[发明专利]一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法

权利要求书

1.一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法，其特征在于，包括以下步骤：

第一步：用分层抽样的方法随机划分训练样本和测试样本，并将样本数据结果在[0,1]之间归一化；

第二步：通过GWO进行参数优化，得到最佳组合参数gam和sig2；

第三步：通过GWO-LSSVM模型进行应变预测；

第四步：通过使用随机森林算法计算每个输入参数的袋外误差值，完成输入参数的重要性分析。

2.根据权利要求1所述的一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法，其特征在于：所述第二步包括以下内容：

S1、初始化狼的数量、最大迭代次数、狼(α，β，δ)的位置以及gam和sig2的取值区间。

S2、计算种群中灰狼个体的适配度函数值，确定前三名最佳适配度的狼α,β和δ。

S3、更新α,β,δ和猎物的位置，直到算法满足终止条件，并将与最小适应度函数值相对应的α-狼的位置被作为gam和sig2的最佳组合参数。

3.根据权利要求1所述的一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法，其特征在于：所述第三步的具体内容为：在算法停止迭代后，将建立GWO-LSSVM模型，并将优化后的gam和sig2参数作为LSSVM模型的输入参数，完成对样本数据的拟合和预测。

4.根据权利要求1所述的一种基于GWO-LSSVM的风机叶片全尺寸静态测试应变预测方法，其特征在于：所述第四步的具体步骤为：

S1：假设有n训练样本{(x_i,y_i)i＝1,2,···,n}，其中x_i是第i-个输入数据，y_i是第i-个输出数据，那么基于LSSVM的优化模型可以写为：

J(·)是损失函数，ω是权重向量，γ是惩罚因子，e_i是误差变量，是非线性映射函数，b是偏差值；

S2：拉格朗日函数可以写成：

其中α_i为拉格朗日乘数，根据Karush-Kuhn-Tucker的条件，最终得到y(x)回归预测模型的公式如下：

K(x,x_i)内核函数和径向基函数(RBF)的内核函数，为K(x,x_i)＝exp(-|x-x_i|²/2σ²)。