本發(fā)明涉及微電網(wǎng)儲能技術(shù)領(lǐng)域，特別是一種適用于多能源微電網(wǎng)的基于最小二乘支持向量機的微電網(wǎng)儲能SOC估算方法和系統(tǒng)。
背景技術(shù)：
隨著新一輪電改方案的逐步落實，售電側(cè)市場將放開，將大大拓展微電網(wǎng)的發(fā)展空間。微電網(wǎng)是通過控制系統(tǒng)、儲能系統(tǒng)協(xié)調(diào)平衡多種分布式能源，平時與大電網(wǎng)并聯(lián)，富余電力輸入大電網(wǎng)或儲能系統(tǒng)，發(fā)電不足時從大電網(wǎng)購入電力或使用存儲的電力，當遇到大電網(wǎng)發(fā)生故障時則快速解列，孤網(wǎng)運行，保障主要負荷。微電網(wǎng)系統(tǒng)中儲能的成本較高，考慮到微網(wǎng)運行的經(jīng)濟成本，應(yīng)在保證微網(wǎng)系統(tǒng)安全運行的情況下，盡量延長儲能的壽命。蓄電池是目前微網(wǎng)系統(tǒng)中最常用的儲能形式，電池荷電狀態(tài)(SOC)是儲能系統(tǒng)充放電控制中的一個重要參考量，影響著儲能系統(tǒng)的安全運行及使用壽命。
由于儲能SOC和很多因素相關(guān)且具有很強的非線性，儲能SOC實時估算具有很大的困難。目前，蓄電池SOC的測量方法有放電實驗法、安時法、開路電壓法、內(nèi)阻測量法、線性模型法及神經(jīng)網(wǎng)絡(luò)法等。其中放電實驗法及內(nèi)阻測量法在實際工程中不適用；安時法應(yīng)用廣泛，但需要知道初始SOC大小，且隨著時間的積累，誤差會越來越大；開路電壓法精度高、簡單，但是需要靜置較長時間后才能得到穩(wěn)定的開路電壓值；內(nèi)阻測量法只考慮蓄電池的放電電流和內(nèi)阻兩個基本的因素，計算精度有限，難以對蓄電池容量進行準確的估計；線性模型法適用于低電流、SOC緩變的情況，變電流情況的估計效果要進一步研究；神經(jīng)網(wǎng)絡(luò)法基于經(jīng)驗風險最小化，有時會陷入局部最小值，結(jié)構(gòu)參數(shù)難以確定，缺少適當?shù)睦碚撝笇?dǎo)。
技術(shù)實現(xiàn)要素：
本發(fā)明要解決的技術(shù)問題為：利用最小二乘支持向量機，通過挖掘已知數(shù)據(jù)的規(guī)律，實現(xiàn)對未知儲能SOC的估算確定，減小計算誤差，同時可提高蓄電池的壽命和微電網(wǎng)運行的安全性。
本發(fā)明采取的技術(shù)方案具體為：基于最小二乘支持向量機的微電網(wǎng)儲能SOC估算方法，包括以下步驟：
利用微電網(wǎng)儲能實驗平臺獲取儲能系統(tǒng)在充放電過程中產(chǎn)生的實驗數(shù)據(jù)；
基于獲取的實驗數(shù)據(jù)，得到最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
基于所述訓練集樣本，獲得最小二乘支持向量機的最優(yōu)訓練參數(shù)；
基于得到的最優(yōu)參數(shù)，利用訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
利用測試集樣本對得到的訓練模型進行測試，評價利用上述訓練模型計算SOC是否有效；
若訓練模型測試有效，則利用得到的最小二乘支持向量機訓練模型對微電網(wǎng)中相應(yīng)類型儲能系統(tǒng)的SOC進行計算，以確定微電網(wǎng)儲能SOC。
利用本發(fā)明方法估算得到的微電網(wǎng)蓄電池SOC值，可以為后續(xù)微電網(wǎng)中的蓄電池控制提供依據(jù)，防止蓄電池深度充放電，從而提高蓄電池壽命及微電網(wǎng)運行的安全性。在對實際微電網(wǎng)儲能SOC進行估算時，可參考儲能實驗平臺獲取數(shù)據(jù)的方法，獲取微電網(wǎng)中儲能系統(tǒng)在實際充放電過程中包括電壓、電流、溫度的相關(guān)數(shù)據(jù)，作為最小二乘支持向量機訓練模型的輸入量，然后通過最小二乘支持向量機訓練模型得到輸出量，即SOC計算結(jié)果。儲能實驗平臺中的實驗對象儲能系統(tǒng)類型與實際需要進行估算的微電網(wǎng)儲能系統(tǒng)類型一致。
