论文部分内容阅读
回归模型注重挖掘数据的线性或非线性结构规律,它为研究人员和工程师利用数据进行学习提供了强大的工具.回归模型已成功应用于研究和应用等各个领域,包括社会科学、经济学、金融学、电网运行的风功率预测等.经典的核岭回归模型和基于高斯噪声特性的-支持向量回归模型都假设噪声特性服从高斯分布.然而在许多实际应用领域中,如风功率预报、相关电磁波的到达方向估计问题等,噪声特性不服从高斯分布,而服从Beta分布、拉普拉斯分布,或者别的分布.此时,经典的回归技术不是最优的.利用Bayesian方法,得到一般噪声特性的损失函数,构造了新的基于噪声特性的核岭回归模型(GN-KRR)框架结构;提出了新的基于噪声特性的-支持向量回归模型(GN-SVR)通用框架.基于高斯噪声特性的核岭回归模型(GN-KRR)、-支持向量回归模型(GN-SVR)都假设噪声特性服从均值为0、同方差2的高斯分布.作者利用持续法统计得到,风速预报误差不服从均值为0、同方差2的高斯分布,而服从均值为0,异方差2i(i1,2,, l)的高斯分布.此时模型GN-KRR和GN-SVR不是最优的.利用异方差噪声特性的损失函数,提出了新的基于异方差噪声特性-支持向量回归模型(HGN-SVR)框架结构.在ε-支持向量回归和粗糙-支持向量回归模型的基础上,研究了新的粗糙-支持向量回归模型.利用固定对称边界粗糙-不敏感损失函数,构造固定对称边界粗糙ε-支持向量回归模型;利用固定非对称边界粗糙-不敏感损失函数,构造固定非对称边界粗糙-支持向量回归模型.通过引进拉格朗日函数和根据KKT条件,得到了粗糙-支持向量回归模型的对偶问题.作者根据Karush-Kuhn-Tucker (KKT)条件,通过构造拉格朗日泛函,得到了模型GN-KRR、 GN-SVR、 HGN-SVR的对偶问题.利用增广拉格朗日乘子法求解模型GN-KRR、GN-SVR的最优解,利用随机梯度下降法求解模型HGN-SVR的最优解.将上述三类模型应用于短期风速预报中,实验结果表明提出的噪声特性回归模型的有效性.