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.     

加速度计参数长期稳定性多尺度混合建模与预测

针对温度、振动等环境载荷导致石英挠性加速度计参数随着时间发生非线性变化,难以进行准确描述的问题,提出一种加速度计参数长期稳定性多尺度混合建模方法,并利用所建模型对参数变化进行预测。首先,采用经验模态分解对参数长期变化序列进行多尺度分解,使其平稳化以降低其复杂度,为多尺度混合建模奠定基础;然后,在单核向量机的基础上,应用多核最小二乘支持向量机数据拟合算法,以提高多尺度混合建模算法的准确性与适应性;而且为了提升多核向量机的性能,设计一种自适应人工鱼群寻优算法对多核向量机的相关参数进行寻优;最后,建立石英挠性加速度计参数长期稳定性模型,并通过实例进行模型适用性验证与预测性能验证。结果表明,所提出的建模方法相比于传统最小二乘方法,模型更加精确,预测精度更高,零偏K_0与标度因数K_1的预测均方根误差分别降低了88.65%、86.49%。     

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。     

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。     

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。     

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.     

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Kriging模型和改进MCMC算法的随机有限元模型修正

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.     

基于Kriging代理模型的迭代更新高效反演方法

为提高混凝土坝等大体积结构参数反演效率和精度,减少由于应用有限元进行大量正分析而产生的计算机时,建立了一种结合Kriging代理模型和粒子群优化(PSO)算法的迭代更新反演方法。通过拉丁超立方抽样(LHS)方法确定初始样本点的空间分布,并使用有限元正分析获取对应的响应值,构建粗糙的初始代理模型,结合具有全局寻优能力的PSO算法,反演大体积结构的分区弹性模量,随之再代入有限元模型中,计算获取新的位移响应,并将其作为新样本加入到样本集中,通过迭代更新获得局部更高精度的代理模型。工程实际算例表明,该方法对混凝土坝等大体积结构参数反演精度较高和适用性好,且能大幅减少传统有限元模型反演方法所需消耗的正分析机时,提高反演效率。     

高黏性流动有限元模拟的迭代稳定分步算法

分步算法已被广泛应用于数值求解不可压缩N-S方程. Guermond等认为时间步长必须大于 某个临界值方能使算法稳定. 然而在高黏性流动模拟中,已有的显式和半隐式分步算法由于 其显式本质,必须采用小时间步长计算,不但降低了计算效率,同时也常与为使分步算法稳 分步算法已被广泛应用于数值求解不可压缩N-S方程. Guermond等认为时间步长必须大于 某个临界值方能使算法稳定. 然而在高黏性流动模拟中,已有的显式和半隐式分步算法由于 其显式本质,必须采用小时间步长计算,不但降低了计算效率,同时也常与为使分步算法稳 定必须满足的最小时间步长要求冲突. 本文目的是构造一种含迭代格式的分步算法,它能在 保证精度的前提下大幅度地增大时间步长. 方腔流和平面Poisseuille流数值计算结果证实 了此特点,该方法被有效应用于充填流动过程的数值模拟.     

基于贝叶斯支持向量回归机的自适应可靠度分析方法

进行复杂结构可靠度分析时,由于涉及隐式功能函数和耗时的数值计算,减少结构模型的调用次数在提高分析效率方面显得尤为重要。为此,本文基于贝叶斯支持向量回归机,提出了一种高效的自适应可靠度分析方法。该方法利用贝叶斯支持向量机提供的概率估计信息(均值和方差)构建学习函数,同时通过引入样本间的距离测度防止选取与现有样本过于临近的冗余点,进而能快速有效地选取极限状态曲面附近具有代表性的样本点,以提高代理模型的构建速度和预测精度。此外,在学习过程中引入了有效抽样域策略,有针对性地选取对失效概率估计误差贡献大的点,从而进一步提升结构可靠度分析的计算效率。最后,通过数值算例验证了本文方法对结构可靠度分析的适用性和有效性。     

融入压力分布信息的气动力建模方法

气动外形优化设计与飞行器性能分析中, 直接运用数值模拟或风洞实验获取气动力的成本高, 构建代理模型是提高外形优化和性能分析效率的重要途径. 然而, 构建模型的过程中, 研究者只关注积分后的气动力和力矩信息. 本文通过充分利用采样过程中所产生的压力分布信息, 来提高建模的精度和泛化性, 进而降低样本获取的成本. 提出了一种小样本框架下融入压力分布信息的气动力建模方法, 首先通过数值模拟或风洞试验获得不同流动参数状态下翼型表面的压力分布信息和气动系数, 其次通过本征正交分解技术对压力分布信息进行特征提取, 获取不同输入参数状态下压力分布信息对应的POD系数, 之后结合输入参数通过Kriging算法对压力分布信息进行建模, 将压力分布信息积分得到低精度气动系数的预测模型, 最后低精度气动系数结合输入参数通过Kriging算法构造高精度的气动系数预测模型. 通过同状态变翼型算例以及CAS350翼型变状态算例进行验证, 该方法相比于传统的克里金模型直接预测气动力, 有效提高了气动力的预测精度和模型的鲁棒性, 同时缩小了学习样本的数据量.      

APPLICATION OF SURROGATE BASED PARTICLE SWARM OPTIMIZATION TO THE RELIABILITY-BASED ROBUST DESIGN OF COMPOSITE PRESSURE VESSELS

A surrogate based particle swarm optimization （SBPSO） algorithm which combines the surrogate modeling technique and particle swarm optimization is applied to the reliability- based robust design （RBRD） of composite pressure vessels. The algorithm and efficiency of SBPSO are displayed through numerical examples. A model for filament-wound composite pressure vessels with metallic liner is then studied by netting analysis and its responses are analyzed by using Finite element method （performed by software ANSYS）. An optimization problem for maximizing the performance factor is formulated by choosing the winding orientation of the helical plies in the cylindrical portion, the thickness of metal liner and the drop off region size as the design variables. Strength constraints for composite layers and the metal liner are constructed by using Tsai-Wu failure criterion and Mises failure criterion respectively. Numerical examples show that the method proposed can effectively solve the RBRD problem, and the optimal results of the proposed model can satisfy certain reliability requirement and have the robustness to the fluctuation of design variables.     

非线性函数的混沌优化方法比较研究

已有的混沌优化方法几乎都是利用Logistic映射作为混沌序列发生器，而Logistic映射产生的混沌序列的概率密度函数服从两头多、中间少的切比雪夫型分布，不利于搜索的效率和能力。为此，首先根据Logistie映射混沌轨道点密度函数的特点，建立改进的混沌-BFGS混合优化算法。之后，考虑到Kent映射混沌轨道点密度为均匀分布，建立了基于Kent映射的混沌-BFGS混合优化算法。然后对五种混合优化方法——不加改进的和改进的基于Logistic映射的混沌-BFGS法，基于Kent映射的混沌-BFGS法，Monte Carlo试验-BFGS法，网格-BFGS法进行了研究，分别对3个低维和2个高维非线性复杂测试函数进行优化计算，对它们的全局优化计算效率和寻优能力做了比较，并探讨了混合优化方法全局优化性能差异的原因。结果表明，混沌优化方法是与Monte Carlo方法类似的一种随机性试验优化方法。而且，这类优化方法的计算性能至少与以下因素有关：混沌／随机序列的统计性质，优化问题全局最优点位置。     

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.