa.

KipengeleHesabuKigezo
Jumla75 + 15 + 30 + 2122
Ingizo → uzito wa safu iliyofichwa5 × 1575
Bias ya safu iliyofichwa1515
Iliyofichwa → uzito wa matokeo15 × 230
Bias ya matokeo22

Katika makala inaelezwa kwamba kwa “IFNN kamili ya njia mbili” iliyo pana zaidi, kila kipengele ghafi kinaweza kuunda njia moja ya uanachama na njia moja ya kutokuwa mwanachama:

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

Kwa vigeu vitano ghafi, uwakilishi huu wa dhana unalingana na njia 10. Hata hivyo, chanzo kinasema wazi kwamba huu si usanifu wa ukokotoaji wa jaribio la 5–15–2 lililoripotiwa. Maelezo haya mawili hayapaswi kuchanganywa.

Safu ya kanuni ya dhana

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

\(w_r\), ni nguvu ya uanzishaji wa kanuni fuzzy ya \(r\). \(I_r\), inaonyesha seti ya fahirisi za vipengele vinavyotumiwa na kanuni; \(\alpha_{ir}\) inaonyesha uzito/eksponenti za hiari.

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

\(c_r\) ni thamani ya matokeo ya kanuni; \(\epsilon>0\) ndogo huzuia denominator kuwa sifuri. Fomula hii ni sehemu ya maelezo ya jumla ya IFNN katika makala; haidaiwi kwamba ilitumika kama safu tofauti ya kanuni ya explicit katika jaribio la vigezo 122 lililoripotiwa.

Ubadilishaji kutoka matokeo ya uanachama/kutokuwa mwanachama hadi joto

Chanzo kinaeleza kwamba matokeo mawili yanawakilisha daraja la uanachama na kutokuwa mwanachama kwa joto moja:

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

Joto lengwa kwanza hunormalishwa:

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

Hasara ya wastani wa mraba ya matokeo mawili:

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

Wakati wa inference, chanzo huchukua matokeo ya uanachama kuwa joto lililonormalishwa:

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

Jambo la kuzingatia ndani ya chanzo: maelezo ya awali ya dhana yanasema kwamba ubadilishaji kutoka matokeo yaliyohifadhiwa hadi nyuzi Celsius haujaainishwa kwa namna ya kipekee na unapaswa kufafanuliwa wazi wakati wa kurudia kazi, ilhali sehemu inayofuata mara moja inatoa ubadilishaji wa uanachama ulio hapo juu. Mkanganyiko huu wa maandishi haujasuluhishwa kimya kimya na Verianla.

Mchoro wa Verianla unaoonyesha utayarishaji wa data sintetiki, grafu ya ukokotoaji ya IFNN, uboreshaji wa PSO na hatua ya majaribio iliyohifadhiwa. Si nakala ya pikseli au muundo wa kielelezo asilia cha mchapishaji wa chanzo.

Mbinu na Matokeo ya Utafiti

PSO hutafutaje vigezo 122 vya mtandao?

Kila chembe ya PSO ni vekta ya suluhisho tegemezi yenye vipimo 122. Kila moja ya vipengele hivi 122 ni uzito au thamani ya bias ya IFNN iliyohifadhiwa kwenye nyaraka. Mafanikio ya chembe hupimwa kwa hitilafu ya wastani wa mraba ya modeli kwenye data ya uthibitishaji.

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

\(x\), inaonyesha nafasi ya chembe yenye vigezo 122; \(y_k\), thamani lengwa; \(\hat y_k(x)\), utabiri wa IFNN inayofanya kazi kwa vigezo hivyo. Lengo la PSO ni kupunguza \(J(x)\).

Nafasi bora za binafsi na za kimataifa

Kila chembe huhifadhi nafasi yenye MSE ya chini zaidi iliyoiona hadi wakati huo kama \(p_i\). Nafasi bora zaidi ya binafsi katika kundi lote huhifadhiwa kama \(g\), yaani global best.

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

Usasishaji wa kasi ya PSO: Mlinganyo (10)

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

Kipengele cha kwanza hubeba mwelekeo wa sasa wa mwendo wa chembe. Kipengele cha pili cha “utambuzi” huelekeza chembe kwenye suluhisho lake bora la zamani, na kipengele cha tatu cha “kijamii” huelekeza kwenye suluhisho bora la kundi lote. \(r_1\) na \(r_2\) ni vekta za nasibu ambazo elementi zake huchaguliwa kutoka usambazaji sare kati ya 0–1; \(\odot\) ni kuzidisha kwa elementi moja moja.

