基于支持向量机的结构损伤分步识别研究

支持向量机是一种基于统计学习理论的机器学习算法,能够较好地解决小样本的学习问题。本文介绍了支持向量机分类和回归算法,提出了基于支持向量机的结构损伤分步识别方法:以模态频率作为损伤特征,首先根据支持向量机分类算法的概率估计确定可能的损伤位置,重新构造训练样本,然后利用支持向量机回归算法计算损伤位置;最后估计损伤程度。以梁的损伤识别为例进行了验证,结果表明该方法可以提高损伤识别的精度。     

一种磨损预测的优化算法研究

根据机械部件磨损机理复杂、磨损量预测难精确的特点,提出基于免疫粒子群参数优化的最小二乘支持向量机方法预测磨损量.该算法采用免疫粒子群优化最小二乘支持向量机建模参数,避免了算法陷入局部最优解,实现了精确度高、泛化能力强的磨损量预测模型.对轴承钢试件磨损进行了试验研究,试验数据分析结果表明,基于免疫粒子群的最小二乘支持向量机预测方法优于前向反馈神经网络算法、遗传算法及蚁群算法,预测误差较小,具有很好的预测能力.     

基于SVM步态分类的柔性外骨骼自主定位优化方法

针对复杂步态下柔性外骨骼虚拟惯性测量组件(VIMU)性能稳定性下降的问题,研究了一种基于支持向量机(SVM)步态分类的自主定位优化方法。采用SVM算法模型对柔性外骨骼的多种常规步态类型进行识别,根据不同的步态类型构建不同的卷积-长短期记忆(VGG-LSTM)混合神经网络模型,并通过判断实际惯性测量组件(IMU)的故障,利用VIMU构成具备系统重构能力的强鲁棒性自主定位方法。研究结果表明,复杂步态下基于SVM的步态分类方法可在保证VIMU精度的同时,降低VGG-LSTM神经网络模型的复杂性;机器人肢节末端IMU在常规步态下出现故障时,系统重构后的自主定位性能与无故障情况下基本保持一致,重构导航系统的定位误差在行进距离的2.5%以内。     

基于支持向量机替代模型的可靠性分析

建立了基于支持向量机回归算法和分类算法的替代模型可靠性分析方法,与蒙特卡罗法结合,采用拉丁超立方抽样技术,进行隐式极限状态函数的可靠度计算。讨论了相关参数对支持向量机模型性能的影响,并通过遗传算法进行参数优化,为支持向量机模型的参数选择提供了依据。研究了不同训练样本数量对支持向量机模型预测值精度的影响,进一步证实了支持...     

基于双层神经网络模型参数辨识的变结构多模型自主导航方法

在卫星拒止环境下,井下采煤机定位方式通常采用惯导/里程计的组合导航方式。但在采煤机开采过程中产生的复杂振动会引起传感器时变和非线性的器件误差,导致传统卡尔曼滤波精度下降。针对这一问题,提出了一种基于双层神经网络模型参数辨识的改进变结构多模型导航算法(TVSMM)。设计了一种基于支持向量机(SVM)和极限学习机(ELM)相结合的双层神经网络对系统噪声变化特性进行训练和辨识,实现快速、准确地辨识导航系统模型参数。仿真结果表明,通过双层神经网络模型参数辨识相较于单层神经网络的模型参数辨识精度提高12%。基于TVSMM的井下惯导/里程计组合导航算法可有效抑制振动噪声带来的航向角发散,航向精度提升42%,水平定位精度提升43%,对井下复杂环境中的自主导航定位具有较好的参考应用价值。     

基于PSVR的微机械陀螺温度漂移预测

针对中低精度微机械陀螺静态零位输出随温度漂移严重的问题,将应用于分类的近似支持向量机(PSVM)扩展到回归分析中,提出了使用近似支持向量回归机(PSVR)进行建模和预测的方法.该方法的原始优化问题基于等式约束,可采用直接法求取最优解,利用核函数可以方便地实现线性算法的非线性化,并具有良好的泛化能力.分段和连续温度测试结果表明,与常用的最小二乘支持向量回归机(LSSVR)相比,PSVR算法简单,训练速度快,尤其在大规模数据集处理上更具优势.     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

