[发明专利]一种浮标运动特性的数据驱动建模与预测方法

权利要求书

1.一种浮标运动特性的数据驱动建模与预测方法，其特征在于：包括步骤如下：

(1)、确定预测模型的输入和输出变量，收集建模样本集S；其中

(2)、建立浮标运动特性的局部LSSVR预测模型，包括

(2.1)、将样本集S分成2个样本子集，即正常工况的S1和极端工况的S2；

(2.2)、样本子集S1单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR1；样本子集S2单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR2；

(3)、为每个新的测试样本x_t，t＝1,…,T，选择合适的局部LSSVR预测模型。

2.根据权利要求1所述的浮标运动特性的数据驱动建模与预测方法，其特征在于：步骤(2)具体包括：

(2.1)将样本集S分成2个样本子集，即正常工况的S1和极端工况的S2，其中

以第i个输入变量表示输入变量的个数，利用下述公式

式中Δx_o,l和分别表示x_i,l的残差和均值，权重系数λ≥0，代表均方差；如果Δx_i,l≥λσ_l,则分至样本子集S2，对应极端工况模型的建模样本；否则,s_i分至S1，对应正常工况模型的建模样本；

(2.2)每个样本子集单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR1和LSSVR2；

以建立LSSVR1为例，根据LSSVR定义，第i个输入变量x_i的输出y_i表示为：

y_i＝f(w,c,x_i)+e_i＝w^Tφ(x_i)+c+e_i,i＝1,·· (2)

式中，f表示待求模型，φ是非线性函数，w和c分别表示权值向量和偏置，e_i表示相应的噪声项；其求解模型为：

式中,e＝[e₁,…,e_N]^T表示误差向量；||w||²/2为正则化项，γ0为惩罚系数；采用拉格朗日乘子法求解式(3)的等式约束优化问题，得到如下线性方程组：

式中，b＝[b₁,…,b_N]^T是拉格朗日乘子，1＝[1,…,1]^T∈R^N为全1向量，G＝(K+I/γ)^-1，I∈R^N×N为单位阵，K是一个核矩阵，其元素对一个新的测试样本x_t，其输出y_t的预测值

式中，是输出样本的核矩阵。

3.根据权利要求2所述的浮标运动特性的数据驱动建模与预测方法，其特征在于：采用快速留一交叉验证法在线求取合适的LSSVR模型参数对[γ,σ]，即当

取得最小值时，获取最合适的[γ,σ]，式中，G_ii是G的第i行第i列个元素,z＝G1＝[z₁,…,z_N]^T，o＝-1^TG1。

4.根据权利要求1所述的浮标运动特性的数据驱动建模与预测方法，其特征在于：自动为每个新的测试样本x_t，t＝1,…,T,选择合适的局部LSSVR预测模型；

利用下述公式

如果Δx_t,l≥λσ_l，则x_t用LSSVR2预测；否则,x_t用LSSVR1预测。