支持向量回歸機在風電系統槳距角預測中的應用

并將此樣本存為．txt格式，以便于在Matlab仿真時的數據輸入。
2．2 SVR函數的參數選擇
2．2．1 SVR函數
該函數根據訓練樣本設計出最優回歸函數，并找出支持向量。該函數有6個參數，分別是訓練樣本的輸入、訓練樣本的輸出、核函數、懲罰因子、損失函數和不敏感系數。輸出參數為支持向量個數、拉格朗日乘子及偏置量。即
[nsv，beta，bias]=svr(X，Y，ker，C，loss，ε)；
X——訓練樣本的輸入，在本文中就是樣本中用于學習和檢驗的風速值。
Y——訓練樣本的輸出。就是樣本中對應的槳距角。
ker——核函數，要使誤差小需選擇適當的核函數，這里選擇的是rbf核函數。
C——懲罰因子，C取的過小，訓練誤差變大，系統的泛化能力變差，C取的過大，也會導致系統的泛化能力變差。
loss——損失函數。
ε——不敏感系數，ε取的小，回歸估計精度高，但支持向量數增多，ε取的大，回歸估計精度降低，但支持向量數少。
nsv——支持向量的個數。
beta——拉格朗日乘子。
Bias——偏置量。
2．2．2 輸出函數svroutput
該函數利用svr函數得到的最優回歸函數來計算測試樣本的輸出，并返回。
2．2．3 svrplot
該函數用來繪制出最優回歸函數曲線，并標識出支持向量。
2．2．4 svrerror
該函數用來顯示根據最優回歸函數計算的測試樣本的擬合誤差。
2．2．5 核函數的選擇
常用的核函數有4種：線性核函數(linear)、多項式核函數(polynomial)、徑向基核函數(RBF)和Sigmoid核函數。在一般情況下，首先考慮的是RBF，主要基于以下原因：1)RBF可以將樣本映射到一個更高維的空間，可以處理類別標簽和特征之間的關系是非線性時的樣本。2)與多項式核函數相比，RBF需要確定的參數要少，核函數參數的多少直接影響模型的復雜度。3)對某些參數，RBF與sigmoid核函數具有相似的
性能。
衡量SVR的最小誤差和泛化能力準則，并優化該準則，本文選擇了RBF核函數。