【摘要】：提出了基于Marr小波核函數(shù)最小二乘支持向量機(Marr-LSSVM)的順風向非高斯空間風壓預測算法。通過傳統(tǒng)高斯核函數(shù)(RBF)和多項式核函數(shù)(Poly)的乘法運算,提出了Poly*RBF-LSSVM(MK-LSSVM)的空間風壓預測算法。運用粒子群優(yōu)化(PSO)算法,對Marr-LSSVM、傳統(tǒng)單核CSK-LSSVM和MK-LSSVM的懲罰參數(shù)、核函數(shù)參數(shù)、權重、尺度因子進行優(yōu)化,建立基于智能優(yōu)化的非高斯空間風壓預測算法;以30 m和50 m處模擬順風向風壓時程作為輸入樣本,使用提出的預測算法對40 m處風壓時程進行了預測。數(shù)值分析表明,Marr-LSSVM、MK-LSSVM比CSK-LSSVM具有明顯高的非高斯風壓預測性能。
[Abstract]:Based on the Marr wavelet kernel function least squares support vector machine (Marr-LSSVM), a forward wind pressure prediction algorithm for non-Gao Si space is proposed. Based on the multiplication of traditional Gao Si kernel function (RBF) and polynomial kernel function (Poly), a spatial wind pressure prediction algorithm for Poly*RBF-LSSVM (MK-LSSVM) is proposed. Particle swarm optimization (PSO) algorithm is used to optimize the penalty parameters, kernel function parameters, weights and scale factors of traditional single-core CSK-LSSVM and MK-LSSVM in Marr-LSSVM, and a non-Gaussian spatial wind pressure prediction algorithm based on intelligent optimization is established. Taking 30 m and 50 m as input samples, the time history of wind pressure at 40 m is predicted by using the proposed prediction algorithm. Numerical analysis shows that Marr-LSSVM,MK-LSSVM has significantly higher non-Gao Si wind pressure prediction performance than CSK-LSSVM.
【作者單位】： 上海大學土木工程系;同濟大學建筑工程系;
【基金】：國家自然科學基金(51378304)
【分類號】：TP18

【相似文獻】

相關期刊論文 前2條

1 王宏健;徐金龍;李娟;張愛華;;非平穩(wěn)非高斯測量噪聲條件下改進差分粒子濾波算法研究[J];兵工學報;2014年07期

2 ;[J];;年期

相關博士學位論文 前2條

1 王剛;基于最大非高斯估計的獨立分量分析理論研究[D];國防科學技術大學;2005年

2 屈毅;非高斯隨機分布系統(tǒng)控制與故障檢測方法的研究[D];蘭州理工大學;2013年

相關碩士學位論文 前2條

1 楊楠;基于改進核獨立元分析的非高斯過程監(jiān)測方法研究[D];東北大學;2014年

2 許大星;非線性系統(tǒng)的幾種濾波算法研究[D];杭州電子科技大學;2014年

，

本文編號：2470410