Usasishaji wa nafasi: Mlinganyo (11)

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

Vekta mpya ya vigezo hupatikana kwa kuongeza vekta mpya ya kasi kwenye nafasi ya zamani.

KigezoThamani
Idadi ya chembe50
Kipimo cha chembe122
Idadi ya juu ya iteresheni100
Uzito wa inersia0.7; pia masafa yanayobadilika wmax=0.9, wmin=0.4
Mgawo wa utambuzi c11.5
Mgawo wa kijamii c21.5
Kikomo cha kasi0.5
Uvumilivu εtol0.01
Nafasi ya kuanziaUsambazaji sare, [-1, 1]
Kasi ya kuanziaUsambazaji sare, [-0.5, 0.5]

Chanzo kinaeleza kuwa katika mpangilio wa majaribio kilitumia MATLAB R2023a na kituo cha kazi chenye kichakataji cha Intel Core i7 na 16 GB RAM. Majaribio ya awali yalifanywa kwa idadi ya neuroni za safu iliyofichwa kati ya 5–25, na neuroni 15 zikachaguliwa kulingana na MSE ya wastani katika uthibitishaji mtambuka wa sehemu tano. Chanzo pia kinaeleza kuwa kanuni 15 za intuitionistic fuzzy zilichaguliwa kwa usanifu wa dhana.

Mgawanyo wa uundaji wa modeli na majaribio

HatuaData iliyotumikaJe, seti ya majaribio iliyohifadhiwa ilitumika?
Mgawanyo wa awaliSampuli 1000 → 700 uundaji + 300 majaribioHapana; ilitengwa na kuhifadhiwa
Uchakataji wa awaliSehemu ya mafunzo tu ya kila fold ya uundajiHapana
Uthibitishaji mtambuka wa sehemu 5Sampuli 700 za uundajiHapana
Hesabu ya fitness ya PSOFold za mafunzo/uthibitishaji ndani ya uundajiHapana
Uteuzi wa hyperparameterMatokeo ya uthibitishaji mtambukaHapana
Jaribio la mwishoSampuli 300 zilizohifadhiwaNdiyo; katika hatua ya mwisho tu

Metrika za utendaji

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

MSE huweka uzito mkubwa zaidi kwa hitilafu kubwa kwa sababu huzipandisha kwa mraba. Thamani ndogo ina maana ya hitilafu ya wastani wa mraba iliyo chini.

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

RMSE ni mzizi wa mraba wa MSE. Katika chanzo, hutumika kulinganisha utendaji wa utabiri.

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

MAE ni wastani wa tofauti kamili kati ya utabiri na thamani lengwa.

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

R² ni kipimo cha goodness-of-fit kinachoonyesha kiwango ambacho utabiri unaeleza utofauti katika kigeu lengwa. Haipimi kitu kilekile na MSE, RMSE na MAE. Kwa hiyo, R² ya juu zaidi na hitilafu ndogo zaidi ya pointi si lazima viwe katika modeli moja.

Matokeo ya majaribio yaliyohifadhiwa

MetrikaUundaji/mafunzo ya modeliJaribio lililohifadhiwa
MSE0.08370.0853
RMSE0.28930.2920
MAE0.22860.2314
R²0.88420.8784

Uthibitishaji mtambuka wa sehemu tano

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

Chanzo kinatoa MSE ya wastani ya uthibitishaji mtambuka kuwa 0.0859 ± 0.0024. Tofauti hii ndogo kati ya fold inaunga mkono kwamba utendaji wa modeli ni thabiti kiasi ndani ya mchakato uleule wa kutengeneza data sintetiki; haithibitishi uwezo wa kujumlisha kwa majengo tofauti halisi.

Modeli zilizolinganishwa

ModeliMSERMSEMAER²
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

Tafsiri sahihi: IFNN–PSO inatoa matokeo bora zaidi katika jedwali hili kwa MSE, RMSE na MAE. Kwa R², Transformer, LSTM na XGBoost zina thamani za juu zaidi. Kwa hiyo, kauli kwamba “IFNN–PSO ilizidi modeli zote katika kila kipimo” hailingani na jedwali la chanzo.

