CN105046044A - 基于最优小波包变换的非平稳风速预测方法 - Google Patents
基于最优小波包变换的非平稳风速预测方法 Download PDFInfo
- Publication number
- CN105046044A CN105046044A CN201510290114.9A CN201510290114A CN105046044A CN 105046044 A CN105046044 A CN 105046044A CN 201510290114 A CN201510290114 A CN 201510290114A CN 105046044 A CN105046044 A CN 105046044A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- frequency signal
- stationary
- wavelet
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009466 transformation Effects 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 238000001308 synthesis method Methods 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 35
- 238000005457 optimization Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005654 stationary process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于最优小波包变换的非平稳风速预测方法，其包括如下步骤：第一步：采用谐波合成法生成零均值的非平稳风速，通过调制函数调制得到时变的非平稳风速序列；第二步：选用非对称的db类小波，利用小波包技术对进行分解；第三步：对于分解后的信号，分两类算法预测：即对高频信号采用自回归AR预测建模，对低频信号采用WSVM预测建模，其中WSVM的模型参数和核参数利用遗传算法优化选取；第四步：将高频信号的预测数据与低频信号的预测数据叠加得出最终预测结果。本发明在充分拟合低频信息的同时，也避免对高频信息的过拟合，从而提高了非平稳时间序列的预测精度。
Description
技术领域
本发明涉及一种关于非平稳时间序列过程的预测方法，具体的说是一种基于最优小波包变换的非平稳风速预测方法。
背景技术
自然世界中靠近地面边界层的风速和风向具有随时间和空间随机变化的特征，例如由强（台）风引起的高层建筑上的风速以及一些阵风锋面上的瞬态阵风风速就是高斯非平稳过程。1938年，Wold提出了著名的Wold分解定理指出任何一个离散平稳过程都可以分解为不相关的确定性和随机性的两个平稳序列之和。Gramer将其推广到了非平稳序列，提出了Gramer分解定理：任何一个时间序列都可以分解为时变确定性趋势成分和平稳零均值随机成分的。在研究结构风荷载时，通常把风处理为在一定时距内不随时间变化的平均风速和随时间随机变化的脉动风速两部分，平均风速对结构产生静态响应，而脉动风速对结构产生动态响应。
对于时间序列的预测算法研究，除了常见的自回归预测模型（AutoRegressive，AR），智能控制算法中神经网络已经比较成熟，不过神经网络模型存在过学习和局部极值点的缺陷问题，且需要较大量的样本。Vapnik和Cortes于1995年首先提出的支持向量机（SupportVectorMachines，SVM）智能算法，是专门针对有限样本情况的机器学习方法，在函数拟合和回归方面的特有优势，采用结构风险最小化原则，将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策来实现原空间中的非线性决策函数，巧妙地解决了维数问题，具有小样本学习、全局寻优、泛化能力强的特点。
核函数的选取和优化，对支持向量机性能的提高产生很大的影响。采用一般的径向基（RBF）核函数具有信息丢失、处理时间过长、对边界处信号和多尺度信号预测精度不高等缺陷，而基于小波理论构造的核函数具有局部化、多层次、多分辨的优点，同时可以进行多尺度分析，可有效地提升支持向量机的推广能力，小波核函数替代传统核函数后的支持向量机称为小波支持向量机（WaveletSupportVectorMachines，WSVM）。
遗传算法（GeneticAlgorith，GA）作为一种新的全局优化搜索算法，能有效解决最优化问题，本质上是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，可用于复杂系统优化计算的搜索算法，具有鲁棒性、自适应性和全局优化性。SVM的模型参数和核函数参数的确定是影响预测精度的重要因素。在传统的SVM方法中，这两种参数的选择往往凭借经验采用Cross-Validation的方法，缺乏理论基础，影响SVR的学习效率和回归能力。本发明设计GA和WSVM相结合的模型，采用GA对WSVM模型的参数进行优化，大大降低了参数选择的人为因素，提高了WSVM的预测效果。
