一种基于支持向量机的参数自适应的运动预测方法

摘要

本发明公开了一种基于支持向量机的参数自适应的运动预测方法，包括：(1)将样本数据转化为SVM训练预测的标准动态序列数据格式，并对数据极值归一化，得到的极值归一化值后加上小数ω；(2)在对数空间坐标系网格中用最小均方误差原则进行三像素宽度直线搜索，找到最优参数组合，得到最优预测模型；(3)实时采样颤振数据，采样k个颤振位移，用步骤(2)得到的最优预测模型进行SVM实时预测得到颤振位移。本发明的基于支持向量机的参数自适应的运动预测方法，计算精度和计算效率非常高，可以用于各种基于SVM的回归拟合和预测领域，不仅能摒弃以往人为调整参数的繁琐，还能同时满足精度和效率的要求，很好地实现了自动化智能化。

主权项

一种基于支持向量机的参数自适应的运动预测方法，包括：(1)根据预测模型的需要建立SVM标准动态序列数据格式，确定连续数据个数k和预测时间间隔大小m，将得到的N个随时间变化的颤振位移样本数据转换为SVM标准动态序列数据格式，并对数据极值归一化，得到的极值归一化值一致加上小数ω，最后得到处理后的样本数据；(2)对经步骤(1)得到的处理后的样本数据，在SVM参数对数空间坐标系[C’γ’]网格中用最小均方误差原则进行三像素宽度直线搜索训练，找到最优参数对[C*γ*]，该最优参数对所对应的模型即为最优预测模型；(3)先实时采样k个颤振位移，组成k个宽度的动态窗口，并按同步骤(1)中的方法进行归一化处理，然后一致加上ω，用步骤(2)得到的最优预测模型来预测m个时刻后的颤振位移，输出预测值；进行下一次预测时，将动态窗口的每一个数据往前移一位，同时将实时采样到的这个时刻的颤振数据填入动态窗口最后一位，用步骤(2)中求得的最优预测模型进行预测，如此反复数据采样更新动态窗口实现连续实时预测，并输出预测值；输出的预测值都需要反归一化处理得到实际的颤振位移预测值；上述步骤中ω满足：0.005≤ω≤0.02。