支持向量回歸機(jī)在風(fēng)電系統(tǒng)槳距角預(yù)測(cè)中的應(yīng)用

并將此樣本存為．txt格式，以便于在Matlab仿真時(shí)的數(shù)據(jù)輸入。
2．2 SVR函數(shù)的參數(shù)選擇
2．2．1 SVR函數(shù)
該函數(shù)根據(jù)訓(xùn)練樣本設(shè)計(jì)出最優(yōu)回歸函數(shù)，并找出支持向量。該函數(shù)有6個(gè)參數(shù)，分別是訓(xùn)練樣本的輸入、訓(xùn)練樣本的輸出、核函數(shù)、懲罰因子、損失函數(shù)和不敏感系數(shù)。輸出參數(shù)為支持向量個(gè)數(shù)、拉格朗日乘子及偏置量。即
[nsv，beta，bias]=svr(X，Y，ker，C，loss，ε)；
X——訓(xùn)練樣本的輸入，在本文中就是樣本中用于學(xué)習(xí)和檢驗(yàn)的風(fēng)速值。
Y——訓(xùn)練樣本的輸出。就是樣本中對(duì)應(yīng)的槳距角。
ker——核函數(shù)，要使誤差小需選擇適當(dāng)?shù)暮撕瘮?shù)，這里選擇的是rbf核函數(shù)。
C——懲罰因子，C取的過(guò)小，訓(xùn)練誤差變大，系統(tǒng)的泛化能力變差，C取的過(guò)大，也會(huì)導(dǎo)致系統(tǒng)的泛化能力變差。
loss——損失函數(shù)。
ε——不敏感系數(shù)，ε取的小，回歸估計(jì)精度高，但支持向量數(shù)增多，ε取的大，回歸估計(jì)精度降低，但支持向量數(shù)少。
nsv——支持向量的個(gè)數(shù)。
beta——拉格朗日乘子。
Bias——偏置量。
2．2．2 輸出函數(shù)svroutput
該函數(shù)利用svr函數(shù)得到的最優(yōu)回歸函數(shù)來(lái)計(jì)算測(cè)試樣本的輸出，并返回。
2．2．3 svrplot
該函數(shù)用來(lái)繪制出最優(yōu)回歸函數(shù)曲線，并標(biāo)識(shí)出支持向量。
2．2．4 svrerror
該函數(shù)用來(lái)顯示根據(jù)最優(yōu)回歸函數(shù)計(jì)算的測(cè)試樣本的擬合誤差。
2．2．5 核函數(shù)的選擇
常用的核函數(shù)有4種：線性核函數(shù)(linear)、多項(xiàng)式核函數(shù)(polynomial)、徑向基核函數(shù)(RBF)和Sigmoid核函數(shù)。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(gè)更高維的空間，可以處理類(lèi)別標(biāo)簽和特征之間的關(guān)系是非線性時(shí)的樣本。2)與多項(xiàng)式核函數(shù)相比，RBF需要確定的參數(shù)要少，核函數(shù)參數(shù)的多少直接影響模型的復(fù)雜度。3)對(duì)某些參數(shù)，RBF與sigmoid核函數(shù)具有相似的
性能。
衡量SVR的最小誤差和泛化能力準(zhǔn)則，并優(yōu)化該準(zhǔn)則，本文選擇了RBF核函數(shù)。