小波变换克服了短时傅里叶变换在处理信号时不能兼顾频率与时间分辨率的缺点，时间窗和频率窗都可以改变，能进行多分辨率分析。小波包变换则是小波包的推广，对于低频部分和高频部分都进行二次分解，可以聚焦到分析对象的任意细节，从而能提取更多的反映信号特征的信息。为了解决非平稳时间序列的预测问题，考虑到二进正交小波包分解对非平稳性时间序列的适应性，对高低频的分离效果及支持向量机较好的泛化能力，本发明提出一种基于最优小波包变换和遗传算法优化WSVM的非平稳风速预测方法，选择信息代价函数Shannon熵作为信息分解优劣的判断准则，采用二进小波包变换最优化地提取原始序列中的高频信息和低频信息，分别利用AR和WSVM方法对高频部分和低频部分进行建模预测，其中对于WSVM中的参数利用遗传算法优化选取，并将两部分预测值叠加得到结果，这样在充分拟合低频信息的同时，也避免对高频信息的过拟合，从而提高了非平稳时间序列的预测精度。
发明内容
本发明的目的在于提供一种基于最优小波包变换的非平稳风速预测方法，其根据Gramer定理和遗传算法优化WSVM，对于自然界中的非平稳风速可以分解为确定性的时变平均风速（低频部分）和零均值平稳随机脉动风速（高频部分）的叠加，可以分别对这两部分进行建模预测，叠加得到最终的预测结果，与单一化的预测方法（如BP神经网络）相比明显提高预测精度。
根据上述发明构思，本发明采用下述技术方案：一种基于最优小波包变换的非平稳风速预测方法，其特征在于，其包括如下步骤：
第一步，采用经过样条曲线插值改进的谐波合成法生成零均值的非平稳风速，通过调制函数调制得到时变的非平稳风速序列；
第二步，选用非对称的db类小波，利用小波包技术对信号进行分解，计算每一个分解子节点的Shannon熵，通过比较低频子节点和高频子节点的Shannon熵值之和与分解前的父节点熵值的大小，来决定是否继续分解；当子节点熵值之和小于父节点熵值时，则采纳此分解，否则保留父节点；利用此方法得到非平稳风速序列的最优分解树，经过小波包重构得到所需要的低频信号和高频信号；
第三步，对于第二步分解后的高频信号和低频信号，分两类算法预测：即对高频信号采用自回归AR预测建模，对低频信号采用小波支持向量机预测建模，其中对于WSVM的模型参数和核参数采用遗传算法优化选取；
第四步，将高频信号的预测数据与低频信号的预测数据进行叠加得出最终预测结果。优选地，所述调制函数采用正弦函数。
优选地，所述第一步的非平稳风速基于了风速谱理论，采用如下式：
式中：，是脉动风的圆频率（rad/s），是10米处的平均风速（m/s），是地面粗糙度系数。
优选地，所述第二步中的Shannon熵的表达式如下式：
其中，，且P=0时，PlgP=0。
优选地，所述第三步中选择用Bubble小波核函数取代传统核函数，构成小波支持向量机，Bubble小波核函数如下式
。
优选地，所述第三步中WSVM的模型参数和核参数采用遗传算法进行全局最优选取，其中是以平均相对误差作为GA的适应度函数。
与现有技术相比，本发明具有如下的有益效果：数值试验结果表明，本发明的基于最优小波包变换的非平稳风速预测方法相对于直接采用传统的BP神经网络算法具有更好的预测精度，在充分拟合低频信号的同时，可以避免对高频信号的过拟合，证明了小波包最优分解的有效性，以及遗传算法在小波支持向量机参数选择的优势，这对于解决工程实际问题提供了一种有效的思路和方法。
附图说明
图1是基于最优小波包变换的非平稳风速预测方法的设计流程详图；
图2是遗传算法的工作流程图；
图3是谐波合成法模拟生成的零均值非平稳风速序列的示意图；
图4是经正弦调制函数调制后模拟生成的时变非平稳风速序列的示意图；
图5是采用db10小波进行小波包分解的最优分解树的示意图；
图6是最优小波包分解后的低频信号和高频信号时程曲线图；
图7是基于最优小波包变换、GA优化WSVM预测方法和BP神经网络预测方法对比图。
具体实施方式
以下结合附图对本发明的实施进一步详细说明。
本发明的构思是先利用谐波合成法生成一段零均值平稳风速，并使用正弦调制函数调制得到非平稳风速序列，通过小波包变换对非平稳信号进行分解，并利用Shannon熵准则，得到最优分解树，经过重构提取出原始信号的高频信息和低频信息，分别采用AR和WSVM预测建模，叠加得到最终的预测结果。其中对于WSVM的预测，考虑到支持向量机的参数选择对于最终结果影响很大，需要利用到遗传算法对参数选取进行优化。
如图1所示，本发明基于最优小波包变换的非平稳风速预测方法包括如下步骤：
第一步：采用经过样条曲线插值改进的谐波合成法生成零均值的非平稳风速u（t），如图3所示。通过调制函数（这里采用最能反映自然风速波动性的正弦函数）调制得到时变的非平稳风速序列，如图4所示。
上述第一步中，关于采用谐波合成法生成零均值的非平稳风速基于了风速谱理论，即风工程中广泛使用的Davenport风速谱，具体公式如下式（1）：
（1）
式中：，是脉动风的圆频率（rad/s），是10米处的平均风速（m/s），是地面粗糙度系数。
