U的公式如下式（10):
[0090]
[0091] 其中j e {1，2，……D}，k e {1，2，……SN}，k為隨機(jī)生成且k辛i，象錢為[-1，1 ]之間的 隨機(jī)數(shù)。
[0092] 第六步:計(jì)算所有XU的適應(yīng)度，根據(jù)式(4)計(jì)算概率值Pi;
[0093] 所述第六步適應(yīng)度及概率值的計(jì)算公式如式(3)和式(4)。
[0094] 第屯步:跟隨蜂根據(jù)Pi選擇蜜源，根據(jù)式(2)鄰域捜索產(chǎn)生新解VU，計(jì)算適應(yīng)度，據(jù) 貪屯、選擇原則，若VU的適應(yīng)度大于義^的適應(yīng)度，則XU = VU，否則保持XU不變；
[0095] 第八步:經(jīng)過Limit次循環(huán)后，判斷是否有要丟掉的解，若存在，則偵察蜂根據(jù)式 (1)產(chǎn)生一個(gè)新解XU代替它;存儲(chǔ)到目前為止找到的最好的解；
[0096] 第九步:若當(dāng)前迭代次數(shù)大于最大次數(shù)MCN，則停止迭代；否則轉(zhuǎn)到第四步，切cle = Cycle+l 〇
[0097] 第十步:通過輸出的最佳參數(shù)組合（丫，σ)并建立LSSVM預(yù)測(cè)模型，對(duì)測(cè)試集進(jìn)行預(yù) 巧。，預(yù)測(cè)出其它時(shí)間序列的風(fēng)速數(shù)據(jù)，得到預(yù)測(cè)的脈動(dòng)風(fēng)速時(shí)程譜；并采用均方根誤差 (RM沈）、相關(guān)系數(shù)(R似及收斂速度對(duì)LSSVM，PS0-LSSVM，ABC-LSSVM進(jìn)行比較分析，如表1W 及表2:
[0098] 表1Ξ種方法預(yù)測(cè)結(jié)果對(duì)比表
[0099]
[0100] 表2 ABC-LSSVM、PS〇-LSSVM收斂速度對(duì)比表
[0101]
[0102] 表1顯示的結(jié)果可W看出，基于人工蜂群(ABC)優(yōu)化最小二乘支持向量機(jī)化SSVM) 的預(yù)測(cè)模型預(yù)測(cè)出的脈動(dòng)風(fēng)速值與真實(shí)值更接近。與LSSVM，PS0-LSSVM相比，ABC-LSSVM的 均方誤差最小且相關(guān)系數(shù)最大(R〉〇 . 9，通常認(rèn)為相關(guān)系數(shù)大于0.9，認(rèn)為具備很強(qiáng)的相關(guān) 性)。
[0103] 表2顯示的結(jié)果可W看出，在迭代次數(shù)設(shè)置在200次時(shí)，基于人工蜂群(ABC)優(yōu)化最 小二乘支持向量機(jī)化SSVM)的風(fēng)速預(yù)測(cè)模型收斂速度與基于粒子群(PS0)優(yōu)化最小二乘支 持向量機(jī)化SSVM)的風(fēng)速預(yù)測(cè)模型收斂速度相比要高出8-10倍W上，而且基于人工蜂群 (ABC)優(yōu)化最小二乘支持向量機(jī)化SSVM)的風(fēng)速預(yù)測(cè)模型大多都在10次W內(nèi)收斂，表明人工 蜂群優(yōu)化算法(ABC)有很強(qiáng)的魯棒性。
[0104] 上述第二步中，LSSVM回歸預(yù)測(cè)算法描述如下：
[010 引設(shè)給定 1 個(gè)訓(xùn)練樣本:Τ= {(Xl，yi)，......（Xl，yi) }，其中XieRn，yiERn, i二 1,2, . . 1， 通過非線性映射怒**作然淺(雜，把訓(xùn)練輸入數(shù)據(jù)映射到一個(gè)高維特征空間Η中，在特 征空間Η中構(gòu)建最優(yōu)超平面，對(duì)樣本數(shù)據(jù)進(jìn)行擬合，并使預(yù)測(cè)值與目標(biāo)值的誤差最小，LSSVM 回歸擬合問題的表達(dá)式為如下式(11):
[0106]
[0107] 其中，ω是權(quán)向量，ξι是松弛因子，b是偏差值，C是懲罰因子，用于對(duì)目標(biāo)函數(shù)進(jìn)行 控制。
[0108] 引入Lagrange函數(shù)，定義函數(shù)形式如下式（12):
[0109]
[0110] 其中，Qi，i = 1，2，3，……1，是拉格朗日乘子。根據(jù)ΚΚΤ條件，分別對(duì)L進(jìn)行ω，b，Ci， 曰1偏導(dǎo)求解，并使得偏導(dǎo)數(shù)等于零，得到如下等式和約束條件，如下式(13):
[0111]
[0112] 最后得到LSSVM回歸預(yù)測(cè)模型，如下式（14)::
[0113]
[0114] 本發(fā)明引入了人工蜂群優(yōu)化算法對(duì)最小二乘支持向量機(jī)的回歸預(yù)測(cè)模型進(jìn)參數(shù) 優(yōu)化選擇，提高了預(yù)測(cè)精度W及收斂速度。因此可W得到結(jié)論:基于人工蜂群優(yōu)化最小二乘 支持向量機(jī)的脈動(dòng)風(fēng)速預(yù)測(cè)(ABC-LSSVM)與基于粒子群優(yōu)化最小二乘支持向量機(jī)的脈動(dòng)風(fēng) 速預(yù)測(cè)方法(PSO-LSSVM)W及LSSVM相比有一定的優(yōu)勢(shì)。
【主權(quán)項(xiàng)】
1. 一種基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法，其特征在于，其包括以下步驟： 第一步:通過ARMA法數(shù)值模擬出脈動(dòng)風(fēng)速時(shí)程樣本，作為原始脈動(dòng)風(fēng)速樣本數(shù)據(jù)，將某 一個(gè)空間點(diǎn)的脈動(dòng)風(fēng)速時(shí)程樣本分為訓(xùn)練集、測(cè)試集兩部分，設(shè)置風(fēng)速時(shí)間序列數(shù)據(jù)預(yù)測(cè) 的嵌入維數(shù)m，分別對(duì)訓(xùn)練集、測(cè)試集進(jìn)行歸一化處理； 第二步：建立LSSVM回歸預(yù)測(cè)模型，選擇RBF函數(shù)作為L(zhǎng)SSVM的核函數(shù)，運(yùn)用Matlab軟件 運(yùn)行LSSVM模型程序，對(duì)訓(xùn)練集進(jìn)行學(xué)習(xí)； 第三步:將人工蜂群算法引入LSSVM回歸預(yù)測(cè)模型中，設(shè)置LSSVM預(yù)測(cè)模型核函數(shù)參數(shù)〇 和正則化參數(shù)γ的范圍〇e[〇min，〇max]和γ e[ ymin, ymax]、蜜源個(gè)數(shù)、最大循環(huán)次數(shù)、放棄 閾值； 第四步：隨機(jī)產(chǎn)生初始解集，以預(yù)測(cè)風(fēng)速與目標(biāo)風(fēng)速的均方根誤差作為人工蜂群算 法的適應(yīng)度，并計(jì)算各個(gè)初始解Xlj的適應(yīng)度； 第五步：引領(lǐng)蜂在初始解鄰域搜索產(chǎn)生新解VU，根據(jù)貪心選擇原則，即若的適應(yīng)度大 于Xij的適應(yīng)度，貝1Jxij = Vij，否則保持Xij不變； 第六步:計(jì)算所有的適應(yīng)度，并計(jì)算概率值Pi; 第七步:跟隨蜂根據(jù)計(jì)算概率值卩:選擇蜜源，然后在所選擇的蜜源進(jìn)行鄰域搜索產(chǎn)生新 解Vij，計(jì)算適應(yīng)度，再次根據(jù)貪心選擇原則，若Vij的適應(yīng)度大于Xij的適應(yīng)度，則Xij = Vij，否 則保持Xij不變； 第八步:經(jīng)過Limit次循環(huán)后，判斷是否有要丟掉的解，若存在，則由偵察蜂產(chǎn)生一個(gè)新 解Xlj代替它;并存儲(chǔ)到目前為止找到的最好的解； 第九步：若當(dāng)前迭代次數(shù)大于最大次數(shù)MCN，則停止迭代；否則轉(zhuǎn)到第四步，Cycle = Cycle+1； 第十步:輸出最優(yōu)參數(shù)組合，并建立LSSVM預(yù)測(cè)模型，預(yù)測(cè)出其它時(shí)間序列的風(fēng)速數(shù)據(jù)。