一种基于多尺度和改进支持向量机的光纤陀螺温度漂移建模与补偿方法

为了提升光纤陀螺温度漂移模型建模的准确性及补偿的效果,提出了一种基于改进支持向量机的多尺度建模和回归方法。首先分析了造成光纤陀螺温度漂移的关键因素,给出了建模的属性参数和温度试验。然后根据经验模态分解得到的本征模态函数排列熵的变化趋势,得出了回归精度和熵之间的变化关系,进而提出了基于信号分解的多尺度回归方法。为了提高上述多尺度回归算法的适应性,在传统支持向量机的基础上,提出了基于组合核函数的支持向量机回归算法,以适应不同特性的回归数据集。为了进一步提高回归精度,基于降低回归数据复杂度的分段回归思想,在上述多尺度回归的基础上提出了双-多尺度回归,并验证了方法的有效性。最后,将提出的算法以实际的光纤陀螺温度漂移数据进行验证,结果表明,相比于传统的支持向量机和反向传播神经网络具有更好的回归精度,温度漂移模型也更加精确,以均方误差指标为例,回归精度提升了两个数量级。     

基于网格搜索的支持向量机砂土液化预测模型

在使用支持向量机对砂土液化进行预测时,不可避免地会遇到惩罚因子和核函数参数如何选取的问题,目前还没有确定这两个参数的选择模式,解决这一问题比较常用的办法有经验公式法、遗传算法和网格搜索法.对此本文基于网格搜索方法,使用LIBSVM软件包,寻找砂土液化训练样本的结构风险最小值所对应的支持向量机最优参数;使用最优参数,建立了支持向量机砂土液化预测模型.研究结果表明:预测样本的正确率可达87.5%,而且预测结果稳定;同时通过比较BP神经网络的砂土液化预测情况,可知支持向量机有更好的泛化能力,收敛速度也更快.     

基于改进的神经网络的大跨度屋盖风压场预测

利用风洞实验测定大跨度屋盖的风压时,由于通常只能通过布置有限测点而获得有限的风压数据,因此采用准确高效的方法预测更多未知点的风压特性具有重要意义。本文在径向基函数神经网络的基础上,结合遗传算法和方差分析对大跨度屋盖的风压场进行了预测。引入整体度量估计作为遗传算法中适应度函数的估计,采用方差分析分解RBF的输出总方差,用求得的均方误差对RBF神经网络模型的权方差进行估计。将本文方法预测得到的大跨度屋盖的风压系数、升力系数等与实验结果和传统RBF方法预测结果进行了对比,并进行了误差统计分析。结果表明:本文方法预测的风压系数与试验结果符合良好,且均方误差小于RBF方法,平均相差约67.21%;在达到同样的收敛精度时,采用本文方法计算所需的时间要比传统RBF模型节省约40%。结合遗传算法和方差分析的RBF神经网络模型是预测大跨度屋盖风压场的有效工具。     

基于深度学习和近场动力学的层合板冲击工况识别

在冲击荷载作用下复合材料会产生断裂和分层等损伤。基于损伤数据对冲击工况进行识别，对改善复合材料的设计和确保其安全使用具有重要意义。基于此，本文提出一种基于深度学习和近场动力学（PD）理论的层合板冲击工况识别方法。首先使用改进的表面修正系数PD理论建立复合材料层合板刚体冲击损伤演化分析PD模型，PD模型数值模拟结果结合噪声数据增强技术构建层合板的冲击工况数据库；基于深度学习-卷积神经网络（CNN），对不同工况下的冲击损伤演化数据进行训练，实现对未知冲击工况的识别。结果显示，对于钢球冲击速度和角度的识别准确率均高于90%。     

Predicting the critical heat flux in concentric-tube open thermosiphon: a method based on support vector machine optimized by chaotic particle swarm optimization algorithm

This study presents a method based on support vector machine (SVM) optimized by chaotic particle swarm optimization algorithm (CPSO) for the prediction of the critical heat flux (CHF) in concentric-tube open thermosiphon. In this process, the parameters C, ε and δ² of SVM have been determined by the CPSO. As for a comparision, the traditional back propagation neural network (BPNN), radial basis function neural network (RBFNN), general regression neural network (GRNN) are also used to predict the CHF for the same experimental results under a variety of operating conditions. The MER and RMSE of SVM–CPSO model are about 45% of the BPNN model, about 60% of the RBFNN model, and about 80% of GRNN model. The simulation results demonstrate that the SVM–CPSO method can get better accuracy.     

