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...     

基于支持向量回归机的陀螺漂移预测模型

为了预测某导弹陀螺漂移趋势,以该陀螺漂移角速度时间序列为对象,建立了基于支持向量回归机的预测模型。针对该预测模型的特点,提出了支持向量预选取的模型优化方法。基于ε不敏感损失函数的支持向量回归机具有稀疏性,其结构由支持向量决定。因此从训练样本集中预选出有可能成为支持向量的样本,精简样本规模是提高该类支持向量回归机训练和预测效率的有效方法。针对该类支持向量回归机从分类和回归两个角度分析了支持向量的几何特征,提出了核函数空间免疫聚类的支持向量预选取方法并用于某导弹陀螺漂移预测模型的数据预处理。仿真结果表明优化后的预测模型运算量小、建模速度快,精度高。     

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.     

环境温度影响下基于支持向量机与强化飞蛾扑火优化算法的结构稀疏损伤识别

结构处于自然环境中常会受到环境温度变化的影响,引起实测动力响应出现较大误差,进一步影响对结构健康状况的判定.另外,基于优化算法的损伤识别在反演损伤位置及量化损伤程度时,易出现局部最优解,且计算效率低下.针对以上难题,本文提出一种结合支持向量机与强化飞蛾扑火优化算法的损伤识别方法,用于对环境温度影响下的结构稀疏损伤进行识...     

基于改进粒子群相关向量机电机轴承故障诊断

为了提高电机轴承故障的诊断准确率,克服支持向量机与传统粒子群算法的缺点,提出了改进粒子群算法优化相关向量机算法的电机轴承故障诊断方法。通过小波包能量熵来提取故障特征量从而选取合适的特征量来表征故障的类型,提高了故障诊断的速度。利用改进的粒子群算法优化相关向量机的核函数参数,建立了分类器用于电机轴承故障的类型识别。仿真实验结果表明:与传统粒子群优化的相关向量机算法相比,改进粒子群优化的相关向量机算法对电机轴承故障分类的准确率提高了2%～4%;分类结果表明,与传统粒子群的支持向量机算法相比,改进粒子群优化的相关向量机算法具有更好的分类效果,准确率提高了4%～8%。     

基于EEMD和SVR的多自由度结构状态趋势预测

由于工程结构的复杂性和引起结构损伤原因的不确定性,结构早期微弱和潜在的损伤难以识别和预测。为此提出了基于聚类经验模式分解(EEMD)和支持向量机回归(SVR)的结构健康状态趋势预测方法。首先对多自由度结构渐进损伤的加速度振动信号进行聚类经验模式分解(EEMD);再进行希尔伯特变换(HT)计算瞬时频率;然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。详细分析了各种参数对回归和预测精度的影响,提出了这些参数的选用方法和一般原则。研究表明:该方法具有训练样本少的特点;在采用二阶多项式核函数、回归步长m=3~5、误差惩罚因子C=100、敏感因子ε=0.01时,可以准确地和高精度地预测结构状态趋势,预测精度达到0.24781%。     

基于微粒群算法优化支持向量机的加速度计静态模型辨识

针对加速度计静态模型采用线性近似模型辨识存在较大误差的问题,利用支持向量回归在小样本、非线性及高维特征空间中具有很好的推广能力的优点,提出了一种利用支持向量回归进行加速度计静态模型辨识的方法.为了避免随机试凑法识别支持向量回归参数费时的问题,采用高效的并行搜索算法-微粒群算法进行支持向量回归参数优化.利用精密光学分度头对石英挠性加速度计进行了12位置静态翻滚试验,试验结果表明所提方法可以精确地对石英挠性加速度计静态模型进行辨识,其模型精度比最小二乘辨识法的模型精度提高一倍以上.     

