自然風(fēng)場(chǎng)時(shí)間序列的復(fù)雜性和模式分類(lèi)研究

《自然風(fēng)場(chǎng)時(shí)間序列的復(fù)雜性和模式分類(lèi)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、國(guó)家自然科學(xué)基金項(xiàng)目（61271321,61573253）天津市科技支撐計(jì)劃重點(diǎn)項(xiàng)目（14ZCZDSF00025）自然風(fēng)場(chǎng)時(shí)間序列的復(fù)雜性和模式分類(lèi)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(jí)工程師天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院二零一七年十二月摘要時(shí)間序列是指將同一統(tǒng)計(jì)指標(biāo)的數(shù)值按其發(fā)生的時(shí)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(yùn)行狀態(tài)的主要外在表現(xiàn)形式，蘊(yùn)含豐富的系統(tǒng)結(jié)構(gòu)和動(dòng)態(tài)演化規(guī)律等信息。很多風(fēng)工程的應(yīng)用，例如風(fēng)能的預(yù)測(cè)、大型建筑的抗風(fēng)設(shè)計(jì)與優(yōu)化、空氣污染物的傳播與擴(kuò)散等，都需要精準(zhǔn)地掌握應(yīng)用風(fēng)場(chǎng)的流動(dòng)及演化特性。但在很多實(shí)際應(yīng)用場(chǎng)合記錄自然風(fēng)場(chǎng)變化的風(fēng)速和風(fēng)向時(shí)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(fēng)工程應(yīng)用帶來(lái)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(xué)建模存在很大的局限性。為此，本文擬從數(shù)據(jù)驅(qū)動(dòng)的角度深入地揭示復(fù)雜氣態(tài)流場(chǎng)的流動(dòng)規(guī)律，重點(diǎn)研究自然風(fēng)場(chǎng)時(shí)間序列的復(fù)雜性

3、和模式分類(lèi)技術(shù)，為相關(guān)風(fēng)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(duì)時(shí)間序列兩類(lèi)主流方法（時(shí)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(shí)間序列量化分析方法。該方法首先將一維時(shí)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(gè)可視狀態(tài)圖量化分析指標(biāo)，實(shí)現(xiàn)對(duì)復(fù)雜時(shí)間序列的量化分析。將本文方法應(yīng)用于室內(nèi)外兩類(lèi)不同環(huán)境的風(fēng)場(chǎng)時(shí)間序列分析。測(cè)試結(jié)果表明，一般情況下室內(nèi)風(fēng)速時(shí)間序列的復(fù)雜性小于室外風(fēng)速時(shí)間序列的復(fù)雜性?？梢暵蔞R、確定度D等量化指標(biāo)可以較好地區(qū)分室內(nèi)、

4、室外風(fēng)速信號(hào)。該方法從時(shí)間序列圖模式的角度，能有效、精確地刻畫(huà)不同時(shí)間序列之間的差異程度，從而為復(fù)雜信號(hào)的相似性度量提供了全新思路。二、針對(duì)幅度呈現(xiàn)出跳躍式變化規(guī)律的一類(lèi)時(shí)間序列信號(hào)，綜合考慮信號(hào)符號(hào)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(shí)間序列符號(hào)化結(jié)合滑窗技術(shù)的復(fù)雜性測(cè)算方法。首先依據(jù)跳變數(shù)據(jù)的等概率分布對(duì)時(shí)間序列進(jìn)行符號(hào)化處理，從而保障對(duì)原始信號(hào)精度損失較小的前提下大大簡(jiǎn)化分析信號(hào)的難度；然后利用滑窗技術(shù)獲得有限個(gè)數(shù)的不同符號(hào)化模態(tài)，通過(guò)計(jì)算符號(hào)化模態(tài)之間的轉(zhuǎn)換確定事件，統(tǒng)計(jì)符

5、號(hào)化模態(tài)之間的轉(zhuǎn)換頻次以計(jì)算符號(hào)化模態(tài)之間的轉(zhuǎn)換概率；最終實(shí)現(xiàn)對(duì)復(fù)雜信號(hào)進(jìn)行復(fù)雜性測(cè)算。通過(guò)對(duì)典型時(shí)間序列分析結(jié)果表明，本文提出的復(fù)雜性測(cè)算方法不僅能直觀地區(qū)分周期信號(hào)和混沌信號(hào)，且能準(zhǔn)確地反映周期時(shí)間序列和混沌時(shí)間序列的細(xì)微變化。最后，將本文方法分析規(guī)則排列方式采集的風(fēng)速時(shí)間序列信號(hào)，測(cè)試結(jié)果不僅能夠有效、直觀地區(qū)分室內(nèi)外信號(hào)，還能較準(zhǔn)確地預(yù)測(cè)風(fēng)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(jī)（SupportVecto

6、rMachines，SVM）相結(jié)合的近地面風(fēng)場(chǎng)時(shí)間序列分類(lèi)方法。I并與傳統(tǒng)的分類(lèi)方法：密度峰值快速搜索聚類(lèi)算法和C均值模糊聚類(lèi)作對(duì)比。傳統(tǒng)方法在處理小數(shù)據(jù)集合時(shí)是有效的，但是過(guò)于依賴(lài)初始值的設(shè)定，并且針對(duì)大數(shù)據(jù)集和高數(shù)據(jù)維度的樣本傳統(tǒng)的分類(lèi)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(wú)監(jiān)督分類(lèi)結(jié)果明顯優(yōu)于傳統(tǒng)分類(lèi)方法，錯(cuò)誤率降低至12.6%。關(guān)鍵詞：風(fēng)速時(shí)間序列，二維可視狀態(tài)圖，定量分析，復(fù)雜性測(cè)算，卷積神經(jīng)網(wǎng)絡(luò)，密度峰值快速搜索聚類(lèi)算法IIABSTRACTTimeseriesr

7、efertothesequenceofthesamestatisticalindexvaluesintheorderoftheiroccurrencetime.Itisthemainexternalmanifestationoftheworkingorrunningstatusofmanycomplexsystemsandcontainsrichinformationofsystemstructureanddynamicevolutionlaw.Manywindengineeringapplic

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