第二步：选用非对称的db类小波（db10小波），利用小波包技术对上述非平稳风速序列进行分解，计算每一个分解子节点的Shannon熵，通过比较低频子节点和高频子节点的Shannon熵值之和与分解前的父节点熵值的大小，来决定是否继续分解，当前者小于后者时，则采纳此分解，否则保留父节点。利用此方法得到非平稳风速序列U（t）的最优分解树，如图5所示。经过小波包重构得到所需要的两个低频信号S30、S34和四个高频信号S21、S23、S31、S35，如图6所示。
第二步中，信息的熵是度量信息规律性的量，通过引入熵的概念，可以对分解过程中的各层子信号进行选择，仅对含有足够丰富信息的子信号进行更进一步的分解。Shannon熵的表达式如下式（2）：（2）
其中，，且P=0时，PlgP=0。
第三步：对第二步中的高频和低频序列信号，分两类算法预测：选择前1680点作为训练样本，剩余120点作为测试样本，将分解后的训练样本进行归一化处理后，对高频信号S21、S23、S31、S35采用自回归AR预测建模，对低频信号S30、S34采用小波支持向量机预测建模；第三步中，使用自回归AR预测建模时，需要预先差分零均值平稳化，再验算数据的自相关系数和偏相关系数，若很快趋向于0则可进行AR算法，并利用AIC准则（AkaikeInformationCriterion）给模型定阶。支持向量机建模预测本质上是一个函数逼近问题。非线性支持向量回归的基本思想是通过事先确定的非线性映射将输入向量映射的一个高维特征空间（Hilbert空间）中，然后在此高维空间中再进行线性回归，实际引出一个凸二次优化问题，从而取得在原空间非线性回归的效果。这里的非线性映射通过Bubble小波核函数来巧妙地实现，且核函数参数的选择对结果的产生影响较大，因此引入遗传算法优化参数选取，即其中对于WSVM的模型参数和核参数采用遗传算法优化选取。进一步来说，所述第三步中WSVM的模型参数和核参数采用遗传算法进行全局最优选取，其中是以平均相对误差作为GA的适应度函数。
支持向量核函数可以表示成特征空间中的点积形式，也可表示成平移不变式形式。函数只要满足Mercer条件，就可以作为支持向量核函数，从而构造小波支持向量机。利用Mercer点积子波核定理和Mercer平移不变核定理构造Bubble小波核函数。第三步中选择用Bubble小波核函数取代传统核函数，构成小波支持向量机（WSVM），Bubble小波核函数如下式（3）：
（3）
其中，a为尺度因子，i、n均为正整数序列。
对于凸二次优化问题，利用拉格朗日乘子算法，可引出二次规划目标函数采用如下式（4）：（4）
其中，，为拉格朗日乘子，为不敏感损失系数。
非线性回归拟合函数的表达式采用如下式（5）：
（5）
其中，，为拉格朗日乘子，为不敏感损失系数，C表示对超过误差的惩罚程度，b为待求的一般常数。
第四步：将高频信号S21、S23、S31、S35的预测数据与低频信号S30、S34的预测数据进行叠加得出最终预测结果，如图7所示。
上面的步骤是基于MATAB平台编制的基于最优小波包变换和遗传算法优化WSVM的非平稳风速预测方法进行分析和验证的。从表1误差数据可以看出，基于最优小波包变换和遗传算法优化WSVM的预测效果好于单独直接采用BP神经网络方法的预测效果，证明该方法具有较强的学习泛化能力，在充分拟合低频信息的同时，能避免对高频信息的过拟合，实现较好的预测结果。
表1最优小波包变换和遗传算法优化WSVM方法与BP神经网络方法预测结果误差对比表
| 预测方法 | 平均绝对误差 | 平均相对误差/% | 均方根误差RMSE |
| 基于最优小波包变换和遗传算法优化WSVM的预测 | 1.12 | 3.16 | 0.806 |
| BP神经网络预测 | 2.36 | 9.67 | 2.3746 |
本发明考虑到二进正交小波包分解对非平稳性时间序列的适应性，适时地引入信息代价中常用的Shannon熵做分解的判断准则，实现了对高低频信号的最优分离效果；并充分利用时间序列预测AR算法在处理平稳信号的便利和小波支持向量机应对非平稳信号的强大能力及较好的泛化能力，以及对小波支持向量机参数进行遗传算法优化选取，分别采用这两种方法对高低频信号进行建模预测，之后将两部分叠加得到最终预测结果。这样在充分拟合低频信息的同时，也避免对高频信息的过拟合，从而提高了非平稳时间序列的预测精度，保证了对非平稳风速预测的理想效果。
本领域的技术人员可以对本发明进行各种改型和改变。因此，本发明覆盖了落入所附的权利要求书及其等同物的范围内的各种改型和改变。
Claims (6)
1.一种基于最优小波包变换的非平稳风速预测方法，其特征在于，其包括如下步骤：
第一步，采用经过样条曲线插值改进的谐波合成法生成零均值的非平稳风速，通过调制函数调制得到时变的非平稳风速序列；
第二步，选用非对称的db类小波，利用小波包技术对信号进行分解，计算每一个分解子节点的Shannon熵，通过比较低频子节点和高频子节点的Shannon熵值之和与分解前的父节点熵值的大小，来决定是否继续分解；当子节点熵值之和小于父节点熵值时，则采纳此分解，否则保留父节点；利用此方法得到非平稳风速序列的最优分解树，经过小波包重构得到所需要的低频信号和高频信号；