岩质边坡稳定性评价的粗糙集－支持向量机方法

结合粗糙集和支持向量机两种智能算法,建立了基于粗糙集与支持向量机的岩质边坡稳定性评价模型。首先根据有限的经验数据建立属性决策表,通过属性约算法找出影响边坡稳定性的关键因素;然后将所提取的关键信息训练支持向量机。本文以铁路沿线边坡为例,进行边坡稳定性验算,结果表明算法能有效降低边坡稳定性影响因素集数据维数及支持向量机的复杂程度,提高训练速度和泛化能力。     

基于SVM回归的圆柱壳体抗脉冲强度预估模型

在小子样结构响应试验数据样本的基础上,利用支持向量机回归的方法模拟了圆柱壳体动态极限应变峰值同壳体几何尺寸和外加脉冲载荷大小的非线性函数关系,同时通过改进的模拟退火单纯形混合算法优化了支持向量机的性能参数,并将支持向量机回归分析的预测性能同BP人工神经网络方法做了比较,验证了具有优化性能参数组合的支持向量机在小样本条件下更好的预测和推广能力. 最后,从支持向量机回归模型导出了大尺寸圆柱壳体抗脉冲载荷的强度极限同自身几何尺寸的多元函数关系,从而为该类型壳体设备抗脉冲载荷的强度分析提供了一个可借鉴的预估模型. 研究结果表明了支持向量机在机械结构的强度预估和可靠性分析等力学领域具有广泛的应用前景.      

基于小波最小二乘支持向量机的加速度计温度建模和补偿

针对环境温度影响加速度计测量精度的问题,给出了温度对石英挠性加速度计零偏和标度因数的影响机理,提出采用小波最小二乘支持向量回归建立石英挠性加速度计零偏和标度因数的温度模型的方法。为了验证模型的有效性,进行了多个温度点下的参数标定试验,所获取的各温度点下的石英挠性加速度计零偏和标度因数作为小波最小二乘支持向量机模型的训练数据;将石英挠性加速度计固定在某一位置进行了升温试验,通过对比未进行温度补偿、最小二乘温度补偿和小波最小二乘支持向量回归温度补偿下石英挠性加速度计的输出,计算结果表明采用小波最小二乘支持向量机补偿后的石英挠性加速度计的测量精度最高。     

一种改进的残余力向量法在结构损伤识别中的应用

残余力向量法是结构损伤识别中常用的方法,复杂结构中单元数量较多而损伤位置较少,容易造成无关变量增多,进而导致计算量过大的问题。鉴于此,本文提出一种改进的残余力向量法用于结构的损伤识别。该方法利用刚度联系向量与残余力向量之间线性相关的特性,以向量投影值作为损伤定位的影响系数,初步筛选出结构可能出现损伤的单元范围。在此基础上,构建出残余力向量对应的线性方程组,根据顺序主子式不为零的条件,对线性方程组进行行初等变换,再根据单元的数量保留前n维线性方程,通过求解该方程组的代数解可得到该结构单元的刚度损伤参数。以简支梁为例的数值模拟表明,本文方法可减少无关单元变量的计算,降低残余力向量的维度并且具有较好的抗噪能力。     

基于残余力向量的桁架梁损伤识别研究

定义残余力向量为结构的损伤指标,给出了根据结构特征值方程详细推导残余力向量的理论过程.并以简支桁架梁为研究对象,利用残余力向量进行桁架梁的局部损伤识别,成功识别出桁架梁的单一和多处局部损伤;同时考虑实际测量中存在噪声影响,引入了损伤定位指数,分析了噪声对损伤识别精度的影响.理论分析和数值仿真结果表明,残余力向量能有效识别桁架梁的局部中小损伤,且有较好的抗噪性.     

基于支持向量机回归的结构系统可靠性及灵敏度分析方法

提出了一种基于支持向量机回归近似极限状态方程的系统可靠性分析方法,所提方法首先由支持向量机拟合系统各失效模式的极限状态方程,将复杂或隐式极限状态方程近似等价为显式极限状态方程,然后根据系统各个失效模式的逻辑结构,由高精度的显式极限状态方程方法计算系统的失效概率和参数灵敏度.与线性展开和响应面法近似极限状态方程相比,文中方法由于采用了基于结构风险最小化原理的支持向量机回归,因而在拟合非线性极限状态方程上表现优越,计算精度高.与直接蒙特卡洛模拟相比,由于该方法采用较少的样本即可近似出概率等价的显式极限状态方程,因而计算效率大幅提高.工程实例表明:所提方法可以处理串联、并联和混合系统的可靠性与可靠性灵敏度分析,具有工程运用价值.     

