文献

J-GLOBAL ID：201702250732109579   整理番号：17A1461020

スパースセンサ観測からの2段式室内物理場の再構成【Powered by NICT】

Two-stage indoor physical field reconstruction from sparse sensor observations

著者 (3件)： Jiang Chaoyang (School of Electrical and Electronic Engineering, Nanyang Technological University, 639798 Singapore, Singapore) ,  Soh Yeng Chai (School of Electrical and Electronic Engineering, Nanyang Technological University, 639798 Singapore, Singapore) ,  Li Hua (School of Mechanical and Aerospace Engineering, Nanyang Technological University, 639798 Singapore, Singapore)
資料名： Energy and Buildings  (Energy and Buildings)
巻： 151  ページ： 548-563  発行年： 2017年 
JST資料番号： A0199A  ISSN： 0378-7788  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： CFDシミュレーションは,関心のある室内物理的場を推定するための強力なツールであるが,計算的に高価である。環境(例えば,熱源)が変化した場合にシミュレーションを反復しなければならない。本研究では,CFDシミュレーションをrerunning無く物理場を直接推定するため2段階物理場再構成(TSPFR)アプローチを提案した。物理場再構成のための現在の方法はCFDシミュレーションとスパースセンサ観測の観察された入力パラメータを使用した。両者を融合した。原理成分分析(PCA)法を用いて,物理的場は,PCAを用いて再構成できる。本論文では,二段階で物理場を推定した。第一段階では,観測した入力パラメータからPCA成分を推定し,近似物理場を再構成することができる回帰モデルを訓練するためにスケーリングされた極端学習機械(sELM)アルゴリズムを提案した。第二段階では,スパースセンサ観察と第一段階で再構成された物理場を修正した。は,提案した手法は,現在の一段階法より優れていることを理論的に示した。電流法を用いたとき,センサ観測の数が支配的なPCAモードのそれよりも小さくはなり得ない。は,提案した方法は,必要なセンサ観測の数を減らすことができるかを示した。最後に,提案した方法の有効性を示すために屋内熱マップ推定問題を提供した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 学習機械 ,  近似法 ,  電流 ,  熱源 ,  回帰モデル ,  *センサ ,  アルゴリズム ,  *再構成
準シソーラス用語： 極度学習機械 ,  成分分析 ,  入力パラメータ ,  CFDシミュレーション ,  *屋内 , 【Automatic Indexing@JST】

著者キーワード (6件)： 物理場の再構成 ,  主成分分析 ,  スパースセンサ観測 ,  スケール極限学習機械(extreme learning machine ,  センサ配置 ,  センサ数の低減

分類 (1件)： 建築環境一般  (RB02010T)

タイトルに関連する用語 (4件)： 観測 ,  室内 ,  物理 ,  再構成