自然風場時間序列的復(fù)雜性和模式分類研究

《自然風場時間序列的復(fù)雜性和模式分類研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、國家自然科學基金項目（61271321,61573253）天津市科技支撐計劃重點項目（14ZCZDSF00025）自然風場時間序列的復(fù)雜性和模式分類研究ResearchonComplexityandPatternClassificationofNaturalWind-FieldTimeSeries工程領(lǐng)域：控制工程作者姓名：王拂依指導(dǎo)教師：曾明副教授企業(yè)導(dǎo)師：孫廣毅高級工程師天津大學電氣自動化與信息工程學院二零一七年十二月摘要時間序列是指將同一統(tǒng)計指標的數(shù)值按其發(fā)生的時間先后順序排列而成的數(shù)列，

2、它是很多復(fù)雜系統(tǒng)工作或運行狀態(tài)的主要外在表現(xiàn)形式，蘊含豐富的系統(tǒng)結(jié)構(gòu)和動態(tài)演化規(guī)律等信息。很多風工程的應(yīng)用，例如風能的預(yù)測、大型建筑的抗風設(shè)計與優(yōu)化、空氣污染物的傳播與擴散等，都需要精準地掌握應(yīng)用風場的流動及演化特性。但在很多實際應(yīng)用場合記錄自然風場變化的風速和風向時間序列呈現(xiàn)出復(fù)雜的非線性和非平穩(wěn)特征，這給上述風工程應(yīng)用帶來了極大地困難和挑戰(zhàn)。由于模型和理論的不完善，常規(guī)的物理學建模存在很大的局限性。為此，本文擬從數(shù)據(jù)驅(qū)動的角度深入地揭示復(fù)雜氣態(tài)流場的流動規(guī)律，重點研究自然風場時間序列的復(fù)雜性

3、和模式分類技術(shù)，為相關(guān)風工程的應(yīng)用提供重要的理論和技術(shù)支撐。論文的主要工作如下：一、本文針對時間序列兩類主流方法（時域法和頻域法）存在的不足，提出了一種新型的二維可視狀態(tài)圖的時間序列量化分析方法。該方法首先將一維時間序列映射成二維可視狀態(tài)圖，并在此基礎(chǔ)上定義了多個可視狀態(tài)圖量化分析指標，實現(xiàn)對復(fù)雜時間序列的量化分析。將本文方法應(yīng)用于室內(nèi)外兩類不同環(huán)境的風場時間序列分析。測試結(jié)果表明，一般情況下室內(nèi)風速時間序列的復(fù)雜性小于室外風速時間序列的復(fù)雜性?？梢暵蔞R、確定度D等量化指標可以較好地區(qū)分室內(nèi)、

4、室外風速信號。該方法從時間序列圖模式的角度，能有效、精確地刻畫不同時間序列之間的差異程度，從而為復(fù)雜信號的相似性度量提供了全新思路。二、針對幅度呈現(xiàn)出跳躍式變化規(guī)律的一類時間序列信號，綜合考慮信號符號模式的關(guān)聯(lián)程度和方向性差異，本文提出了一種新的基于時間序列符號化結(jié)合滑窗技術(shù)的復(fù)雜性測算方法。首先依據(jù)跳變數(shù)據(jù)的等概率分布對時間序列進行符號化處理，從而保障對原始信號精度損失較小的前提下大大簡化分析信號的難度；然后利用滑窗技術(shù)獲得有限個數(shù)的不同符號化模態(tài)，通過計算符號化模態(tài)之間的轉(zhuǎn)換確定事件，統(tǒng)計符

5、號化模態(tài)之間的轉(zhuǎn)換頻次以計算符號化模態(tài)之間的轉(zhuǎn)換概率；最終實現(xiàn)對復(fù)雜信號進行復(fù)雜性測算。通過對典型時間序列分析結(jié)果表明，本文提出的復(fù)雜性測算方法不僅能直觀地區(qū)分周期信號和混沌信號，且能準確地反映周期時間序列和混沌時間序列的細微變化。最后，將本文方法分析規(guī)則排列方式采集的風速時間序列信號，測試結(jié)果不僅能夠有效、直觀地區(qū)分室內(nèi)外信號，還能較準確地預(yù)測風速儀的空間位置鄰近關(guān)系。三、提出了卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）與支持向量機（SupportVecto

6、rMachines，SVM）相結(jié)合的近地面風場時間序列分類方法。I并與傳統(tǒng)的分類方法：密度峰值快速搜索聚類算法和C均值模糊聚類作對比。傳統(tǒng)方法在處理小數(shù)據(jù)集合時是有效的，但是過于依賴初始值的設(shè)定，并且針對大數(shù)據(jù)集和高數(shù)據(jù)維度的樣本傳統(tǒng)的分類工具難以滿足大數(shù)據(jù)挖掘的需要；本文使用的CNN+SVM模型的無監(jiān)督分類結(jié)果明顯優(yōu)于傳統(tǒng)分類方法，錯誤率降低至12.6%。關(guān)鍵詞：風速時間序列，二維可視狀態(tài)圖，定量分析，復(fù)雜性測算，卷積神經(jīng)網(wǎng)絡(luò)，密度峰值快速搜索聚類算法IIABSTRACTTimeseriesr

7、efertothesequenceofthesamestatisticalindexvaluesintheorderoftheiroccurrencetime.Itisthemainexternalmanifestationoftheworkingorrunningstatusofmanycomplexsystemsandcontainsrichinformationofsystemstructureanddynamicevolutionlaw.Manywindengineeringapplic

8、ations,suchaswindenergyprediction,wind-resistantdesignandoptimizationoflargebuildings,andthediffusionofairpollutants,requireaccurateknowledgeoftheflowandevolutioncharacteristicsofthewindfarm.However,inmanypracticalapplications,thetimeseriesofwindspee