针对风速时间序列的非线性和非平稳性,提出一种基于局域均值分解(Local Mean Decomposition,LMD)和多核最小二乘支持向量机的短期风速预测模型。该方法首先对LMD对风速时间序列进行多层分解,得到一系列的PF(Product Function,PF)分量;...针对风速时间序列的非线性和非平稳性,提出一种基于局域均值分解(Local Mean Decomposition,LMD)和多核最小二乘支持向量机的短期风速预测模型。该方法首先对LMD对风速时间序列进行多层分解,得到一系列的PF(Product Function,PF)分量;然后运用多核最小二乘支持向量机模型对分解后的各PF分量风速进行预测;最后对各预测结果进行叠加作为最终的预测风速。算例结果表明,该预测模型能准确进行短期风速的预测。展开更多
最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LS...最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。展开更多
文摘针对风速时间序列的非线性和非平稳性,提出一种基于局域均值分解(Local Mean Decomposition,LMD)和多核最小二乘支持向量机的短期风速预测模型。该方法首先对LMD对风速时间序列进行多层分解,得到一系列的PF(Product Function,PF)分量;然后运用多核最小二乘支持向量机模型对分解后的各PF分量风速进行预测;最后对各预测结果进行叠加作为最终的预测风速。算例结果表明,该预测模型能准确进行短期风速的预测。
文摘最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。
