【技术实现步骤摘要】
基于噪声模型支持向量回归技术的短期风速预报方法
本专利技术涉及天气预报
,具体讲,涉及基于噪声模型支持向量回归技术的短期风速预报方法。技术背景对于线性系统而言,从Gauss时代起,就利用最小二乘法把平面上的点拟合成直线,把高维空间的点拟合成超平面。经历了100多年的发展,经典最小二乘法已经成为许多领域数据处理的最广泛使用的方法。但是,对于线性回归中的不适定问题或非线性回归中的问题,基于最小二乘法的线性回归的性能可能变得很坏,针对这种情况,众多学者研究了最小二乘回归的改进问题,提出了许多新的回归算法。支持向量回归(Supportvectorregression,简记为SVR)就是其中之一。支持向量机方法是建立在统计学习理论和结构风险最小化原理基础上的,根据有限的样本信息在模型复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力。支持向量机方法的主要优点有:1.它是专门针对有限样本情况的,其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值;2.算法最终将转化成为一个二次型寻优问题,从理论上说,得到的将是全局最优点,解决了在神经网络方法中无法避免的局部极值问题;3.算法将实际问题通过非线性变换转换到高维的特征空间,在高维空间中构造线性决策函数来实现原空间中的非线性决策函数,特殊性质能保证机器有较好的推广能力,同时它巧妙地解决了维数问题,其算法复杂度与样本维数无关。支持向量回归方法自Vapnik于1995年提出以来,就得到了广泛的关注,它成功应用于科学技术和社会科学等各个领 ...
【技术保护点】
一种基于噪声影响的支持向量回归技术的短期风速预报方法,其特征是,包括如下步骤:应用Bayesian原理导出基于一般噪声模型的损失函数,给定具有噪声影响的数据集Dl={(x1,y1),...,(xi,yi),...,(xl,yl)},其中xi∈Rn,yi∈R,i=1,...,l,,Rn表示n维欧式空间,R表示实数集,l表示样本个数,求取最优损失函数;在此基础上构造基于噪声模型的支持向量回归机,最后利用基于噪声模型的支持向量回归技术得到短期风速预报。
【技术特征摘要】
1.一种基于噪声影响的支持向量回归技术的短期风速预报方法,其特征是,包括如下步骤:应用Bayesian原理导出基于一般噪声模型的损失函数,给定具有噪声影响的数据集Dl={(x1,y1),...,(xi,yi),...,(xl,yl)},其中xi∈Rn,yi∈R,i=1,...,l,Rn表示n维欧式空间,R表示实数集,l表示样本个数,求取最优损失函数;在此基础上构造基于噪声模型的支持向量回归机,最后利用基于噪声模型的支持向量回归技术得到短期风速预报;构造基于噪声模型的支持向量回归机具体为:(1)利用增广拉格朗日乘子法(AugmentedLagrangeMultipliermethod,简记为ALM)求解噪声支持向量回归模型,确定最优参数C、ν、m、n;选取合适的核函数K(·,·);其中m、n为Beta噪声模型的损失函数中的参数,由噪声分布的期望μ和方差σ2确定,即m=[(1-μ)·μ2/σ2]-μ,n=[(1-μ)/μ]·m;(2)构造并求解最优化问题其中C>0是惩罚因子,0<ν<1是常数,s.t.为subjectto的缩写,DN-SVR表示基于噪声模型支持向量回归的对偶问题,表示基于噪声模型支持向量回归对偶问题的目标函数;得到最优解为拉格朗日乘子;(3)构造基于噪声模型支持向量回归的决策函数其中RSV为对应的样本,称为支持向量,Φ:Rn→H为核变换,H为Hilbert空间,K(xi,xj)=(Φ(xi)·Φ(xj)),ω∈Rn为参数向量,(Φ(xi)·Φ(xj))表示H空间中的内积。2.根据权利要求1所述的基于噪声影响的支持向量回归技术的短期风速预报方法,其特征是,求取最优损失函数:利用数据集Dl估计函数f(x),应用Bayesian原理的方法来得到最优损失函数c(x,y,f(x))=-logp(y-f(x)),(7)其中p(y-f(x))=p(ξ)表示噪声ξ的概率密度函数,c(xi,yi,f(xi))=c(ξi)表示在样本点(xi,yi)进行预测时所得到预测值f(xi)与测量值yi比较所产生的损失,c(ξ)表示损失函数;得Gauss噪声模型的损失函数为:得Beta噪声模型的损失函数为:c(ξi)=c(yi-f(xi))=(1-m)logξi+(1-n)log(1-ξi)(9)。3.根据权利要求1所述的基于噪声影响的支持向量回归技术的短期...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。