Research on multi-parameter cooperative control of smart opening and closing windows based on feed-forward neural network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Control techniques of Smart windows using Multi-parameter neural feedforward systems as a control strategy shows great potential in improving not only the energy ef iciency geometrically but also the building's indoor environmental quality.In this study, a new smart window control is developed that is based on neural networks which are able to implement multi control strategies in various conditions with regard to temperature, humidity, light and air quality.This allows for a further development of the system: irstly, it thoroughly presents the model, which facilitates the understanding of the mathematic modeling of windows' dynamic position and, at the same time, shows how the neural network works.The structure comprises a perception layer, which provides perception of the environment, processing layer for analysis and decision making on the input data, and the last action layer that performs windows' actuation and gives feedback on the action implemented.In terms of the system's control ef iciency, timing, energy consumption and seeking users' satisfaction, the performance of this control system outperforms other existing systems in empirical application.The control accuracy attained in the proposed system is 97.8%.What is more interesting about this approach is the energy ef iciency which stands at 94.3%, this is only the bare minimum, estimation says it surpasses the rest by a great deal.The successful realization of this control system is an important step toward the development of smart buildings that can be relied on for excellent results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle