IV. CONCLUSIONIn this paper, the en

IV. CONCLUSION
In this paper, the energy consumption of public buildings is
analyzed by using the self-correlation of the time series, thus
the dimension of the input variables is determined. Then we use
artificial fish-swarm algorithm to optimize the weights and
thresholds of BP neural network. The results show that this
method improves the convergence speed of the network, and
overcomes the defects of the BP neural network which is easy
to fall into local extremum. At the same time, this method has
some adaptability to the local optimization, and it does not
exist the problem of complex encoding. It also has strong
robustness. Therefore, it provides a powerful guarantee for the
energy saving control of public buildings.
In order to improve the accuracy of prediction, the number
of training samples and iterations can be increased. How to
predict the standard energy consumption based on the
prediction results of artificial fish-swarm algorithm, and when
to update the weights and thresholds of BP network, will be a
future research direction

ผลลัพธ์ (ไทย) 1:

IV. ข้อสรุปในเอกสารนี้ มีการใช้พลังงานของอาคารสาธารณะวิเคราะห์ โดยใช้ความสัมพันธ์กับตนเองของเวลา ดังนั้นมิติของตัวแปรอินพุตจะถูกกำหนด แล้ว เราใช้อัลกอริทึมเทียมปลาฝูงเพื่อเพิ่มน้ำหนัก และขีดจำกัดของโครงข่ายประสาท BP ผลลัพธ์แสดงที่นี่วิธีเพิ่มความเร็วในการบรรจบกันของเครือข่าย และพิชิตข้อบกพร่องของเครือข่ายประสาท BP ซึ่งเป็นเรื่องง่ายตกอยู่ในท้องถิ่น extremum ในเวลาเดียวกัน วิธีการนี้มีบางอย่างหลากหลายเพื่อเพิ่มประสิทธิภาพท้องถิ่น และมันไม่ได้มีปัญหาของการเข้ารหัสที่ซับซ้อน ยังแข็งแรงความทนทาน ดังนั้น มีการรับประกันที่มีประสิทธิภาพสำหรับการควบคุมอาคารสาธารณะที่ประหยัดพลังงานเพื่อปรับปรุงความแม่นยำของการคาดการณ์ หมายเลขจะเพิ่มขึ้นของตัวอย่างการฝึกอบรมและการวนซ้ำ วิธีการทำนายการใช้พลังงานมาตรฐานตามทำนายผลของอัลกอริทึมเทียมปลาฝูง และเมื่อการปรับปรุงน้ำหนักและขีดจำกัดของเครือข่าย BP จะเป็นทิศทางงานวิจัยในอนาคต

ผลลัพธ์ (ไทย) 2:

IV สรุป
ในบทความนี้การใช้พลังงานของอาคารสาธารณะมีการ
วิเคราะห์โดยใช้ความสัมพันธ์ที่ตนเองของอนุกรมเวลาจึง
มิติของตัวแปรจะถูกกำหนด จากนั้นเราจะใช้
อัลกอริทึมปลาฝูงเทียมเพื่อเพิ่มประสิทธิภาพน้ำหนักและ
เกณฑ์ของเครือข่ายประสาท BP ผลการศึกษาพบว่า
วิธีการที่จะช่วยเพิ่มความเร็วในการบรรจบกันของเครือข่ายและ
เอาชนะข้อบกพร่องของเครือข่ายประสาท BP ซึ่งเป็นเรื่องง่าย
ที่จะตกอยู่ใน extremum ท้องถิ่น ในขณะเดียวกันวิธีการนี้มี
การปรับตัวบางอย่างเพื่อเพิ่มประสิทธิภาพท้องถิ่นและมันไม่ได้
อยู่ปัญหาของการเข้ารหัสที่ซับซ้อน นอกจากนี้ยังมีความแข็งแรง
ทนทาน ดังนั้นจึงให้การรับประกันที่มีประสิทธิภาพสำหรับ
การควบคุมการประหยัดพลังงานของอาคารสาธารณะ.
เพื่อที่จะปรับปรุงความถูกต้องของการทำนายจำนวน
ของกลุ่มตัวอย่างการฝึกอบรมและการทำซ้ำสามารถเพิ่มขึ้น วิธีการ
คาดการณ์การใช้พลังงานมาตรฐานขึ้นอยู่กับ
ผลการคาดคะเนของขั้นตอนวิธีฝูงปลาเทียมและเมื่อ
การปรับปรุงน้ำหนักและเกณฑ์ของเครือข่าย BP จะเป็น
ทิศทางการวิจัยในอนาคต

ผลลัพธ์ (ไทย) 3:

4 . สรุปในกระดาษนี้ , การใช้พลังงานของอาคารสาธารณะวิเคราะห์ข้อมูลโดยใช้สถิติอนุกรมเวลาของตนเอง ดังนั้นขนาดของข้อมูลตัวแปรที่ถูกกำหนด แล้วเราใช้เทียมปลาฝูงขั้นตอนวิธีเพื่อเพิ่มน้ำหนัก และธรณีประตูของ BP ประสาทเครือข่าย แสดงผลว่าวิธีเพิ่มความเร็วความเร็วของเครือข่ายเอาชนะข้อบกพร่องของ BP ประสาทซึ่งเป็นเครือข่ายง่ายตกอยู่ใน extremum ท้องถิ่น ในเวลาเดียวกัน วิธีนี้มีบางอย่างพร้อมที่จะเพิ่มประสิทธิภาพในท้องถิ่นและมันไม่ได้มีอยู่ปัญหาความซับซ้อนของการเข้ารหัส มันยังมีแรงแข็งแรงทนทาน . จึงมีการรับประกันที่มีประสิทธิภาพสำหรับควบคุมอาคารสาธารณะ การประหยัดพลังงานเพื่อปรับปรุงความถูกต้องของการพยากรณ์ หมายเลขตัวอย่างการฝึกอบรมและการทำซ้ำสามารถเพิ่มขึ้น วิธีการทำนายปริมาณการใช้พลังงานตามมาตรฐานผลการทำนายของเทียม ปลาฝูง ขั้นตอนวิธีและเมื่อการปรับปรุงเกณฑ์และน้ำหนักของเครือข่าย BP จะเป็นทิศทางการวิจัยในอนาคต