Je, kupungua kwa kiwakilishi kisicho na kipimo cha mkengeuko wa joto kunamaanisha uokoaji wa nishati?

Hapana. Chanzo hutumia ukubwa huu tu kama alama ya maelezo iliyofafanuliwa kwa kulinganisha modeli za utabiri chini ya hali zilezile za majaribio sintetiki; hakipimi nishati ya umeme ya HVAC, nishati ya joto, matumizi ya nishati ya kompyuta, juhudi za udhibiti au uokoaji wa nishati ya jengo.

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

\(T_{\mathrm{desired}}\) inaonyesha joto lengwa, \(T_{\mathrm{predicted}}\) joto lililotabiriwa, na \(\Delta t\) muda wa kuchukua sampuli. Verianla inawasilisha fomula kwa muundo wake wa alama kama ilivyochapishwa kwenye chanzo. Chanzo kinasisitiza hasa kwamba ukubwa huu hauna tafsiri ya kimwili ya nishati.

ModeliAlama ya kiwakilishiTofauti iliyoripotiwa kwenye chanzo ikilinganishwa na IFNN–PSO
Regresha ya Mstari46.35%17.60 alama ya marejeo iliyo juu zaidi
ANN44.21%13.61 alama ya marejeo iliyo juu zaidi
IFNN–PSO38.19Marejeo

Chanzo huhesabu uwiano huu:

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

kwa namna hii. Hizi ni punguzo la surrogate score iliyofafanuliwa tu.

Chanzo pia hukusanya kwa njia ya kihesabu tofauti isiyobadilika kati ya ANN na IFNN–PSO:

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

Kwa mfano, kufikia thamani 602.0 baada ya hatua 100 sintetiki si uokoaji wa nishati unaokusanywa kwa muda halisi, mienendo ya mfumo wa kimwili wala faida ya udhibiti wa kitanzi funge. Chanzo huhifadhi hili tu kama uwakilishi wa kihesabu wa alama za surrogate zilizohifadhiwa.

Muunganiko wa PSO

Chanzo kinaripoti kuwa thamani bora ya fitness ya PSO ilishuka kutoka 0.1923 katika iteresheni ya kwanza hadi 0.0973 katika iteresheni ya 25, 0.0850 katika iteresheni ya 50, 0.0830 katika iteresheni ya 75 na 0.0826 katika iteresheni ya 100. Mfululizo huu unaonyesha kwamba uboreshaji ulitoa fitness inayopungua chini ya tatizo la uundaji sintetiki lililotumiwa.

Chanzo kinaeleza ukokotoaji changamano wa PSO kwa takriban:

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

kwa umbo hili. Hapa \(P\) inaelezwa kuwa ukubwa wa kundi, \(T\) idadi ya juu ya iteresheni na \(N\) idadi ya vigezo vinavyoweza kufundishwa. Kwa kuwa ufafanuzi kamili wa kihesabu wa \(W\) hautolewi katika muktadha wa karibu, Verianla haiipatii maana yake yenyewe.

Uchambuzi wa takwimu uliripotiwa kwa undani kiasi gani?

Inaelezwa kuwa wastani, mkengeuko sanifu na muda wa kujiamini wa %95 zilihesabiwa kutoka fold tano za uthibitishaji mtambuka. Chanzo kinatoa muda wa kujiamini kama:

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

kwa umbo hili. \(\bar x\) ni wastani wa sampuli, \(s\) ni mkengeuko sanifu wa sampuli na \(t_{0.975,n-1}\) ni thamani muhimu ya Student-t.

Makala pia inaeleza kuwa majaribio ya jozi ya umuhimu wa kitakwimu yalifanywa kwa ulinganisho na \(\alpha=0.05\) ilitumika. Hata hivyo, PDF iliyochunguzwa haitoi aina ya jaribio la jozi lililotumika, takwimu za jaribio kwa kila ulinganisho wala p-values katika jedwali la kina la matokeo. Kwa hiyo, maelezo ya kuripoti yanayohitajika ili kukagua tena kwa kujitegemea kauli ya “muhimu kitakwimu” hayajakamilika.

Masuala ya kurudiwa na uthabiti ndani ya chanzo

  • Uzito wa malengo sintetiki haupo: katika fomula \(y_i=\sum w_jx_{i,j}+\varepsilon_i\), thamani za \(w_j\) hazijaripotiwa.
  • Seed ya nasibu: inasemwa kwamba seed isiyobadilika ilitumika, lakini thamani yake ya nambari haijatolewa.
  • Uwakilishi wa idadi ya watu: jedwali la mbinu linaonyesha watu 0–100, lakini mistari wakilishi ya data ghafi ina thamani 0/1.
  • Tofauti kati ya mtandao uliorekodiwa na IFNN ya kimawazo: matokeo ya nambari yanatokana na mtandao wa 5–15–2 wenye vigezo 122; usanifu mpana wa MD/NMD–kanuni–defuzzification ni wa maelezo.
  • Msingi wa ANN: sehemu ya mbinu inaeleza ANN yenye neuroni 10 zilizofichwa, huku lebo ya Table 19 ikiwa “ANN (5–15–1)”.
  • Maelezo ya R²: maandishi ya chanzo yanataja hasa Transformer na LSTM kuwa na R² ya juu; Table 14 pia inaonyesha XGBoost 0.8796 ikiwa juu kuliko IFNN–PSO 0.8784.
  • Ripoti ya umuhimu wa kitakwimu: \(\alpha=0.05\) na vipimo vilivyounganishwa vinatajwa, lakini aina ya kipimo, takwimu za kipimo na thamani za p hazijaonyeshwa katika jedwali wazi.

Hitimisho linaloungwa mkono na utafiti

Utafiti unaunga mkono kwamba, katika mchakato uliofafanuliwa wa kutengeneza data sintetiki na itifaki ya uundaji/majaribio ya modeli iliyotumika, IFNN–PSO ilitoa hitilafu za chini kwa MSE, RMSE na MAE ikilinganishwa na ANN ya kawaida, Random Forest, XGBoost, LSTM na Transformer. Uthibitishaji mtambuka wa sehemu tano unaonyesha matokeo thabiti kiasi katika muktadha uleule wa kutengeneza data sintetiki.

Hitimisho ambalo utafiti hauungi mkono

Utafiti haukutekeleza udhibiti wa joto katika mfumo halisi wa HVAC. Hakuna jengo la kimwili au modeli iliyothibitishwa ya kiwanda cha joto, amri za udhibiti, mienendo ya aktueta, mtiririko halisi wa sensa, kigezo wazi cha starehe ya joto, rekodi ya mfumo wa usimamizi wa jengo au matumizi ya nishati ya HVAC yaliyopimwa. Kwa hiyo, matokeo hayawezi kutumika kuhitimisha mafanikio ya udhibiti wa wakati halisi, mfumo ulio tayari kutumwa, uboreshaji wa starehe katika jengo halisi au asilimia ya uokoaji wa nishati.

Kabla ya matumizi halisi, uthibitishaji mpya unahitajika kwa seti huru za data za benchmark, vipimo halisi vya majengo, mienendo ya joto ya jengo, modeli ya kidhibiti na aktueta, vigezo vya starehe ya joto na matumizi ya nishati ya HVAC yaliyopimwa.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: Synthetic Temperature Prediction Using an Intuitionistic Fuzzy Neural Network by Particle Swarm Optimization

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

Mpangilio wa waandishi: Zhe Liu → Yulong Huang → Ikhtesham Ullah → Narinderjit Singh Sawaran Singh → Ziad Khan → Rashid Jan.

Mchango sawa: Hakuna tamko la mchango sawa linaloonekana katika chanzo.

Waandishi wa mawasiliano: Yulong Huang na Ziad Khan.

Taasisi: College of Mathematics and Computer, Xinyu University, China; Research Fellow Program, Shinawatra University, Thailand; Jadara Research Center, Jadara University, Jordan; Department of Mathematics, Abbottabad University of Science and Technology, Pakistan; Faculty of Data Science and Information Technology, INTI International University, Malaysia; Department of Mathematics, College of Sciences, Qassim University, Saudi Arabia.

Aina ya chanzo: Makala asilia ya utafiti; proof-of-concept inayotegemea data sintetiki na uundaji wa modeli wa kihesabu.

Hali ya mapitio ya rika: Imepitiwa na rika. Algorithms ni jarida la kisayansi la ufikiaji wazi linalopitiwa na rika na kuchapishwa na MDPI.

Jarida: Algorithms.

Mchapishaji: MDPI.

Mwaka / juzuu / toleo / makala no: 2026 / 19 / 9 / 734.

DOI: 10.3390/a19090734

Tarehe ya kupokelewa: 3 Julai 2026.

Tarehe ya marekebisho: 20 Agosti 2026.

Tarehe ya kukubaliwa: 26 Agosti 2026.

Tarehe ya kuchapishwa: 1 Septemba 2026.

Mhariri wa kitaaluma: Mehmet Aydin.

Kiungo rasmi: https://doi.org/10.3390/a19090734

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

Mbinu kuu ya kisayansi: Utengenezaji wa data sintetiki za HVAC; unormalishaji wa min–max; uwakilishi wa intuitionistic fuzzy wa uanachama, kutokuwa mwanachama na kusita; mtandao wa neva wa feed-forward wa 5–15–2; uboreshaji wa vigezo 122 vya uzito/bias kwa Uboreshaji wa Kundi la Chembe kulingana na kupunguza MSE; uthibitishaji mtambuka wa sehemu tano; seti huru ya majaribio iliyohifadhiwa yenye sampuli 300.

Ukubwa wa data: Sampuli 1000 sintetiki; 700 uundaji wa modeli, 300 majaribio yaliyohifadhiwa.

Programu/vifaa: MATLAB R2023a; kichakataji Intel Core i7; 16 GB RAM.

Ulinganisho: Regresha ya Mstari, ANN, Random Forest, XGBoost, LSTM na Transformer.

Matokeo kuu ya majaribio: IFNN–PSO: MSE=0.0853; RMSE=0.2920; MAE=0.2314; R²=0.8784.

Ufadhili: Kwa mujibu wa tamko la waandishi, hakuna ufadhili wa nje uliopokelewa.

Kamati ya maadili: Imeelezwa kuwa utafiti haukuhusisha binadamu wala wanyama.

Ridhaa ya ufahamu: Haitumiki.

Upatikanaji wa data: Waandishi wameeleza kuwa michango asilia ya utafiti imo ndani ya makala.

Tamko la matumizi ya akili bandia: Waandishi wametangaza kwamba hawakutumia zana za akili bandia katika kuunda makala.

Mgongano wa maslahi: Waandishi wametangaza kwamba hakuna mgongano wa maslahi.

Michango ya waandishi: Zhe Liu: uchanganuzi rasmi, ushauri, mapitio na uhariri. Yulong Huang: uundaji wa dhana, uchanganuzi rasmi na utafiti. Ikhtesham Ullah: uthibitishaji, uchanganuzi rasmi, mapitio na uhariri. Narinderjit Singh Sawaran Singh: programu, ufadhili na mbinu. Ziad Khan: uonyeshaji, uchanganuzi rasmi, mbinu, upangaji wa data na rasimu ya kwanza. Rashid Jan: uundaji wa dhana, uchanganuzi rasmi, ushauri na mbinu.

Kikomo kikuu: Utafiti si jaribio la udhibiti halisi wa HVAC; haujumuishi kifaa cha kimwili, modeli ya jengo iliyothibitishwa, data halisi za sensa, kipimo halisi cha nishati, mienendo ya aktueta wala tathmini ya udhibiti wa kitanzi funge.

Kutokuwa na uhakika muhimu ndani ya chanzo: Uzito wa malengo sintetiki, thamani ya kihesabu ya seed ya nasibu isiyobadilika na baadhi ya maelezo ya kurudiwa hayajaripotiwa. Grafu ya ukokotoaji iliyorekodiwa ya 5–15–2 na usanifu mpana wa dhana wa IFNN lazima zitenganishwe. Ukubwa wa safu iliyofichwa katika msingi wa ANN haulingani kati ya maandishi na Jedwali 19. P-values/takwimu za majaribio za kina hazijatolewa kwa dai la umuhimu wa kitakwimu.


Shiriki:

Maoni huchapishwa baada ya kukaguliwa. Maoni yako yatapitia mchakato wa idhini na yataonekana yakikubaliwa.

Acha maoni

Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *