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Dl,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xi+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.ξi=yi-ωT·Φ(xi)-b
ξi≥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,yi为测量值,ξi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PGLM-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:
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,αi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:
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,αi,αj为拉格朗日乘子,j=1,2,…,l,yi为测量值,K(xi,xj)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:
其中,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。
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Dl,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xi+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:
其中,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,l为样本个数,αi为拉格朗日乘子,i=1,…,l。