進一步的，本發(fā)明中，儲能系統(tǒng)的充放電過程包括恒流充電狀態(tài)過程、恒流放電狀態(tài)過程和交替恒流充放電狀態(tài)過程；充放電過程中產(chǎn)生的實驗數(shù)據(jù)包括上述各過程中分別產(chǎn)生的電壓、電流、溫度及SOC數(shù)據(jù)。
具體的，利用微電網(wǎng)儲能實驗平臺，獲取儲能系統(tǒng)在充放電過程中的實驗數(shù)據(jù)，包括步驟：
將充滿電的蓄電池靜止第一設(shè)定時長后，使蓄電池工作在恒定電流放電運行狀態(tài)，以采樣周期t1，采樣獲得蓄電池在當前狀態(tài)下的電壓數(shù)據(jù)序列、電流數(shù)據(jù)序列、溫度數(shù)據(jù)序列及SOC數(shù)據(jù)序列；
將蓄電池靜止第二設(shè)定時長后，使蓄電池工作在恒定電流充電運行狀態(tài)，以采樣周期t2，采樣獲得蓄電池在當前狀態(tài)下的電壓數(shù)據(jù)序列、電流數(shù)據(jù)序列、溫度數(shù)據(jù)序列及SOC數(shù)據(jù)序列；
將待蓄電池充滿電后靜止第三設(shè)定時長，使蓄電池工作在恒定電流交替充電、放電的運行狀態(tài)，以采樣周期為t3，獲得蓄電池在當前狀態(tài)下的電壓數(shù)據(jù)序列、電流數(shù)據(jù)序列、溫度數(shù)據(jù)序列及SOC數(shù)據(jù)序列。
蓄電池在試驗過程中，上述第一設(shè)定時長、第二設(shè)定時長、第三設(shè)定時長可根據(jù)經(jīng)驗或需要設(shè)置，只需使得蓄電池狀態(tài)穩(wěn)定即可，為現(xiàn)有技術(shù)。采樣周期t1、t2、t3亦根據(jù)需要設(shè)定，如1s。對蓄電池進行充放電時，使蓄電池工作在恒定電流充放電的狀態(tài)，如工作在恒定0.25c充電運行或恒定0.25c放電運行，或者恒定0.25c充電、放電交替運行。充放電的電流大小可根據(jù)需要設(shè)定，可為0.25c、0.3c或其它數(shù)值。
以上儲能系統(tǒng)處于各狀態(tài)的數(shù)據(jù)獲取實驗過程可連續(xù)進行，也可分別進行，狀態(tài)轉(zhuǎn)換之間的靜置有助于得到穩(wěn)定的測試數(shù)據(jù)，進而可提高最終計算數(shù)據(jù)的準確度。若分別進行，實驗前使得儲能系統(tǒng)靜置一段時間也同樣使得實驗結(jié)果數(shù)據(jù)更能夠反應(yīng)真實情況。
更進一步的，本發(fā)明中，所述訓練集和測試集樣本的數(shù)據(jù)集為：
其中，M為數(shù)據(jù)采樣點數(shù)，
寫成矩陣的形式即為：
式中，x1(n)為電壓序列，x2(n)為電流序列，x3(n)為溫度序列；y(n)為SOC序列；
且存在映射函數(shù)：
Y(n)＝F(X(n)) 4)
滿足蓄電池電壓、電流、溫度與對應(yīng)的SOC數(shù)據(jù)之間的關(guān)系。
本發(fā)明中，最小二乘支持向量機的訓練目標是構(gòu)建映射函數(shù)y＝f(x)，優(yōu)選的，定義映射函數(shù)類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數(shù)γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數(shù)據(jù)，l為訓練集樣本數(shù)據(jù)個數(shù)；
最小二乘支持向量機的核函數(shù)選取RBF核函數(shù)，RBF核函數(shù)通常定義為空間中任一點x到某一中心xc之間歐氏距離的單調(diào)函數(shù)：