基于静力残余力向量的结构损伤评估方法

残余力向量法是一类常用的损伤识别方法,现有的残余力向量法都是基于动力测试的模态参数,和动力测试数据相比,静力测试数据往往精度更高,且无需模态分析等复杂操作.鉴于此,本文提出一种静力残余力向量法用于结构损伤评估.所提方法利用静力测试位移数据,并结合结构有限元模型的刚度矩阵,定义了静力残余力向量,根据该向量中不为零的元素来判断损伤自由度,再根据自由度和单元之间的对应关系来确定发生损伤的位置,并进一步提出一种求解损伤参数的代数解法.另外,针对实践中角位移难以测量的情况,进一步提出了一种静力缩聚残余力向量法,拓宽了所提方法的应用范围.以桁架结构和梁结构模型为例对所提方法进行了验证,数值算例结果说明所提方法合理有效.     

Classification using least squares support vector machine for reliability analysis

In order to improve the efficiency of the support vector machine （SVM） for classification to deal with a large amount of samples, the least squares support vector machine （LSSVM） for classification methods is introduced into the reliability analysis. To reduce the coraputational cost, the solution of the SVM is transformed from a quadratic programming to a group of linear equations. The numerical results indicate that the reliability method based on the LSSVM for classification has higher accuracy and requires less computational cost than the SVM method.     

残余力向量法在结构损伤识别中的应用研究进展

工程结构的损伤识别技术对于把握结构工作状态及评估结构的安全性与正常使用性能具有重要的意义。近年来基于残余力向量法的损伤识别技术受到了关注并取得了一定的研究成果。文章从基于残余力向量法的损伤识别技术、残余力向量法和灵敏度分析方法相结合、残余力向量法的改进、残余力向量法和人工神经网络技术的结合、残余力向量法和智能算法的融合等5个方面综述了目前国内外基于残余力向量法进行结构损伤识别研究的成果。并根据残余力向量法应用上存在的问题展望了应用残余力向量法进行结构损伤识别时在如何减小误差;如何克服测试信息不完备的影响;如何进行实际工程损伤识别的研究以及残余力向量法的改进以及残余力向量法和智能算法结合等方面的发展趋势。     

Parameter identification of systems with multiple disproportional local nonlinearities

Identification of nonlinear systems, especially with multiple local nonlinearities exhibiting disproportional ratios of the degree of nonlinearity and present at a single or multiple spatial locations, is a highly challenging inverse problem. Identification of such complex nonlinear systems cannot be handled easily by the existing conventional restoring force or describing function methods. Further, noise-corrupted measured time history responses make the parameter identification process much more difficult. Keeping this in view, we propose a new meta support vector machine (meta-SVM) model to precisely identify the type, spatial location(s) and also the nonlinear parameters present in disproportionate levels using the noisy measurements. Apart from the conventional SVM model, we also explore the effectiveness of the non-batch processing models like incremental learning for lesser computational cost and increased efficiency. Both incremental and conventional support vector regression models are explored to precisely identify the nonlinear parameters. A numerically simulated multi-degree of freedom spring-mass system with limited multiple local nonlinearities at a few selected spatial locations is considered to illustrate the proposed meta-SVM model for nonlinear parametric identification. However, the extension of the proposed meta-SVM model is rather straightforward to include all types of nonlinearities and cases with the simultaneous existence of multiple numbers of same or different nonlinearities (i.e. combined nonlinearities) at single or multiple locations. It is also clearly established from the numerical simulation studies that the proposed incremental meta-SVM model paves way for online real-time identification of nonlinear parameters which is not yet been addressed in the existing literature.