排序方式: 共有7条查询结果,搜索用时 109 毫秒
1
1.
针对待修正参数维数较高时,标准马尔可夫链蒙特卡罗MCMC (Markov Chain Monte Carlo)算法不易收敛、拒绝率高的问题,提出了基于Kriging模型和在MCMC中融合花朵授粉算法的修正方法.首先,以待修正参数作为输入,以应变模态作为输出,建立Kriging模型,通过蝙蝠算法确定Kriging模型的相关系数;然后,采用最大熵的贝叶斯方法估计参数的后验概率密度函数,将花朵授粉算法融入MH (M etropolis-Hasting)抽样算法,提高局部寻优和全局寻优能力;最后,通过三自由度弹簧-质量系统和三维桁架结构的数值算例验证所提模型修正方法,修正后参数相对误差均低于0.86%.结果 表明,所提方法修正后较高维参数的马尔可夫链能够快速收敛且样本接受率也有所提高,该方法也对随机噪声具有一定的鲁棒性. 相似文献
2.
微量含硒蛋白检测技术进展 总被引:1,自引:0,他引:1
生物必需微量元素硒在体内主要通过硒蛋白发挥作用,因此微量含硒蛋白的高灵敏检测和识别是验证生物信息学所预测的硒蛋白和开展硒蛋白组学研究的重要手段,也是硒蛋白功能研究的先决条件。文章重点介绍了近年迅速发展的激光剥蚀电感耦合等离子体质谱技术原理及其对凝胶电泳分离后蛋白质硒的检测,简要综述了凝胶电泳分离后其他质谱技术在含硒蛋白分析鉴定中的应用,包括毛细管高效液相色谱/纳升高效液相色谱-电感耦合等离子体质谱对含硒多肽的分离检测、基质辅助激光解吸离子化-飞行时间-质谱对含硒蛋白的识别、以及纳升高效液相色谱-电喷雾-串联质谱对含硒蛋白的鉴定等内容,指出了微量含硒蛋白检测中存在的问题和发展方向。 相似文献
3.
为提高随机模型修正效率,减小计算量,提出了一种基于Kriging模型和提升小波变换的随机模型修正方法.首先,对加速度频响函数进行提升小波变换,提取第5层近似系数代替原频响函数.其次,采用拉丁超立方抽样抽取待修正样本,将其作为Kriging模型的输入,对应的近似系数作为输出,构建Kriging模型.提出了一种引入莱维飞行(Lévy flight)的蝴蝶优化算法(LBOA),并将其应用于Kriging模型相关参数的寻优中,提高Kriging模型的精度.最后,以最小化Wasserstein距离为目标,通过鲸鱼优化算法求解待修正参数的均值.测试函数结果表明,LBOA在寻优能力、收敛精度和稳定性等方面有了很大的提升.数值算例的修正误差均低于0.4%,验证了所提模型修正方法具有较高的修正精度和效率. 相似文献
4.
为了解决模型修正问题中的随机性,构建了一种基于提升小波总能量的随机模型修正方法.首先,将结 构的加速度频响函数进行提升小波变换,并提取提升小波总能量来代替加速度频响函数;然后,以待修正参数作为输入,提升小波总能量为输出构建响应面代理模型代替原来的有限元模型;接着,运用蒙特卡洛抽样抽取响应样本,并设定阈值筛选响应样本;最后,以代理模型预测得到的响应和抽样所得真实响应之间的差值最小为 目标函数,通过布谷鸟优化算法寻优求解待修正参数的均值.算例表明,所提方法修正后参数的最大误差小于3.3%,相应的频响函数曲线重合度高. 相似文献
5.
6.
为改善传统卡尔曼滤波KF(Kalman filter)算法在过程噪声方差和测量噪声方差未知的情况下响应重构精度降低甚至发散的问题,提出了一种基于新息自适应卡尔曼滤波IAKF(innovation-based adaptive Kalman filter)算法的多类型响应重构方法。首先根据新息统计特性对卡尔曼滤波增益和状态估计误差协方差矩阵进行实时自适应调整;然后利用有限测点的加速度传感器的测量数据,结合模态法对结构各个位置的加速度、速度、位移以及应变进行响应重构;最后对起重机桁架和简支梁分别进行数值模拟和试验分析。结果表明,该方法能够有效地调整过程噪声方差并估计测量噪声方差,未测点的重构响应时程曲线与计算响应或测量响应时程曲线吻合良好。 相似文献
7.
为得到待修正参数与结构响应之间的关系,提高模型修正的效率和精度,提出了一种基于辛几何模态分解(SGMD)和Lévy飞行鲸鱼优化算法(LWOA)优化极限学习机(ELM)的有限元模型修正(FEMU)方法。首先,对加速度频响函数(AFRF)进行SGMD分解,采用能量熵增量法确定重组辛几何分量(SGC)构成SGC矩阵。然后,利用LWOA对ELM的权值和阈值进行优化,提高ELM模型的预测效率,以LWOA-ELM为代理模型映射出待修正参数与SGC矩阵之间的关系。最后,以试验频响函数SGC矩阵与LWOA-ELM模型输出所得矩阵差值的F-范数最小为目标函数,结合LWOA求解待修正参数。算例分析表明,提出的方法用于有限元模型修正有较好的可行性和有效性。以SGC矩阵表征AFRF的修正方法,有较好的噪声鲁棒性;LWOA-ELM作为代理模型预测精度高,泛化能力强。 相似文献
1