其中，xc為核函數(shù)中心，σ2為核函數(shù)參數(shù)。
優(yōu)選的，本發(fā)明中，利用N次交叉驗證方法，獲得最小二乘支持向量機的最優(yōu)訓練參數(shù)；所述N次交叉驗證方法中，N＝10；交叉驗證前，給定最小二乘支持向量機的正則化參數(shù)γ范圍為γ∈[γmin,γmax]，核函數(shù)參數(shù)σ2范圍為σ2∈[σ2min,σ2max]，交叉驗證訓練時，在γ和σ2的上述范圍內(nèi)遍歷取值，對每一個參數(shù)組合(γ，σ2)均進行N次交叉驗證，有助于得到SOC計算結(jié)果更可靠的最小二乘支持向量機的訓練模型。
本發(fā)明還公開一種基于最小二乘支持向量機的微電網(wǎng)儲能確定系統(tǒng)，其包括：
實驗數(shù)據(jù)獲取模塊，利用包含儲能系統(tǒng)的微電網(wǎng)儲能實驗平臺，獲取儲能系統(tǒng)在充放電過程中產(chǎn)生的實驗數(shù)據(jù)；基于所述實驗數(shù)據(jù)建立最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
最小二乘支持向量機訓練模塊，利用所述訓練集樣本，通過N次交叉驗證方法，獲得最小二乘支持向量機的最優(yōu)訓練參數(shù)；基于所述最優(yōu)訓練參數(shù)，利用所述訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
最小二乘支持向量機測試模塊，利用所述測試集樣本對最小二乘支持向量機訓練模型進行測試，以評價最小二乘支持向量機訓練模型的有效性；
微電網(wǎng)儲能SOC確定模塊，以實際微電網(wǎng)中儲能系統(tǒng)的SOC相關(guān)狀態(tài)數(shù)據(jù)作為輸入，利用測試有效的最小二乘支持向量機訓練模型，確定實際微電網(wǎng)中相應(yīng)類型儲能系統(tǒng)的SOC；所述SOC相關(guān)狀態(tài)數(shù)據(jù)包括儲能系統(tǒng)的電壓、電流和溫度數(shù)據(jù)。
實驗數(shù)據(jù)獲取模塊中，儲能系統(tǒng)的充放電過程包括恒流充電狀態(tài)過程、恒流放電狀態(tài)過程和交替恒流充放電狀態(tài)過程；充放電過程中產(chǎn)生的實驗數(shù)據(jù)包括上述各過程中分別產(chǎn)生的電壓、電流、溫度及SOC數(shù)據(jù)。
本發(fā)明系統(tǒng)中，定義儲能系統(tǒng)充放電過程中產(chǎn)生的電壓、電流和溫度數(shù)據(jù)，與SOC數(shù)據(jù)之間的映射函數(shù)類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數(shù)γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數(shù)據(jù)，l為訓練集樣本數(shù)據(jù)個數(shù)；
最小二乘支持向量機的核函數(shù)選取RBF核函數(shù)，RBF核函數(shù)定義為空間中任一點x到某一中心xc之間歐氏距離的單調(diào)函數(shù)：
其中，xc為核函數(shù)中心，σ2為核函數(shù)參數(shù)。
最小二乘支持向量機訓練模塊中，利用N次交叉驗證方法，獲得最小二乘支持向量機的最優(yōu)訓練參數(shù)；所述N次交叉驗證方法中，N＝10；交叉驗證前，給定最小二乘支持向量機的正則化參數(shù)γ范圍為γ∈[γmin,γmax]，核函數(shù)參數(shù)σ2范圍為σ2∈[σ2min,σ2max]，交叉驗證訓練時，在γ和σ2的上述范圍內(nèi)遍歷取值，對每一個參數(shù)組合(γ，σ2)均進行N次交叉驗證。
有益效果
與現(xiàn)有技術(shù)比，本發(fā)明具有以下優(yōu)點和進步：
