[发明专利]基于蚁群和粒子群集成的LSSVM脉动风速预测方法有效
申请号: | 201510256023.3 | 申请日: | 2015-05-19 |
公开(公告)号: | CN104899431B | 公开(公告)日: | 2018-03-06 |
发明(设计)人: | 李春祥;丁晓达;迟恩楠 | 申请(专利权)人: | 上海大学 |
主分类号: | G06F19/00 | 分类号: | G06F19/00;G06N3/00 |
代理公司: | 上海上大专利事务所(普通合伙)31205 | 代理人: | 陆聪明 |
地址: | 200444*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明提供一种基于蚁群和粒子群集成的LSSVM脉动风速预测方法,其包括如下步骤进行归一化处理;计算每个蚂蚁的信息素浓度;蚁群中其他蚂蚁向头蚁位置移动进行全局搜索;迭代过程中对每个位置上蚂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,返回第三步;否则,算法结束输出最优参数组合;初始化粒子群相关参数;将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较;得到预测的脉动风速时程谱。本发明具有优化精度高,收敛精度高,迭代次数少,成功率高等特点。 | ||
搜索关键词: | 基于 粒子 群集 lssvm 脉动 风速 预测 方法 | ||
【主权项】:
一种基于蚁群和粒子群集成的LSSVM脉动风速预测方法,其特征在于,其包括以下步骤:第一步:利用ARMA模拟生成一定时间段脉动风速样本,将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;第二步:初始化蚁群算法相关参数,设置核函数参数和正则化参数范围C∈[Cmin,Cmax]和σ∈[σmin,σmax],将一组参数序列(C,σ)作为蚁群算法中蚂蚁的初始位置向量;由训练集对LSSVM进行训练学习,计算每个蚂蚁个体的目标函数值,再计算每个蚂蚁的信息素浓度,目标函数值越小,信息素浓度越大;具体步骤如下:计算每个蚂蚁个体的目标函数值的公式为式(2)、式(3)、式(4):minF=minMSE=1lΣi=1l(yi-y^i)2---(2)]]>Cmin≤C≤Cmax (3)σmin≤σ≤σmax (4)其中F为最小均方误差,yi和分别为监测样本的真实值和通过LSSVM计算出的预测值,σ为核函数参数,C为正则化参数,Cmax、Cmin为正则化参数C允许的最大值和最小值,σmax、σmin为核函数参数σ允许的最大值和最小值;每个蚂蚁的信息素浓度计算公式为式(6):τ(i)=e-F(Xi)---(6)]]>式中,e为数学常数,即自然对数的底数,F为优化问题的目标函数,Xi为蚂蚁的初始位置向量;第三步:从蚁群中随机抽取p只蚂蚁,由每只蚂蚁所在位置的信息素浓度大小,选择蚂蚁目标函数值最小的位置为Xbest,并将该蚂蚁作为头蚁Xobj;蚁群中其他蚂蚁向头蚁位置移动进行全局搜索,具体步骤如下:蚁群中其他蚂蚁向头蚁位置移动进行全局搜索,式子如下式:Xi=(1‑λ)Xi+λXobj λ∈(0,1)式中,λ为(0,1)范围的可调参数,Xobj为目标函数最小的头蚁位置;第四步:迭代过程中对每个位置上蚂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,返回第三步;否则,算法结束输出最优参数组合(C,σ);第五步:利用第四步得到的最优参数组合(C,σ),初始化粒子群相关参数;分别用每个粒子向量所对应的LSSVM模型对学习样本进行预测,得到各粒子当前位置值的预测误差,并将其作为各粒子的适应度值,再将各粒子的当前适应度值与该粒子自身的最优适应度值进行比较,如果更优,则将粒子当前的位置作为该粒子的最优位置;第六步:将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较,如果更优,则将该粒子的最优位置作为群体的最优位置;检查是否满足寻优结束条件,若满足则结束寻优,求出最优解;否则继续新一轮搜索;第七步:利用第六步得到的核函数参数σ和正则化参数C的最佳组合,利用Trainlssvm函数来训练建立模型,导入预测数据,预处理后利用Simlssvm函数对测试样本进行预测,得到预测的脉动风速时程谱;计算预测结果并分别与PSO‑LSSVM、ACO‑LSSVM以及原始预测样本数据的均方根误差RMSE、平均绝对误差AE和相关系数R进行比较分析。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海大学,未经上海大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201510256023.3/,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算;推算;计数
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用