Lssvm非高斯脉动风速预测方法
【技术领域】
[OOOU本发明设及一种LSSVM(最小二乘支持向量机）非高斯脉动风速预测方法，具体的 说是一种采用遗传算法（GA)和蚁群算法（AC0)混合的LSSVM非高斯脉动风速预测方法。
【背景技术】
[0002] 在建筑工程设计中，风荷载是各类建筑结构的主要荷载之一。通常把风分为平均 风和脉动风，其中脉动风具有随机特征，其周期较短，更接近于建筑物的自振周期，它将使 结构可能发生顺风向振动、横风向驰振、縱满脱落、扭转发散振动及其它禪合振动等形式的 风致随机振动。风振时域分析可W更全面地了解超高层建筑风振响应特性，更直观地反映 超高层建筑风致振动控制的有效性。传统的分析方法是假设风荷载为高斯平稳随机过程而 作用在线性结构上，运个假定能极大地简化分析计算过程。然而，在考虑分离流作用的一些 重要区域，例如建筑物屋盖边缘、屋面转角等，风荷载表现出强烈的非高斯特性，风桐试验 结果也证实了运一点。DebasisKarmakar,SamitRay-Chaudhuri,MasanobuShinozuka在 美国洛杉机港文森特托马斯大桥进行的风速实测也表明，在大桥某些部位所受到的风速时 程明显程非高斯特性；哈尔滨工业大学张星明在《近地实测台风脉动风速的非高斯性分析 与建模》中也表明，在台风风眼壁强风区，风向发生急剧变化，非高斯特性显著。因此，实现 非高斯脉动风速的预测对工程中分析非高斯脉动风的动力振动响应具有重要意义。
[0003] 支持向量机（SVM)是基于统计学习理论提出的一种小样本学习方法，遵循结构风 险最小化原理。利用支持向量机很好的学习能力，可实现对有限样本的风速时程的预测模 拟。支持向量机的性能依赖于模型的参数，对于参数的选择，至今还未提出明确的理论依 据。利用智能优化方式对LSSVM模型参数进行智能提取成为一大热点。目前常见的对LSSVM 优化的方式主要有人工鱼群算法、遗传算法、蚁群算法和粒子群算法等，在一定程度上，各 类优化算法在对LSSVM参数优化中取得一定的效果，但是得到的预测模型预测精度和速度 还是有一定的缺陷。
[0004] 结合智能优化算法各自的优缺点，可实现智能优化算法的优势互补。因此，本发明 对LSSVM模型参数进行智能提取分为两个阶段：第一步，利用遗传算法具有良好的全局捜 索能力，获得最优解存在的区域；第二步，利用蚁群算法使用动态捜索步长在第一步得到的 最优解邻域内进行精细的局部捜索。蚁群算法使用动态捜索使捜索过程越来越细致，提高 了解的精度，最终获得运行速度更快、预测精度更高的LSSVM对非高斯脉动风速的预测模 型。
【发明内容】
[0005] 本发明所要解决的技术问题是提供一种LSSVM非高斯脉动风速预测方法，其根据 指定的边缘概率密度函数（ro巧和目标PSD函数模拟产生非高斯随机过程，将样本划分为 训练集和测试集，初始化LSSVM模型参数，利用GA和AC0混合方式智能提取LSSVM的最有 参数组合（C，0)，进而建立优化的LSSVM预测模型，对测试集进行预测，得到预测的非高斯 脉动风速时程谱。
[0006] 本发明是通过下述技术方案来解决上述技术问题的：本发明LSSVM非高斯脉动风 速预测方法包括如下步骤：
[0007] 第一步：根据指定的边缘概率密度函数和目标功率谱函数，用无记忆非线性转化 法模拟产生非高斯随机脉动风速样本，将非高斯脉动风速样本分为训练集、测试集两部分， 对其分别进行归一化处理；
[0008] 第二步：初始化遗传算法相关参数，设置LSSVM模型核函数参数C和正则化参数 0范围CG[Cmm，CmJ和0G[0mi。，0mJ，对染色体进行二进制编码，随机产生初始种 群；