(1)本發(fā)明能夠充分考慮與儲能SOC相關(guān)的因素，通過搭建包含儲能系統(tǒng)的實驗平臺對儲能系統(tǒng)充放電過程中的工作參數(shù)進行測量，進而利用最小二乘支持向量機挖掘出已知數(shù)據(jù)的內(nèi)在規(guī)律，最終能夠有效實現(xiàn)實際微電網(wǎng)儲能SOC的估算；
(2)本發(fā)明能夠克服現(xiàn)有技術(shù)采用的安時法初始SOC難以確定，及開路電壓法需要長時間靜止的缺點，而是通過多次的訓練得到最小二乘支持向量機訓練模型，并通過測試集對得到的訓練模型進行有效性評價，以保證對實際微電網(wǎng)儲能SOC估算時的可靠性，不存在累計誤差；
(3)利用本發(fā)明估算得到實際微電網(wǎng)儲能系統(tǒng)SOC值，能夠為儲能系統(tǒng)的充放電控制提供依據(jù)，防止蓄電池進行深度充放電，從而提高蓄電池壽命及微電網(wǎng)運行的安全性。
附圖說明
圖1為本發(fā)明方法流程示意圖。
具體實施方式
下面結(jié)合附圖和具體實施例對本發(fā)明作更進一步的說明。
參考圖1，本發(fā)明基于最小二乘支持向量機的微電網(wǎng)儲能SOC估算方法，包括以下步驟：
搭建包含儲能系統(tǒng)的微電網(wǎng)儲能實驗平臺，利用儲能實驗平臺獲取儲能系統(tǒng)在充放電過程中產(chǎn)生的實驗數(shù)據(jù)，實驗數(shù)據(jù)包括電壓、電流、溫度及SOC；
基于獲取的實驗數(shù)據(jù)，得到最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
基于所述訓練集樣本，獲得最小二乘支持向量機的最優(yōu)訓練參數(shù)；
基于得到的最優(yōu)參數(shù)，利用訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
利用測試集樣本對得到的訓練模型進行測試，評價利用上述訓練模型計算SOC是否有效；
若訓練模型測試有效，則利用前述得到的最小二乘支持向量機訓練模型對微電網(wǎng)中相應(yīng)類型儲能系統(tǒng)的SOC進行計算，以確定微電網(wǎng)儲能SOC。
利用本發(fā)明方法估算得到的微電網(wǎng)蓄電池SOC值，可以為后續(xù)微電網(wǎng)中的蓄電池控制提供依據(jù)，防止蓄電池深度充放電，從而提高蓄電池壽命及微電網(wǎng)運行的安全性。在對實際微電網(wǎng)儲能SOC進行估算時，可參考儲能實驗平臺獲取數(shù)據(jù)的方法，獲取微電網(wǎng)中儲能系統(tǒng)在實際充放電過程中包括電壓、電流、溫度的相關(guān)數(shù)據(jù)，作為最小二乘支持向量機訓練模型的輸入量，然后通過最小二乘支持向量機訓練模型得到輸出量，即SOC計算結(jié)果。
實施例
本實施例的微電網(wǎng)儲能系統(tǒng)SOC估算方法的具體步驟為：
(1)搭建包含儲能系統(tǒng)的微電網(wǎng)實驗平臺：
可根據(jù)實際需要計算的微電網(wǎng)儲能系統(tǒng)類型進行實驗平臺的搭建。目前微電網(wǎng)中應(yīng)用最多的是鉛酸蓄電池，本實施例中選擇額定電壓12V，電池容量為50Ah的鉛酸蓄電池作為實驗對象。利用數(shù)據(jù)采集設(shè)備收集并存儲蓄電池運行過程中的電壓、電流及溫度信號，并在處理器中還原成實際數(shù)值。對于儲能系統(tǒng)實驗數(shù)據(jù)的測量獲取可采用現(xiàn)有技術(shù)。
(2)利用實驗平臺分別測量得到儲能系統(tǒng)在充放電過程中的電壓、電流、溫度及SOC，具體步驟為：
(2-1)將充滿電的蓄電池靜止一段時間，再使蓄電池工作在恒定0.25C放電運行狀態(tài)，采樣周期為1s，獲得蓄電池在此狀態(tài)下的電壓序列、電流序列、溫度序列及SOC序列；
(2-2)使完成(2-1)步驟的蓄電池靜止一段時間，再使蓄電池工作在恒定0.25C充電運行狀態(tài)，采樣周期為1s，獲得蓄電池在此狀態(tài)下的電壓序列、電流序列、溫度序列及SOC序列；