基于BP神经网络的风电机组钢混组合式塔架结构频率预测

风电机组塔架结构固有频率设计是风力发电结构体系设计的基础。针对风电机组新型钢混组合式塔架（“混塔”）结构固有频率传统理论计算和有限元法计算的不足,提出了基于BP神经网络算法进行频率预测的新方法。首先,利用有限元计算和分析,确定了训练模型的特征量和标签;然后,利用32个有限元计算样本,基于BP神经网络算法训练了可用于混塔结构频率分析的模型。经验证,该方法对混塔的一阶频率预测误差仅约为0.1%,具有很高的准确性;利用不同的样本集训练的模型也能快速准确预测混塔一阶频率,说明算法具有高度的稳定性;该方法还可用于预测混塔的多阶频率,结果仍显示出高度的准确性。此外,与基于有限元的频率计算相比,该方法具有突出的计算效率。整体上,本文提出的基于BP神经网络的混塔结构固有频率预测新方法,具有高度的可行性、精准性和高效性,可为风力发电机组塔架结构体系设计提供重要的指导。     

基于神经网络的差分方程快速求解方法

近年来, 人工神经网络(artificial?neural?networks, ANN), 尤其是深度神经网络(deep?neural?networks, DNN)由于其在异构平台上的高计算效率与对高维复杂系统的拟合能力而成为一种在数值计算领域具有广阔前景的新方法. 在偏微分方程数值求解中, 大规模线性方程组的求解通常是耗时最长的步骤之一, 因此, 采用神经网络方法求解线性方程组成为了一种值得期待的新思路. 但是, 深度神经网络的直接预测仍在数值精度方面仍有明显的不足, 成为其在数值计算领域广泛应用的瓶颈之一. 为打破这一限制, 本文提出了一种结合残差网络结构与校正迭代方法的求解算法. 其中, 残差网络结构解决了深度网络模型的网络退化与梯度消失等问题, 将网络的损失降低至经典网络模型的1/5000; 修正迭代的方法采用同一网络模型对预测解的反复校正, 将预测解的残差下降至迭代前的10?5倍. 为验证该方法的有效性与通用性, 本文将该方法与有限差分法结合, 对热传导方程与伯格方程进行了求解. 数值结果表明, 本文所提出的算法对于规模大于1000的方程组具有10倍以上的加速效果, 且数值误差低于二阶差分格式的离散误差.      

基于机器学习对三角堰流量系数的预测研究

为了准确高效得出三角堰泄流系数的大小，本研究基于广义神经网络、最小二乘支持向量机和遗传规划对三角堰流量系数进行智能建模．将无量纲参数堰顶角、弗劳德数、堰顶长与堰高之比、堰顶长与堰顶水深之比作为模型输入参数，流量系数作为模型输出参数．研究表明，最小二乘支持向量机性能优于广义神经网络和遗传规划．在测试阶段，均方根误差为0.000 73，散射指数为0.001 02，决定系数为0.999 59，最大误差为1.7 %．该模型精度较高，预测值较准确，具有较强的工程适用性．本研究通过对三角堰流量系数进行智能建模，采用机器学习对非线性物理关系进行高精度拟合，准确高效得出三角堰流量系数的大小，可为水利水电工程设计人员和我国灌区精确量水用水提供一种新的方法和思路．     

