[發(fā)明專利]LSSVM非高斯脈動風(fēng)速預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201510612740.5
• 申請日: 2015-09-23
• 公開（公告）號: CN105224738B
• 公開（公告）日: 2018-12-07
• 發(fā)明（設(shè)計）人: 李春祥;丁曉達(dá)
• 申請（專利權(quán)）人: 上海大學(xué)
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/00
• 代理公司: 上海上大專利事務(wù)所(普通合伙) 31205
• 代理人: 陸聰明

本發(fā)明提供一種LSSVM非高斯脈動風(fēng)速預(yù)測方法，該方法包括七個步驟，具體步驟如下：用無記憶非線性轉(zhuǎn)化法模擬產(chǎn)生非高斯隨機(jī)脈動風(fēng)速樣本，將非高斯脈動風(fēng)速樣本分為訓(xùn)練集、測試集兩部分，對其分別進(jìn)行歸一化處理；由訓(xùn)練集對LSSVM進(jìn)行訓(xùn)練學(xué)習(xí)，進(jìn)行測試集的預(yù)測，計算群體中的每一個染色體的適應(yīng)度，判斷算法收斂準(zhǔn)則是否滿足，若滿足最優(yōu)參數(shù)組合則把組合解放入集合，進(jìn)入第五步，否則進(jìn)入第四步。本發(fā)明利用遺傳算法和蟻群算法混合方式智能提取LSSVM的最有參數(shù)組合，進(jìn)而建立優(yōu)化的LSSVM預(yù)測模型，對測試集進(jìn)行預(yù)測，得到預(yù)測的非高斯脈動風(fēng)速時程譜。

技術(shù)領(lǐng)域

本發(fā)明涉及一種LSSVM(最小二乘支持向量機(jī))非高斯脈動風(fēng)速預(yù)測方法，具體的說是一種采用遺傳算法(GA)和蟻群算法(ACO)混合的LSSVM非高斯脈動風(fēng)速預(yù)測方法。

背景技術(shù)

在建筑工程設(shè)計中，風(fēng)荷載是各類建筑結(jié)構(gòu)的主要荷載之一。通常把風(fēng)分為平均風(fēng)和脈動風(fēng)，其中脈動風(fēng)具有隨機(jī)特征，其周期較短，更接近于建筑物的自振周期，它將使結(jié)構(gòu)可能發(fā)生順風(fēng)向振動、橫風(fēng)向馳振、漩渦脫落、扭轉(zhuǎn)發(fā)散振動及其它耦合振動等形式的風(fēng)致隨機(jī)振動。風(fēng)振時域分析可以更全面地了解超高層建筑風(fēng)振響應(yīng)特性，更直觀地反映超高層建筑風(fēng)致振動控制的有效性。傳統(tǒng)的分析方法是假設(shè)風(fēng)荷載為高斯平穩(wěn)隨機(jī)過程而作用在線性結(jié)構(gòu)上，這個假定能極大地簡化分析計算過程。然而，在考慮分離流作用的一些重要區(qū)域，例如建筑物屋蓋邊緣、屋面轉(zhuǎn)角等，風(fēng)荷載表現(xiàn)出強(qiáng)烈的非高斯特性，風(fēng)洞試驗結(jié)果也證實了這一點。Debasis Karmakar，Samit Ray-Chaudhuri，Masanobu Shinozuka在美國洛杉磯港文森特托馬斯大橋進(jìn)行的風(fēng)速實測也表明，在大橋某些部位所受到的風(fēng)速時程明顯程非高斯特性；哈爾濱工業(yè)大學(xué)張星明在《近地實測臺風(fēng)脈動風(fēng)速的非高斯性分析與建模》中也表明，在臺風(fēng)風(fēng)眼壁強(qiáng)風(fēng)區(qū)，風(fēng)向發(fā)生急劇變化，非高斯特性顯著。因此，實現(xiàn)非高斯脈動風(fēng)速的預(yù)測對工程中分析非高斯脈動風(fēng)的動力振動響應(yīng)具有重要意義。

支持向量機(jī)(SVM)是基于統(tǒng)計學(xué)習(xí)理論提出的一種小樣本學(xué)習(xí)方法，遵循結(jié)構(gòu)風(fēng)險最小化原理。利用支持向量機(jī)很好的學(xué)習(xí)能力，可實現(xiàn)對有限樣本的風(fēng)速時程的預(yù)測模擬。支持向量機(jī)的性能依賴于模型的參數(shù)，對于參數(shù)的選擇，至今還未提出明確的理論依據(jù)。利用智能優(yōu)化方式對LSSVM模型參數(shù)進(jìn)行智能提取成為一大熱點。目前常見的對LSSVM優(yōu)化的方式主要有人工魚群算法、遺傳算法、蟻群算法和粒子群算法等，在一定程度上，各類優(yōu)化算法在對LSSVM參數(shù)優(yōu)化中取得一定的效果，但是得到的預(yù)測模型預(yù)測精度和速度還是有一定的缺陷。

結(jié)合智能優(yōu)化算法各自的優(yōu)缺點，可實現(xiàn)智能優(yōu)化算法的優(yōu)勢互補(bǔ)。因此，本發(fā)明對LSSVM模型參數(shù)進(jìn)行智能提取分為兩個階段：第一步，利用遺傳算法具有良好的全局搜索能力，獲得最優(yōu)解存在的區(qū)域；第二步，利用蟻群算法使用動態(tài)搜索步長在第一步得到的最優(yōu)解鄰域內(nèi)進(jìn)行精細(xì)的局部搜索。蟻群算法使用動態(tài)搜索使搜索過程越來越細(xì)致，提高了解的精度，最終獲得運行速度更快、預(yù)測精度更高的LSSVM對非高斯脈動風(fēng)速的預(yù)測模型。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種LSSVM非高斯脈動風(fēng)速預(yù)測方法，其根據(jù)指定的邊緣概率密度函數(shù)(PDF)和目標(biāo)PSD函數(shù)模擬產(chǎn)生非高斯隨機(jī)過程，將樣本劃分為訓(xùn)練集和測試集，初始化LSSVM模型參數(shù)，利用GA和ACO混合方式智能提取LSSVM的最有參數(shù)組合(C,σ)，進(jìn)而建立優(yōu)化的LSSVM預(yù)測模型，對測試集進(jìn)行預(yù)測，得到預(yù)測的非高斯脈動風(fēng)速時程譜。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題的：本發(fā)明LSSVM非高斯脈動風(fēng)速預(yù)測方法包括如下步驟：

第一步：根據(jù)指定的邊緣概率密度函數(shù)和目標(biāo)功率譜函數(shù)，用無記憶非線性轉(zhuǎn)化法模擬產(chǎn)生非高斯隨機(jī)脈動風(fēng)速樣本，將非高斯脈動風(fēng)速樣本分為訓(xùn)練集、測試集兩部分，對其分別進(jìn)行歸一化處理；