块体理论赤平解析法在锦屏二级水电站皮带机隧洞稳定分析中的应用

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。     

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...     

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.     

圆柱壳孔边裂纹应力强度因子的计算和分析

从Reissner壳体理论出发,将“局部-整体分析法”应用于圆柱壳孔边裂纹问题,比较精确地计算了圆柱壳孔边轴向裂纹和环向裂纹的应力强度因子,获得了应力强度因子随壳体几何尺寸、开孔大小及剪切刚度变化的规律。以作者在文[7,8]中的有限元分析结果为基础,推广Petroski-Achenbach方法,建立圆柱壳孔边裂纹问题的权函数,分析计算了圆柱壳孔边裂纹问题,获得了较好的结果,最后给出了便于工程应用的较精确的计算鼓胀系数的近似公式。     

冲击载荷下含表面裂纹圆柱壳体的动态断裂

动态载荷下含表面裂纹的有限尺寸构件的断裂问题在工程实践中有着重要意义,但由于此类问题非常复杂,目前还不能求得解析解。本文针对含轴向半椭圆盘状表面裂纹的圆柱壳体,应用有限元法研究了动态载荷下其断裂问题,计算了动态应力强度因子与静态应力强度因子的比值KdIyn(t)/KsIta。从计算结果可以得出,比值KdIyn(t)/KsIta与结构和裂纹的尺寸有关,而与冲击载荷的大小无关。本文所得结果在一定程度上揭示了圆柱壳体表面、裂纹面、物质惯性和弹性波的相互作用及其对动态断裂的影响。     

自由圆柱壳体在侧向非对称脉冲载荷下的塑性破坏

将壳体作为理想刚塑性材料，给出了两端自由金属圆柱薄壳体承受侧向非对称脉冲载荷下的变形和运动方程。针对矩形脉冲载荷，给出能量损耗分析。极高载情况下，２／３的外部输入能量转化为塑性功，其余的用于壳体的刚体运动。针对复杂结构的自由圆柱壳，能量法用于分析其破坏。理论预测与实验结果吻合较好。     

基于LS-WSVM的光纤陀螺漂移辨识

提出了一种最小二乘小波支持向量机(LS-WSVM)的光纤陀螺的漂移辨识算法.该方法将Mexihat小波函数作为核函数,与最小二乘支持向量机(LS_SVM)相结合建立起通用模型;用光纤陀螺漂移数据训练通用模型,从而得到该光纤陀螺的漂移模型.并用F法则检验了该模型的适应性.试验表明,在相同条件下,与基于Gauss核函数的最小二乘支持向量机模型相比,该模型拥有更高的辨识精度.证明了用最小二乘小波支持向量机对光纤陀螺的机漂移辨识是合适的,有效的.     

用柔爆索构成沿圆柱壳体周向呈余弦分布的冲量载荷

利用柔爆索爆炸加载模拟脉冲X射线辐照产生的汽化反冲冲量进行结构响应实验研究,需要对柔爆索载荷的分布特征进行直接的实验测定。按照优化设计结果在圆柱壳体周围排布一定数量的柔爆索,测量柔爆索爆炸在圆柱壳体表面不同角度处产生的冲量。测量结果表明通过优化设计柔爆索间距及柔爆索与圆柱壳体之间的距离可得到沿圆柱壳体周向呈余弦分布的冲量载荷。     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级。支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题。选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等8个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行训练,并得到评判因子与围岩级别的映射关系,从而可以对未知的围岩样本进行级别判别。判别结果表明: 采用多项式核的支持向量机对围岩级别进行判别有较高的准确率,是一种值得推广和应用的围岩智能分级方法。     

基于支持向量机的导管泄爆容器压力峰值预测

为了预测导管泄爆容器压力峰值,根据文献提取出影响导管泄爆容器压力峰值的因素,将这些因素作为输入变量,采用支持向量机算法对压力峰值与各因素的内在关系进行了研究,建立导管泄爆容器压力峰值预测模型,对模型的有效性及预测能力进行了验证。将预测模型与现有经验公式进行比较,表明支持向量机模型具有较好的预测能力,且预测能力优于经验公式。     

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.     

基于SVM的结构可靠度分析响应面方法

响应面法是解决隐式极限状态方程结构可靠度分析问题比较理想的方法,其关键问题是响应面函数的重构。根据响应面方法经验点集的小样本特点,利用支持向量机(SVM)对小样本数据良好的学习和泛化能力,用SVM重构结构响应面方程,建立了基于SVM的隐式极限状态方程结构可靠度分析的响应面方法。在此基础上,文中提出了改进SVM响应面方法,改进的方法充分利用每次有限元计算成果,大幅减少了有限元计算次数。算例表明本文方法具有很好的计算精度和计算效率。     

Simultaneous characterization of multiple properties of solid and liquid phases in crystallization processes using NIR

Near infrared spectroscopy (NIR) is now probably the most popular process analytical technology (PAT) for pharmaceutical and some other industries. However, unlike mid-IR, NIR is known to have difficulties in monitoring crystallization or precipitation processes because the existence of solids could cause distortion of the spectra. This phenomenon, seen as unfavorable previously, is however an indication that NIR spectra contain rich information about both solids and liquids, giving the possibility of using the same instrument for multiple property characterization. In this study, transflectance NIR calibration data was obtained using solutions and slurries of varied solution concentration, particle size, solid concentration and temperature. The data was used to build calibration models for prediction of the multiple properties of both phases. Predictive models were developed for this challenging application using an approach that combines genetic algorithm (GA) and support vector machine (SVM). GA is used for wavelength selection and SVM for mode building. The new GA–SVM approach is shown to outperform other methods including GA–PLS (partial least squares) and traditional SVM. NIR is thus successfully applied to monitoring seeded and unseeded cooling crystallization processes of l-glutamic acid.     

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.     

A predictive model for pressure fluctuations on sloping channels using support vector machine

In this study, support vector machine (SVM) is proposed as a new predictive model for pressure fluctuations beneath free jump occurring on sloping channels. The proposed model reproduces the pressure fluctuation intensity C′_p in terms of normalized flow and channel section characteristics. The model variables were derived from dimensional analysis. The proposed model is calibrated and validated by using a wide range of experimental data. The SVM predicted C′_p with a correlation of coefficient (CC) of 0.989 and a root mean square error (RMSE) of 0.004. Also, linear and nonlinear regression analyses are applied on the same experimental data set, and the SVM model is compared to the equations obtained from these regression analyses. CC, RMSE and average absolute deviation (D_i) are used in the evaluation of performance of each model. The SVM model predicted the measured pressure fluctuations better than conventional regression equations. The results of this study reveal that the proposed SVM model can be effectively used in predicting the pressure fluctuation beneath free jump. Copyright © 2010 John Wiley & Sons, Ltd.     

基于支持向量机的序列可靠性优化方法

在工程设计中,可靠性优化设计通常计算量较大或精度不够。本文提出了一种基于支持向量机（Support Vector Machine）和MPP（Most Probable Point）的可靠性分析方法。用SVM 在MPP处替代原极限状态函数,并利用极限状态函数的梯度信息,使SVM模型穿过M PP并与原函数相切,再基于SVM采用重要抽样法计算失效概率。然后,将SORA（Sequential Optimization and Reliability Assessment ）与基于SVM 的可靠性分析方法相集成,将传统的双循环可靠性优化算法解耦为单循环,并通过基于SVM 的可靠性分析方法修正了SORA中由于线性近似带来的误差,保证了最优设计点处可靠性分析的精度。算例证明,该方法在处理非线性问题时具有精确度高和计算量适度的特点。