(2-3)將充滿電的蓄電池靜止一段時間，再使蓄電池工作在恒定0.25C交替充電、放電的運行狀態(tài)，采樣周期為1s，獲得蓄電池在此狀態(tài)下的電壓序列、電流序列、溫度序列及SOC序列；
(3)根據(jù)電壓、電流、溫度及SOC序列，得到最小二乘支持向量機模型中的訓練集和測試集樣本。
基于上述步驟，得到的數(shù)據(jù)集為：
其中，
寫成矩陣的形式即為：
式中，x1(n)為電壓序列，x2(n)為電流序列，x3(n)為溫度序列；y(n)為SOC序列。
根據(jù)已獲得的蓄電池電壓、電流和溫度對應(yīng)的SOC數(shù)據(jù)，可以找到一個映射函數(shù)，使得
Y(n)＝F(X(n)) 4)
定義儲能系統(tǒng)充放電過程中產(chǎn)生的電壓、電流和溫度數(shù)據(jù)，與SOC數(shù)據(jù)之間的映射函數(shù)類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數(shù)γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數(shù)據(jù)，l為訓練集樣本數(shù)據(jù)個數(shù)；
由于SOC與蓄電池電壓、電流和溫度存在很強的非線性，針對非線性回歸問題，需要引入核函數(shù)方法來求解。本發(fā)明中選用RBF核函數(shù)，RBF核函數(shù)定義為空間中任一點x到某一中心xc之間歐氏距離的單調(diào)函數(shù)：如式5)所示。故最小二乘支持向量機預(yù)測模型中有兩個參數(shù)需要選擇，即正則化參數(shù)γ和核函數(shù)參數(shù)σ2。
其中，xc為核函數(shù)中心，σ2為核函數(shù)參數(shù)。
(4)利用N次交叉驗證方法選擇最小二乘支持向量機的訓練集的訓練參數(shù)：
將訓練集分割成N個子集，N一般大于等于2，其中一個子集被保留作為驗證模型的數(shù)據(jù)，其他N-1個子集用來訓練。交叉驗證重復(fù)N次，每個子集驗證一次。在訓練前，給定正則化參數(shù)γ和核函數(shù)參數(shù)σ2的范圍，即γ∈[γmin,γmax]，σ2∈[σ2min,σ2max]，使γ和σ2在這個范圍內(nèi)遍歷取值，對每一個組合參數(shù)均進行N次交叉驗證。選取均方誤差MSE(Mean Square Error)作為評價指標，將N次測試結(jié)果的MSE取平均值作為參數(shù)對應(yīng)的指標，最后選擇指標最高(即MSE最小)的一組參數(shù)組合作為最終的最優(yōu)參數(shù)。
本實施例中,選取γ∈[1,10000]，σ2∈[0.01,10000]，N＝10。相當于進行了N次訓練和N次測試，進而得到所需的最優(yōu)參數(shù)組合(γ，σ2)。
(5)利用訓練集的樣本數(shù)據(jù)，通過已選擇的最優(yōu)訓練參數(shù)對最小二乘支持向量機進行訓練，進而得到訓練模型。
(6)利用測試集樣本對得到的訓練模型進行測試，以評價上述訓練模型計算SOC的有效性。
本步驟中，將利用訓練模型得到的SOC數(shù)據(jù)與利用實驗平臺獲取的實際SOC數(shù)據(jù)進行比較，根據(jù)均方誤差和相對誤差的大小判斷利用最小二乘支持向量機訓練模型計算SOC的方法的有效性。
如果計算出來的SOC與實際的SOC誤差小，則證明此方法計算SOC有效、可靠；如果誤差很大則證明前述得到的最小二乘支持向量機不可靠不適用。
(7)若經(jīng)測試后驗證所得到的最小二乘支持向量機訓練模型可靠有效，則利用前述得到的最小二乘支持向量機訓練模型對實際微電網(wǎng)中相應(yīng)類型儲能系統(tǒng)的SOC進行計算。
在進行實際計算時，參考儲能實驗平臺獲取實驗數(shù)據(jù)的方法，獲取微電網(wǎng)中儲能系統(tǒng)在充放電過程中包括電壓、電流、溫度的相關(guān)數(shù)據(jù)，作為最小二乘支持向量機訓練模型的輸入量，然后通過最小二乘支持向量機訓練模型得到輸出量，即SOC計算結(jié)果。
