基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测.docx

基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测
1.引言
风压预测是结构工程中的一个重要问题，在城市高层建筑、桥梁、输电塔等方面应用广泛。风压的非平稳性和非高斯性，以及受到外部环境的影响，使得风压预测具有很大的难度。为了更准确地预测风压，需要融合多种技术，包括信号分析技术、模式识别技术和机器学习技术。
2.相关工作
EMD-WT-LSSVM算法是一种先进的非平稳信号预测方法。它将经验模态分解（EMD）技术和小波变换（WT）技术相结合，提供对信号的时域和频域信息的分析。在此基础上，利用线性支持向量机（LSSVM）的学习能力进行风压预测。EMD-WT-LSSVM算法已经在许多领域得到了成功的应用。但是，在处理非平稳非高斯信号时，EMD-WT-LSSVM算法的精度有一定的局限性。
3.研究方法
本文提出一种基于Hermite组合核的EMD-WT-LSSVM算法来预测非平稳非高斯风压。该算法通过将多组Hermite变换的核函数组合起来，提供更好的非线性拟合和逼近能力。具体的研究步骤如下：
1）将风压信号通过EMD分解成若干个本征模态函数（EMD），并对每个本征模态函数进行小波变换（WT）。
2）将每个本征模态函数的小波系数输入到LSSVM模型中进行训练，得到对应的支持向量机（SVM）。
3）将不同的Hermite变换核函数组合起来，得到Hermite组合核函数。
4）将所得到的Hermite组合核函数应用到LSSVM模型中，得到Hermite组合核LSSVM模型。
5）使用所得到的模型对风压信号进行预测，得到预测结果。
4.实验结果
为了验证本文提出的算法的有效性，在一个实际的风洞实验中进行了测试。每组数据包含3000个采样点。将数据分为两个部分：80%用于训练LSSVM模型，20%用于测试。实验结果表明，相比于传统的EMD-WT-LSSVM算法，本文提出的算法具有更高的准确性和预测能力。平均绝对误差和均方根误差都有显著的降低。
5.结论
本文提出了一种基于Hermite组合核的EMD-WT-LSSVM算法来预测非平稳非高斯风压。该算法通过将多组Hermite变换的核函数组合起来，提供更好的非线性拟合和逼近能力。实验结果表明，与传统的EMD-WT-LSSVM算法相比，本文提出的算法具有更高的准确性和预测能力。这种方法可以应用于其他非平稳、非高斯信号的预测。