第三步，对于第二步分解后的高频信号和低频信号，分两类算法预测：即对高频信号采用自回归AR预测建模，对低频信号采用小波支持向量机预测建模，其中对于WSVM的模型参数和核参数采用遗传算法优化选取；
第四步，将高频信号的预测数据与低频信号的预测数据进行叠加得出最终预测结果。
2.根据权利要求1所述的基于最优小波包变换的非平稳风速预测方法，其特征在于，所述调制函数采用正弦函数。
3.根据权利要求1所述的基于最优小波包变换的非平稳风速预测方法，其特征在于，所述第一步的非平稳风速基于了风速谱理论，采用如下式：
式中：，是脉动风的圆频率（rad/s），是10米处的平均风速（m/s），是地面粗糙度系数。
4.根据权利要求3所述的基于最优小波包变换的非平稳风速预测方法，其特征在于，所述第二步中的Shannon熵的表达式如下式：
其中，，且P=0时，PlgP=0。
5.根据权利要求3所述的基于最优小波包变换的非平稳风速预测方法，其特征在于，所述第三步中选择用Bubble小波核函数取代传统核函数，构成小波支持向量机，Bubble小波核函数如下式
。
6.根据权利要求3所述的基于最优小波包变换的非平稳风速预测方法，其特征在于，所述第三步中WSVM的模型参数和核参数采用遗传算法进行全局最优选取，其中是以平均相对误差作为GA的适应度函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510290114.9A CN105046044A (zh) | 2015-05-29 | 2015-05-29 | 基于最优小波包变换的非平稳风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510290114.9A CN105046044A (zh) | 2015-05-29 | 2015-05-29 | 基于最优小波包变换的非平稳风速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105046044A true CN105046044A (zh) | 2015-11-11 |
Family
ID=54452584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510290114.9A Pending CN105046044A (zh) | 2015-05-29 | 2015-05-29 | 基于最优小波包变换的非平稳风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105046044A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106772695A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种融合多测风站实测数据的铁路沿线风速预测方法 |
| CN110288150A (zh) * | 2019-06-24 | 2019-09-27 | 华北电力大学（保定） | 风速预测方法、终端设备及存储介质 |
| CN110503132A (zh) * | 2019-07-25 | 2019-11-26 | 武汉大学 | 基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法 |
| CN111597494A (zh) * | 2020-05-07 | 2020-08-28 | 山东大学 | 一种基于非平稳时间序列分解的统计降尺度方法 |
| CN112597713A (zh) * | 2020-12-24 | 2021-04-02 | 合肥工业大学 | 基于emd和修正高斯函数的时变平均风提取方法 |
| CN112649623A (zh) * | 2020-11-30 | 2021-04-13 | 中国科学院声学研究所南海研究站 | 一种环境自适应的超声测风系统 |
| CN114626631A (zh) * | 2022-03-29 | 2022-06-14 | 华东交通大学 | 基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1129428A1 (en) * | 1998-11-09 | 2001-09-05 | Royal Holloway University of London | Data classification apparatus and method thereof |
| WO2006113747A2 (en) * | 2005-04-19 | 2006-10-26 | Prediction Sciences Llc | Diagnostic markers of breast cancer treatment and progression and methods of use thereof |
| CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
