[發明專利]LSSVM非高斯脈動風速預測方法

有效

• 申請號: 201510612740.5
• 申請日: 2015-09-23
• 公開（公告）號: CN105224738B
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 李春祥;丁曉達
• 申請（專利權）人: 上海大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/00
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 陸聰明

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

技術領域

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

背景技術

在建筑工程設計中，風荷載是各類建筑結構的主要荷載之一。通常把風分為平均風和脈動風，其中脈動風具有隨機特征，其周期較短，更接近于建筑物的自振周期，它將使結構可能發生順風向振動、橫風向馳振、漩渦脫落、扭轉發散振動及其它耦合振動等形式的風致隨機振動。風振時域分析可以更全面地了解超高層建筑風振響應特性，更直觀地反映超高層建筑風致振動控制的有效性。傳統的分析方法是假設風荷載為高斯平穩隨機過程而作用在線性結構上，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域，例如建筑物屋蓋邊緣、屋面轉角等，風荷載表現出強烈的非高斯特性，風洞試驗結果也證實了這一點。Debasis Karmakar，Samit Ray-Chaudhuri，Masanobu Shinozuka在美國洛杉磯港文森特托馬斯大橋進行的風速實測也表明，在大橋某些部位所受到的風速時程明顯程非高斯特性；哈爾濱工業大學張星明在《近地實測臺風脈動風速的非高斯性分析與建模》中也表明，在臺風風眼壁強風區，風向發生急劇變化，非高斯特性顯著。因此，實現非高斯脈動風速的預測對工程中分析非高斯脈動風的動力振動響應具有重要意義。

支持向量機(SVM)是基于統計學習理論提出的一種小樣本學習方法，遵循結構風險最小化原理。利用支持向量機很好的學習能力，可實現對有限樣本的風速時程的預測模擬。支持向量機的性能依賴于模型的參數，對于參數的選擇，至今還未提出明確的理論依據。利用智能優化方式對LSSVM模型參數進行智能提取成為一大熱點。目前常見的對LSSVM優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，各類優化算法在對LSSVM參數優化中取得一定的效果，但是得到的預測模型預測精度和速度還是有一定的缺陷。

結合智能優化算法各自的優缺點，可實現智能優化算法的優勢互補。因此，本發明對LSSVM模型參數進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，獲得最優解存在的區域；第二步，利用蟻群算法使用動態搜索步長在第一步得到的最優解鄰域內進行精細的局部搜索。蟻群算法使用動態搜索使搜索過程越來越細致，提高了解的精度，最終獲得運行速度更快、預測精度更高的LSSVM對非高斯脈動風速的預測模型。

發明內容

本發明所要解決的技術問題是提供一種LSSVM非高斯脈動風速預測方法，其根據指定的邊緣概率密度函數(PDF)和目標PSD函數模擬產生非高斯隨機過程，將樣本劃分為訓練集和測試集，初始化LSSVM模型參數，利用GA和ACO混合方式智能提取LSSVM的最有參數組合(C,σ)，進而建立優化的LSSVM預測模型，對測試集進行預測，得到預測的非高斯脈動風速時程譜。

本發明是通過下述技術方案來解決上述技術問題的：本發明LSSVM非高斯脈動風速預測方法包括如下步驟：

第一步：根據指定的邊緣概率密度函數和目標功率譜函數，用無記憶非線性轉化法模擬產生非高斯隨機脈動風速樣本，將非高斯脈動風速樣本分為訓練集、測試集兩部分，對其分別進行歸一化處理；