2. 根據(jù)權(quán)利要求1所述的基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法，其特征在于， 所述第一步中ARMA法的公式如下：式中:U (t)為脈動(dòng)風(fēng)速;Ai、Bi分別是Μ X Μ階AR和MA模型的系數(shù)矩陣;X (t)為Μ X 1階正態(tài) 分布白噪聲序列;Ρ為自回歸階數(shù)、q為滑動(dòng)回歸解數(shù);相關(guān)函數(shù)由功率譜通過維納一辛欽公 式下式算出：通過對(duì)ARMA模型公式的矩陣變換，分別求解自回歸系數(shù)^和滑動(dòng)回歸系數(shù)仏，建立脈動(dòng) 風(fēng)速表達(dá)式； 歸一化處理公式為：式中，Xmin是X的最小值，Xmax是X的最大值，利用此式把X的范圍整到[0,1]。3. 根據(jù)權(quán)利要求1所述的基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法，其特征在于， 所述第二步LSSVM回歸預(yù)測(cè)模型選擇的核函數(shù)為高斯核函數(shù)，RBF核函數(shù)的表達(dá)式為：式中，Xi、xj為訓(xùn)練樣本第i，j個(gè)元素；γ為RBF核函數(shù)參數(shù)。4. 根據(jù)權(quán)利要求1所述的基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法，其特征在于， 所述第四步隨機(jī)產(chǎn)生初始解集xuS第八步中產(chǎn)生新解的公式如下：其中j e {1，2，……D}為D維可行解的某個(gè)分量。5. 根據(jù)權(quán)利要求1所述的基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法，其特征在于， 所述第五步引領(lǐng)蜂在初始解鄰域搜索產(chǎn)生新解的公式如下：其中je{l，2,......D}，ke{l，2,......3?汰為隨機(jī)生成且1^關(guān)1咚/為[-1，1]之間 的隨機(jī)數(shù)。6. 根據(jù)權(quán)利要求1所述的基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法，其特征在 于，所述第六步適應(yīng)度及概率值的計(jì)算公式如下：fit是第i個(gè)可行解的適應(yīng)度，對(duì)應(yīng)食物源的豐富程度;h對(duì)應(yīng)目標(biāo)函數(shù)值。
【專利摘要】本發(fā)明提供一種基于人工蜂群優(yōu)化LSSVM的脈動(dòng)風(fēng)速預(yù)測(cè)方法，其包括以下步驟：首先用ARMA數(shù)值模擬法模擬生成垂直空間點(diǎn)的脈動(dòng)風(fēng)速時(shí)程樣本，并將空間點(diǎn)的脈動(dòng)風(fēng)速時(shí)程樣本分為訓(xùn)練集、測(cè)試集兩部分，分別對(duì)其進(jìn)行歸一化處理；建立最小二乘支持向量機(jī)脈動(dòng)風(fēng)速預(yù)測(cè)模型，采用人工蜂群算法尋找最優(yōu)的LSSVM模型參數(shù)組合使得模型預(yù)測(cè)誤差最小。并采用均方根誤差、相關(guān)系數(shù)以及收斂次數(shù)作為評(píng)價(jià)指標(biāo)，并與最小二乘支持向量機(jī)和粒子群優(yōu)化的最小二乘支持向量機(jī)（PSO-LSSVM）數(shù)據(jù)驅(qū)動(dòng)技術(shù)的結(jié)果進(jìn)行比較。
【IPC分類】G06K9/62
【公開號(hào)】CN105447510
【申請(qǐng)?zhí)枴緾N201510764766
【發(fā)明人】張永康, 李春祥
【申請(qǐng)人】上海大學(xué)
【公開日】2016年3月30日
【申請(qǐng)日】2015年11月11日