實施例
本實施例為基于最小二乘支持向量機的微電網(wǎng)儲能確定系統(tǒng)，其包括：
實驗數(shù)據(jù)獲取模塊，利用包含儲能系統(tǒng)的微電網(wǎng)儲能實驗平臺，獲取儲能系統(tǒng)在充放電過程中產(chǎn)生的實驗數(shù)據(jù)，所述實驗數(shù)據(jù)包括電壓、電流、溫度及SOC；基于所述實驗數(shù)據(jù)建立最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
最小二乘支持向量機訓練模塊，選取最小二乘支持向量機訓練模型的核函數(shù)，利用所述訓練集樣本，獲得最小二乘支持向量機的最優(yōu)訓練參數(shù)；基于所述最優(yōu)訓練參數(shù)，利用所述訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
最小二乘支持向量機測試模塊，利用所述測試集樣本對最小二乘支持向量機訓練模型進行測試，以評價最小二乘支持向量機訓練模型的有效性；
微電網(wǎng)儲能SOC確定模塊，以實際微電網(wǎng)中儲能系統(tǒng)的SOC相關(guān)狀態(tài)數(shù)據(jù)作為輸入，利用測試有效的最小二乘支持向量機訓練模型，確定實際微電網(wǎng)中相應(yīng)類型儲能系統(tǒng)的SOC；所述SOC相關(guān)狀態(tài)數(shù)據(jù)包括儲能系統(tǒng)的電壓、電流和溫度數(shù)據(jù)。
實驗數(shù)據(jù)獲取模塊中，儲能系統(tǒng)的充放電過程包括恒流充電狀態(tài)過程、恒流放電狀態(tài)過程和交替恒流充放電狀態(tài)過程；充放電過程中產(chǎn)生的實驗數(shù)據(jù)包括上述各過程中分別產(chǎn)生的電壓、電流、溫度及SOC數(shù)據(jù)。
本實施例中，定義儲能系統(tǒng)充放電過程中產(chǎn)生的電壓、電流和溫度數(shù)據(jù)，與SOC數(shù)據(jù)之間的映射函數(shù)類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數(shù)γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數(shù)據(jù)，l為訓練集樣本數(shù)據(jù)個數(shù)；
最小二乘支持向量機的核函數(shù)選取RBF核函數(shù)，RBF核函數(shù)定義為空間中任一點x到某一中心xc之間歐氏距離的單調(diào)函數(shù)：
其中，xc為核函數(shù)中心，σ2為核函數(shù)參數(shù)。
最小二乘支持向量機訓練模塊中，利用N次交叉驗證方法，獲得最小二乘支持向量機的最優(yōu)訓練參數(shù)；所述N次交叉驗證方法中，N＝10；交叉驗證前，給定最小二乘支持向量機的正則化參數(shù)γ范圍為γ∈[γmin,γmax]，核函數(shù)參數(shù)σ2范圍為σ2∈[σ2min,σ2max]，交叉驗證訓練時，在γ和σ2的上述范圍內(nèi)遍歷取值，對每一個參數(shù)組合(γ，σ2)均進行N次交叉驗證。
以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出：對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。
本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本申請的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本申請可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。
本申請是參照根據(jù)本申請實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。