支持向量机建模工具很多，但当前应用最广泛的是由台湾大学林智仁教授等开发设计的LIBSVM 软件包。LIBSVM 不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其他操作系统上应用；该软件对SVM 所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验 （Cross Validation）的功能。该软件可以解决支持向量机回归、分类等问题，包括基于一对一算法的多类模式识别问题。目前，LIBSVM 拥有C、Java、Matlab、C＃、Ruby、Python、R、Perl、Common LISP、Labview 等数十种语言版本。最常使用的是Matlab版本。
LIBSVM 软件包功能十分强大，但软件包核心函数只有svmtrain （）和svmpredict（），参数设置也比较简单，因此可以很方便地实现支持向量机建模操作。下文将简介以上两个核心函数的调用格式及参数设置。
模型训练函数svmtrain （），其调用格式为
model=svmtrain（label，attribute，′-c 2-g 1′）；
模型的输出函数为model，是支持向量机的建模成果，反映了输入、输出数据之间的对应关系。函数的输入参数可分为三组，分别为label、attribute和单引号内的模型参数。其中attribute为样本属性，label则为样本标签，以基于NWP 的风电功率预测为例，风速、风向等模型输入数据即为样本属性，而输入数据相对应的风电功率数据即为样本标签。单引号内为参数设置，重要的参数简介如下：
（1）-s支持向量机功能类型（默认值为0）。
0：C-SVC （用于样本分类）；
1：nu-SVC （用于样本分类）；
2：one-class SVM；
3：epsilon-SVR （用于样本回归）；
4：nu-SVR （用于样本回归）。
（2）-t核函数类型（默认值为2）。
0：线性核函数；
1：多项式核函数；
2：径向基核函数；
3：sigmoid核函数。(www.xing528.com)
（3）-d degree：核函数中的degree设置 （针对多项式核函数）（默认3）。
（4）-g r （gama）：核函数中的gamma函数设置 （针对多项式／径向基／sigmoid核函数）（默认1／k）。
（5）-r coef0：核函数中的coef0设置（针对多项式／sigmoid核函数）（默认0）。
（6）-c cost：设置C-SVC，epsilon-SVR和nu-SVR 的参数 （损失函数）（默认1）。
（7）-m cachesize：设置cache内存大小，以MB为单位 （默认40）。
（8）-e eps：设置允许的终止判据 （默认0.001）。
（9）-h shrinking：是否使用启发式，0或1 （默认1）。
（10）-wi weight：设置第几类的参数C为weight＊C （C-SVC中的C）（默认1）。
（11）-v n：n-fold交互检验模式，n为fold的个数，必须大于等于2。
模型分类或预测函数svmpredict （），其调用格式如下：
［Plabel，acc］=svmpredict（Tlabel，Tattribute，model）；
此函数的输入参数也有3组，其中model是使用svmtrain （）函数对输入、输出数据学习后得到的模型，而Tlabel、Tattribute则是测试集的标签和属性。以风电功率预测为例，预测日的功率和NWP参数即为Tlabel和Tattribute，Tlabel可缺省。输出参数有2组，其中Plabel是模型的分类或预报结果，acc则为分类或预报准确率，如果Tlabel缺省，则acc也随之缺省。
支持向量机类型主要包括分类问题、回归问题和概率密度问题，而风电功率预测可以归类为机器学习的回归问题。使用基于Matlab平台的LIBSVM 软件包实现支持向量机建模。同样以2009年11月1—30日，时间分辨率为30min的风速、风向的正弦值、余弦值作为支持向量机输入，同时段的风电场发电负荷作为向量机输出，选用径向基核函数，使用向量机对数据进行学习。完成训练过程后，使用2009年12月1日的NWP数据作为输入，预测同时段发电功率，如图3-13所示。
图3-13 支持向量机预报效果图
从图3-13可知，与BP神经网络相比，支持向量机预报结果稍好，与实际数据吻合度更高。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