| CN104376214A (zh) * | 2014-11-18 | 2015-02-25 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
| CN104573249A (zh) * | 2015-01-16 | 2015-04-29 | 上海大学 | 基于时变arma模型的非平稳风速模拟方法 |
| CN104573371A (zh) * | 2015-01-16 | 2015-04-29 | 上海大学 | 基于最优小波包变换和ar-svm的非平稳风速预测方法 |
-
2015
- 2015-05-29 CN CN201510290114.9A patent/CN105046044A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1129428A1 (en) * | 1998-11-09 | 2001-09-05 | Royal Holloway University of London | Data classification apparatus and method thereof |
| WO2006113747A2 (en) * | 2005-04-19 | 2006-10-26 | Prediction Sciences Llc | Diagnostic markers of breast cancer treatment and progression and methods of use thereof |
| CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
| CN104376214A (zh) * | 2014-11-18 | 2015-02-25 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
| CN104573249A (zh) * | 2015-01-16 | 2015-04-29 | 上海大学 | 基于时变arma模型的非平稳风速模拟方法 |
| CN104573371A (zh) * | 2015-01-16 | 2015-04-29 | 上海大学 | 基于最优小波包变换和ar-svm的非平稳风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 方宇: "《小波支持向量机在交通流预测中的应用研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 》 * |
| 曹慧: "《支持向量机方法在风电场风速预测中的应用研究》", 《万方学位论文库》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106772695A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种融合多测风站实测数据的铁路沿线风速预测方法 |
| CN110288150A (zh) * | 2019-06-24 | 2019-09-27 | 华北电力大学（保定） | 风速预测方法、终端设备及存储介质 |
| CN110503132A (zh) * | 2019-07-25 | 2019-11-26 | 武汉大学 | 基于多小波支持向量机WSVM集成的全波形LiDAR点云分类方法 |
| CN111597494A (zh) * | 2020-05-07 | 2020-08-28 | 山东大学 | 一种基于非平稳时间序列分解的统计降尺度方法 |
| CN111597494B (zh) * | 2020-05-07 | 2022-06-17 | 山东大学 | 一种基于非平稳时间序列分解的统计降尺度方法 |
| CN112649623A (zh) * | 2020-11-30 | 2021-04-13 | 中国科学院声学研究所南海研究站 | 一种环境自适应的超声测风系统 |
| CN112597713A (zh) * | 2020-12-24 | 2021-04-02 | 合肥工业大学 | 基于emd和修正高斯函数的时变平均风提取方法 |
| CN112597713B (zh) * | 2020-12-24 | 2023-10-20 | 合肥工业大学 | 基于emd和修正高斯函数的时变平均风提取方法 |
| CN114626631A (zh) * | 2022-03-29 | 2022-06-14 | 华东交通大学 | 基于非平稳和非高斯平滑插值预处理技术的短时风速预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105046044A (zh) | 基于最优小波包变换的非平稳风速预测方法 | |
| Zhang et al. | Intelligent fault diagnosis of rotating machinery using support vector machine with ant colony algorithm for synchronous feature selection and parameter optimization | |
