[发明专利]一种基于MDE和分形优化SVM的周期来压预测方法

权利要求书

1.一种基于MDE和分形优化SVM的周期来压预测方法，主要步骤包括：

步骤一：对已知支架周期来压荷载曲线使用多重差异进化算法（MDE）进行拟合，将每重拟合形成的单一正弦曲线与上次差余曲线（ ）再作差余曲线()；

步骤二：将这些图通过分形几何的盒子法计算维度和相关系数（r）；

步骤三：将每条的维度、r和支架相对距离(L)作为输入值，对应的的周期、缩放系数和纵移系数作为目标值，使用支持向量机（SVM）进行训练；

步骤四：通过对维度和r规律的研究得到拟设置支架处荷载各的维度和r，带入训练后的SVM模拟得到的、和，进而得到的表达式；

步骤五：将上述求和即为所求拟设置支架处的周期来压荷载。

2.根据权利要求1所述一种基于MDE和分形优化SVM的周期来压预测方法，其特征在于，多重差异进化算法拟合对已知支架周期来压荷载曲线使用多重差异进化算法（MDE）进行拟合，将每重拟合形成的单一正弦曲线与上次差余曲线（）再作差余曲线()，直到差余曲线离散点方差小于规定值，拟合停止，是一种将周期来压波先拟合再分离的循环拟合方法；循环拟合方法的主要步骤：

步骤一：设原始测量的液压支架荷载数据的曲线为；

步骤二：对使用差异进化算法拟合得到的正弦曲线集合为，是拟合求得的参数(第3节用TSM，TZM，TDM分别表示各自的矩阵)，分别表示周期（）、缩放系数（）和纵移系数（），，n为计算的代数，即拟合的次数(拟合曲线项数)；

步骤三：定义差余曲线为：本代差余曲线是上代差余曲线与本代数据反演得到的正弦曲线的差的曲线，如、、；直到差余曲线离散点方差小于规定值，拟合停止，那么对的拟合最终结果就是。

3.根据权利要求2所述一种基于MDE和分形优化SVM的周期来压预测方法，其特征在于，正弦曲线集合具体的分解为多项正弦函数的和：

式中：表示周期，对第i代拟合(第i项)的正弦曲线的周期；表示缩放系数，对第i代拟合(第i项)的正弦曲线的振幅程度；表示纵移系数，对第i代拟合(第i项)的正弦曲线的纵向平移量；x为掘进深度/m；TZM，TSM，TDM分别表示周期、缩放系数和纵移系数矩阵。

4.根据权利要求1所述的一种基于MDE和分形优化SVM的周期来压预测方法，其特征在于，鉴于处理二维折线图像，模型使用盒子法计算图像的维数和r值；差余曲线的构造，是为了使用分形几何计算参数和r设置的，为了解决已设与未设支架处荷载不能建立数值关系的缺点，而借助图像分析建立分形几何关系，就曲线的进行说明，第一代差余曲线，第二代。

5.根据权利要求1所述的一种基于MDE和分形优化SVM的周期来压预测方法，其特征在于，所述差余曲线的构造，分形几何计算参数和r的设置，使用FractalFox2.0对20×8条曲线进行处理得到图的维数和r，参数处理方式：盒子法(Box Counting)、FromBoxSize:2、To Box Size:100、StepSize:1，计算得到各曲线的各的维数和r；SVM模拟使用Epsilon回归算法来进行训练和模拟，维数、r和L作为训练的输入值，作为目标值，进行训练；模拟的输入值是所求支架荷载的维数、r和L，输出值为所求荷载曲线的正弦项的；对于没有数据的所求支架荷载的图像维数和r是通过线性拟合实现的，详见实例的具体计算过程；所述的使用Epsilon回归算法来进行训练和模拟，使用Epsilon回归算法；拉格朗日乘子上界C=100；不敏感损失函数的参数e=0.2; ker = struct('type','gauss','width',0.6)。