2.2.1 SVR函數(shù)

　　該函數(shù)根據(jù)訓(xùn)練樣本設(shè)計出最優(yōu)回歸函數(shù)，并找出支持向量。該函數(shù)有6個參數(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)和檢驗的風(fēng)速值。

　　Y——訓(xùn)練樣本的輸出。就是樣本中對應(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取的過小，訓(xùn)練誤差變大，系統(tǒng)的泛化能力變差，C取的過大，也會導(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，回歸估計精度高，但支持向量數(shù)增多，ε取的大，回歸估計精度降低，但支持向量數(shù)少。

　　nsv——支持向量的個數(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)來計算測試樣本的輸出，并返回。

　　2.2.3 svrplot

　　該函數(shù)用來繪制出最優(yōu)回歸函數(shù)曲線，并標(biāo)識出支持向量。

　　2.2.4 svrerror

　　該函數(shù)用來顯示根據(jù)最優(yōu)回歸函數(shù)計算的測試樣本的擬合誤差。

　　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更高維的空間，可以處理類別標(biāo)簽和特征之間的關(guān)系是非線性時的樣本。2)與多項式核函數(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)。

　　2.3 Matlab仿真

　　2.3.1回歸擬合

　　在Matlab編程實現(xiàn)函數(shù)的回歸擬合，并檢驗數(shù)據(jù)。主函數(shù)程序段如下：

?

　　2.3.2 函數(shù)回歸擬合并檢驗的仿真結(jié)果

　　應(yīng)用Matlab支持向量機(jī)工具箱編程實現(xiàn)系統(tǒng)的學(xué)習(xí)訓(xùn)練過程，由80個學(xué)習(xí)樣本訓(xùn)練而得到的函數(shù)擬合結(jié)果如下圖1所示。

?

　　利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型可以對槳距角進(jìn)行預(yù)測，只要輸入即時風(fēng)速，就可確定出相應(yīng)槳距角大小。之前利用BP算法的均方誤差為0.290 3，LM算法的均方誤差為0.278 1。圖2為由SVR算法對48個樣本值檢驗的結(jié)果。可知，預(yù)測值與實際槳距角值基本一致。擬合誤差err=0.175 6。

?

　　3 結(jié)束語

　　文中介紹了支持向量機(jī)的回歸算法理論，用SVR算法代替之前的BP算法和LV算法，研究了風(fēng)力發(fā)電系統(tǒng)中隨風(fēng)速變化槳距角的值，由函數(shù)擬合理論對槳距角進(jìn)行了預(yù)測并檢驗，由于支持向量機(jī)采用結(jié)構(gòu)最小化原則代替經(jīng)驗經(jīng)驗最小化原則，采用適當(dāng)?shù)暮撕瘮?shù)，同比其他算法使擬合誤差達(dá)到了最小，大大提高了變槳距系統(tǒng)的精度和效率。將該算法應(yīng)用于DSP芯片上稍作改進(jìn)，加上外圍電路的設(shè)計，即可應(yīng)用在風(fēng)電系統(tǒng)的控制領(lǐng)域。