| Li et al. | A wind speed interval prediction system based on multi-objective optimization for machine learning method | |
| Yuan et al. | Wind power prediction using hybrid autoregressive fractionally integrated moving average and least square support vector machine | |
| Krasnopolsky et al. | Using ensemble of neural networks to learn stochastic convection parameterizations for climate and numerical weather prediction models from data simulated by a cloud resolving model | |
| Tsirikoglou et al. | A hyperparameters selection technique for support vector regression models | |
| CN107462785B (zh) | 基于ga-svm的电能质量多扰动信号分类识别方法 | |
| CN104573371A (zh) | 基于最优小波包变换和ar-svm的非平稳风速预测方法 | |
| Gaida et al. | State estimation for anaerobic digesters using the ADM1 | |
| CN113392961A (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
| Liang et al. | A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting | |
| CN110705029A (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
| CN108388745B (zh) | 基于分布并行局部优化参数的最小二乘支持向量机软测量方法 | |
| Zhou et al. | A hybrid grey prediction model for small oscillation sequence based on information decomposition | |
| CN104657584A (zh) | 一种基于Lorenz系统的风速预测方法 | |
| CN112016774A (zh) | 一种基于数据增强技术的配网运行状态辨识方法及系统 | |
| Zhu et al. | The generalized predictive control of bacteria concentration in marine lysozyme fermentation process | |
| Zhang et al. | System identification and generalisation of elastic mooring line forces on a multi-float wave energy converter platform in steep irregular waves | |
| Dufek et al. | Data-driven symbolic ensemble models for wind speed forecasting through evolutionary algorithms | |
| CN117131360A (zh) | 一种基于波形数据的宽频振荡监测方法及系统 | |
| CN110210657A (zh) | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 | |
| Dorado-Moreno et al. | Combining reservoir computing and over-sampling for ordinal wind power ramp prediction | |
| CN113743018A (zh) | 基于eemd-foa-grnn的时间序列预测方法 | |
| CN102156802A (zh) | 一种均匀分布的波动数据预测方法 | |
| Lu et al. | Chaos-based Modified GM (1, 1) Power Model in Time Series Prediction. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151111 |