[0009] 第立步：由训练集对LSSVM进行训练学习，进行测试集的预测，计算群体中的每一 个染色体的适应度，判断算法收敛准则是否满足，若满足最优参数组合则把组合解放入集 合A，进入第五步，否则进入第四步；
[0010] 第四步：设计遗传算子和确定遗传算法的运行参数，进行遗传算法的选择、交叉、 变异操作；检查是否满足迭代终止条件，若不满足，返回第二步；否则，算法结束将满足条 件的最优参数组合放入集合A进入第五步；
[0011] 第五步：利用遗传算法得到的参数组合集合A，得到初始化蚁群算法的最优解集 合用蚁群算法在其邻域内进行精细的局部捜索；由训练集对LSSVM进行训练学习，计 算各妈蚁当前的适应度值，再将各妈蚁的当前适应度值与集合A中初始化的妈蚁适应度值 进行比较，如果更优，则将该妈蚁当前的位置作为该妈蚁的最优位置；
[0012] 第六步：迭代过程中对每个位置上妈蚁信息素浓度进行更新，检查是否满足迭代 终止条件，若不满足，返回第二步；否则，算法结束输出最优参数组合；
[0013] 第屯步：利用第六步得到的最优参数组合，建立优化的LSSVM预测模型；对测 试集进行预测，得到预测的非高斯脉动风速时程谱；计算预测结果并分别与GA-LSSVM、 AC0-LSSVM预测样本数据的平均绝对百分比误差、平均绝对误差和均方根误差进行比较分 析。
[0014] 优选地，所述第一步中的无记忆非线性转化法把高斯随机过程转换为非高斯随机 过程，公式如下：
[0015]
[0016] 式中，巧iO表示非高斯随机过程概率密度函数的逆反函数，F<；()为高斯随机过 程的概率密度函数，而高斯随机过程相关函数咕（T)和非高斯随机过程相关函数T) 转换公式如下：
[0019] P(t)为标准相关函数系数
[0020] 式中，〇为非高斯随机过程样本的边缘分布函数，0 2为高斯随机过程对应的方 差，P(T)为标准相关函数系数；
[0021] 样本归一化处理公式为W下式：
[0022]
阳〇2引式中，Xmi。是X的最小值，Xmax是X的最大值，利用此式把X的范围整到[0,U。 [0024] 优选地，所述第二步中的染色体采用二进制编码，具体编码公式如下：
[0027] 其中b为二进制数，m为字长，Cm。、、Cmi。为正则化参数C允许的最大值和最小值， 曰m。、、〇"u。为核函数参数0允许的最大值和最小值。
[0028] 优选地，所述第=步中的每个染色体适应度的计算公式如下式：
[0029]
[0030] 其中f为适应度函数，MSE为测试集数据的均方误差，和泉分别为测试集的真实 值和预测值。
[0031] 优选地，所述第四步的具体内容如下：
[0032] 遗传算法的选择算子采用适应度比例法，按个体适应度在整个群体适应度中所占 的比例确定该个体的被选择概率，个体i被选取的概率Pi和该个体的累计概率Q1计算公式 如下：
阳03引其中N为种群规模，为第i个染色体的适应度；
[0036] 遗传算法的交叉算子计算公式如下：
[0037] Ci=P1曰+口2(1-曰）
[0038] C2=P1 (1-曰）+化曰
[0039] 式中，Pi，P2为一组配对的俩个个体；C1，C2为交叉操作后得到的新个体；a为随机 产生的位于（0, 1)区间的随机数；
[0040] 遗传算法的变异算子选择第i个个体的第j个基因进行变异操作，即
[0041 ]
阳0 创 f(g)=r' (1-g/T)
[00创其中，Cmi。，Cmax为基因的上下限，r，r'为[0, 1]间的随机数，g为当前进化次数，T为最大进化代数。
[0044] 优选地，所述第五步中的妈蚁的位置迭代公式如下：
[0045]
[0046] 式中，5 =0.IXrandO,若f狂'beJ狂beJ，取" + "，否则，取
[0047] h为动态捜索步长，按下式更新：
[0048]
W例式中，hm。济h为初始设定的常数，it