基于组合神经网络的雷诺平均湍流模型多次修正方法

求解雷诺平均(Reynolds-averaged Navier-Stokes, RANS)方程依然是工程应用中有效且实用的方法, 但对雷诺应力建模的不确定性会导致该方法的预测精度具有很大差异. 随着人工智能的发展, 湍流闭合模型结合机器学习元素的数据驱动方法被认为是提高RANS模型预测性能的有效手段, 然而这种数据驱动方法的稳定性和预测精度仍有待进一步提高. 本文通过构建一个全连接神经网络对RANS方程中的涡黏系数进行预测以实现雷诺应力的隐式求解,该神经网络记作涡黏系数神经网络(eddy viscosity neural network, EVNN). 此外, 也使用张量基神经网络(tensor basis neural network, TBNN)预测未封闭量与解析量之间的高阶涡黏关系, 并利用基张量保证伽利略不变性. 最后, 采用多次修正的策略实现修正模型对流场预测的精度闭环. 上述方法使用大涡模拟(large eddy simulation, LES)方法产生的高保真数据, 以及RANS模拟获得的基线数据对由EVNN和TBNN组合的神经网络进行训练, 然后用训练好的模型预测新的RANS模拟的流场. 通过与高保真LES结果进行对比, 结果表明, 相比于原始RANS模型, 修正模型对后验速度场、下壁面平均压力系数和摩擦力系数的预测精度均有较大提升. 可以发现对雷诺应力线性部分的隐式处理可以增强数值求解的稳定性, 对雷诺应力非线性部分的修正可以提升模型对流场各向异性特征预测的性能, 并且多次修正后的模型表现出更高的预测精度. 因此, 该算法在数据驱动湍流建模和工程应用中具有很大的应用潜力.      

基于遗传神经网络的锚杆极限承载力预测的研究

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的锚杆极限承载力预测的遗传神经网络模型。该模型以低应变动测的5个变量作为输入变量来对锚杆极限承载力进行预测,并与BP神经网络预测结果进行比较。数值算例表明,遗传神经网络在锚杆极限承载力预测中具有较高的计算效率和识别精度。     

基于主动学习神经网络的转向架构架疲劳可靠性分析

为了提高转向架构架疲劳可靠性分析的精度与效率,提出一种主动学习BR-BP神经网络模型与Monte Carlo法相结合的可靠性分析方法。该方法针对BP神经网络的缺陷,使用贝叶斯正则BR(Bayesian regularization)算法作为训练算法,以提高神经网络的拟合精度与收敛速度,并考虑可靠性分析的固有特点,构造了一种适用于BP神经网络的主动学习函数,用于指导最佳样本点的选择。提出的学习函数不仅保证了样本点分布在极限状态函数附近,还考虑了样本点的预测误差以及样本点分布对失效概率计算的影响。转向架构架可靠性分析结果表明,本文方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性与可行性。     

改进的物理融合神经网络在瑞利?泰勒不稳定性问题中的应用

基于相场法的物理融合神经网络PF-PINNs被成功用于两相流动的建模, 为两相流动的高精度直接数值模拟提供了全新的技术手段. 相场法作为一种新兴的界面捕捉方法, 其引入确保了界面的质量守恒, 显著提高了相界面的捕捉精度; 但是相场法中高阶导数的存在也降低了神经网络的训练速度. 为了提升计算训练过程的效率, 本文在PF-PINNS框架下, 参考深度混合残差方法MIM, 将化学能作为辅助变量以及神经网络的输出之一, 并修改了物理约束项的形式, 使辅助变量与相分数的关系式由硬约束转为了软约束. 上述两点改进显著降低了自动微分过程中计算图的规模, 节约了求导过程中的计算开销. 同时, 为了评估建立的PF-PINNS在雷诺数较高、计算量较大的场景中的建模能力, 本文将瑞利?泰勒RT不稳定性问题作为验证算例. 与高精度谱元法的定性与定量对比结果表明, 改进PF-PINNs有能力捕捉到两相界面的强非线性演化过程, 且计算精度接近传统算法, 计算结果符合物理规律. 改进前后的对比结果表明, 深度混合残差方法能够显著降低PF-PINNS的训练用时. 本文所述方法是进一步提升神经网络训练速度的重要参考资料, 并为探索高精度智能建模方法提供了全新的见解.