基于G‑L混合噪声特性核岭回归技术的风速预报方法及装置与流程

技术特征：

1.基于G-L混合噪声特性核岭回归技术的风速预报方法，其特征在于，该方法包括如下步骤：

1)获取某地区具有噪声影响的风速数据集D_l，利用Bayesian原理，得到基于G-L混合噪声特性的损失函数c(ξ)；

2)利用统计学习理论和最优化理论，结合步骤1)中得到的基于G-L混合噪声特性的损失函数c(ξ)，建立基于G-L混合噪声特性核岭回归模型的原问题，推导并求解出基于G-L混合噪声特性核岭回归模型的对偶问题；

3)利用十折交叉验证技术确定基于G-L混合噪声特性核岭回归模型的对偶问题的惩罚参数及权重参数，选取核函数K(·,·)；构造基于G-L混合噪声特性核岭回归模型的决策函数f(x)；

4)构造基于G-L混合噪声特性核岭回归模型的风速预报模式：输入向量为其中i,j为相关联的两个时刻；输出值为x_i+step，其中step为预测间隔时间，利用该风速预报模式预报分析某一时刻i以后step间隔时刻的风速值。

2.根据权利要求1所述的基于G-L混合噪声特性核岭回归技术的风速预报方法，其特征在于，所述基于G-L混合噪声特性的损失函数为其中，权重参数λ₁≥0,λ₂≥0且λ₁+λ₂＝1，ξ为已知的独立同分布的随机变量。

3.根据权利要求1所述的基于G-L混合噪声特性核岭回归技术的风速预报方法，其特征在于，所述基于G-L混合噪声特性的核岭回归模型的原问题为：

s.t.ξ_i＝y_i-ω^T·Φ(x_i)-b

ξ_i≥0,i＝1,…,l

其中，C＞0是惩罚参数，权重参数λ₁,λ₂≥0且λ₁+λ₂＝1，l为样本个数，y_i为测量值，ξ_i为已知的独立同分布的随机变量，i＝1,2,…,l；Φ:Rⁿ→H为核变换，H为Hilbert空间，ω为参数向量，T为转置，b∈R；式中的P_GLM-KRR表示基于G-L混合噪声特性核岭回归模型的原问题，表示基于G-L混合噪声特性核岭回归模型的原问题的目标函数。

4.根据权利要求3所述的基于G-L混合噪声特性核岭回归技术的风速预报方法，其特征在于，步骤2)中，构造Lagrange泛函：

$L(\mathrm{\ω},b,\mathrm{\α},\mathrm{\ξ})=\frac{1}{2}{\mathrm{\ω}}^T\·\mathrm{\ω}+\frac{C}{l}\·(\frac{{\mathrm{\λ}}_1}{2}\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i^2+{\mathrm{\λ}}_2\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i)+\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i(y_i-{\mathrm{\ω}}^T\·\mathrm{\Φ}(x_i)-b-{\mathrm{\ξ}}_i)$

应用最优化理论，得到基于G-L混合噪声特性核岭回归模型原问题的对偶问题；其中，α_i为拉格朗日乘子。

5.根据权利要求4所述的基于G-L混合噪声特性核岭回归技术的风速预报方法，其特征在于，所述基于G-L混合噪声特性的核岭回归模型对偶问题为：

$\begin{array}{c}\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{max}\{g_{D_{GLM-KRR}}=-\frac{1}{2}\underset{i,j=1}{\overset{l}{\Σ}}({\mathrm{\α}}_i\·{\mathrm{\α}}_j\·K(x_i,x_j\left)\right)+\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i\·y_i\\ -\frac{l}{2C\·{\mathrm{\λ}}_1}\underset{i=1}{\overset{l}{\Σ}}{({\mathrm{\α}}_i-C\·{\mathrm{\λ}}_2)}^2\}\end{array}$

$\begin{array}{cc}s.t.& \underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i=0\end{array}$

其中，l为样本个数，惩罚参数C＞0，权重参数λ₁,λ₂≥0且λ₁+λ₂＝1；s.t.为subject to的缩写，表示基于G-L混合噪声特性核岭回归模型对偶问题的目标函数，α_i,α_j为拉格朗日乘子，j＝1,2,…,l，y_i为测量值，K(x_i,x_j)为核函数。

6.根据权利要求5所述的基于G-L混合噪声特性核岭回归技术的风速预报方法，其特征在于，基于G-L混合噪声特性核岭回归模型的决策函数为：

$f\left(x\right)={\mathrm{\ω}}^T\·\mathrm{\Φ}\left(x\right)+b=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_{i}K(x_i,x)+b$

其中，Φ:Rⁿ→H为核变换，H为Hilbert空间，K(x_i,x_j)＝(Φ(x_i)·Φ(x_j))，ω∈Rⁿ为参数向量，(Φ(x_i)·Φ(x_j))表示H空间中的内积。

7.基于G-L混合噪声特性核岭回归技术的风速预报装置，其特征在于，该装置包括损失函数获取模块、对偶问题求解模块、决策函数构造模块及风速预报模块；

所述损失函数获取模块，用于获取某地区具有噪声影响的风速数据集D_l，利用Bayesian原理，得到基于G-L混合噪声特性的损失函数c(ξ)；

所述对偶问题求解模块，用于利用统计学习理论和最优化理论，结合基于G-L混合噪声特性的损失函数c(ξ)，建立基于G-L混合噪声特性核岭回归模型的原问题，推导并求解出基于G-L混合噪声特性核岭回归模型对偶问题；

所述决策函数构造模块，用于利用十折交叉验证技术确定基于G-L混合噪声特性核岭回归模型对偶问题的惩罚参数及权重参数，选取核函数K(·,·)；构造基于G-L混合噪声特性核岭回归模型的决策函数f(x)；

所述风速预报模块，用于构造基于G-L混合噪声特性核岭回归模型的风速预报模式：输入向量为其中i,j为相关联的两个时刻；输出值为x_i+step，其中step为预测间隔时间，利用该风速预报模式预报分析某一时刻i以后step间隔时刻的风速值。

8.根据权利要求7中所述基于G-L混合噪声特性核岭回归技术的风速预报装置，其特征在于，根据建立的基于G-L混合噪声特性的核岭回归模型的原问题，构造Lagrange泛函，利用最优学习理论，得到基于G-L混合噪声特性核岭回归模型原问题的对偶问题。

9.根据权利要求7所述的基于G-L混合噪声特性核岭回归技术的风速预报装置，其特征在于，所述基于G-L混合噪声特性的损失函数其中，权重参数λ₁≥0,λ₂≥0且λ₁+λ₂＝1，ξ为已知的独立同分布的随机变量。

10.根据权利要求9中所述基于G-L混合噪声特性核岭回归技术的风速预报装置，其特征在于，基于G-L混合噪声特性的核岭回归模型的决策函数为：

$f\left(x\right)={\mathrm{\ω}}^T\·\mathrm{\Φ}\left(x\right)+b=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_{i}K(x_i,x)+b$

其中，Φ:Rⁿ→H为核变换，H为Hilbert空间，K(x_i,x_j)＝(Φ(x_i)·Φ(x_j))，ω∈Rⁿ为参数向量，(Φ(x_i)·Φ(x_j))表示H空间中的内积，l为样本个数，α_i为拉格朗日乘子，i＝1,…,l。