基于神经网络的蒙特卡罗可靠性分析方法

在结构可靠性分析中,蒙特卡罗(MC)是最准确的方法,但是对大量样本点的精确计算限制了它在工程实际中的应用.为了减少分析次数,以BP(Back Propagation)神经网络技术为基础,提出了一种改进的MC方法(BP-MC).该方法通过进行实验设计(DOE)构建BP模型,以权重因子和到失效面的距离作为筛选准则,从MC样本点中筛选出失效面附近的点添加至训练集,重新训练BP模型直至满足收敛准则.随后以该BP模型识别样本点是否处于失效域,从而计算结构的失效概率.最后,以数学模型和加筋板极限强度可靠性计算为例,验证了BP-MC算法的准确与高效.     

支持向量机和粒子群优化的可靠度算法

针对非线性隐式极限状态方程的可靠度指标计算,将支持向量机和粒子群优化算法相结合,提出了一种结构可靠度算法.首先结合支持向量机不受样本点限制的优点,将历次迭代产生样本点加入本次迭代样本点中,采用支持向量机对样本点进行训练,然后引入粒子群优化算法计算可靠度指标,解决迭代过程中支持向量机回归模型可靠度指标计算震荡不收敛的情况,最后根据可靠度指标收敛得到的支持向量机回归模型,采用重要抽样法计算失效概率.计算结果表明:该方法得出的失效概率具有较好的精度,特别是针对迭代过程中可靠度指标不收敛的情况具有良好的适用性.     

一种基于Kriging模型的机械结构可靠性分析方法

通过分析现有机械结构可靠性抽样方法存在的不足以及影响失效概率估计精度的主要因素,提出了一种基于Kriging模型及自适应抽样方法的机械结构可靠性分析方法.该抽样方法将随机抽样与聚类算法相结合,能够在概率上保证新增样本点落在对失效概率贡献较大的区域,避免对非重要区域的不必要抽样.以大数定律及中心极限定理为基础,推导了所提出的Kriging模型的收敛条件.通过两个算例说明所提出方法的迭代收敛过程、准确性及稳定性,结果表明,该方法能够在较少调用结构功能函数情况下得到失效概率较准确的估计值.     

基于Kriging和Monte Carlo的动态可靠性算法

首次穿越法可以得到失效概率随时间的变化,但是计算复杂提高计算成本.拟静态法计算量较小但是只能得到给定时间段对应的失效概率值,不能得到其变化趋势.针对以上问题,本文结合Kriging模型和Monte Carlo方法提出一种动态可靠性分析方法AK-MCS-T.AK-MCS-T即拥有拟静态法计算量小的优点又可以给出失效概率随时间变化情况.为提高Kriging模型精度,AK-MCS-T提出一种新的选点准则.新的选点准则不仅考虑到样本点处基于Kriging模型的响应估值符号判断错误的概率,还考虑了该样本点对应的概率密度.同时,为保证方法计算结果的准确性,AK-MCS-T提出了新的学习停止条件.最后通过腐蚀梁结构和悬臂管结构证明了新方法的高效性和准确性.     

基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法

概率数据关联是多源信息融合算法中的关键问题,本文主要对基于雷达和电子支援措施(ESM)双传感器融合的数据关联问题展开研究.由于雷达和ESM传感器方位角数据分布近似相同,可以通过对ESM数据的分析得到判别函数,使用相应的判决规则对点迹和航迹进行关联,这本质上可以看作是一个模式识别问题.本文考虑到支持向量机(SVM)模型在模式分类中的良好表现,建立了基于SVM的雷达ESM系统的点迹-航迹关联模型,使用ESM传感器航迹数据训练SVM模型,对雷达点迹数据进行分类,获得关联结果.最终模拟结果表明:与经典的多假设跟踪算法相比,所提出的算法可有效提高关联准确率.     

大跨度斜拉桥结构系统可靠度评估

为实现桥梁结构系统可靠度的快速评估,将响应面法、有限元法、β约界法和条件概率乘积算法等方法各自优点相结合,提出了1种计算结构系统可靠度的近似方法.该近似方法采用响应面法和有限元法构造结构单元的极限状态方程,并计算可靠指标;采用β约界法和条件概率乘积算法建立结构系统,并计算失效概率.应用计算结构系统可靠度的近似方法进行了...     

基于跨域字典学习算法的人体行为识别

将一种跨域字典学习算法应用于人体行为识别中, 通过引入辅助域数据集, 与原始训练集（目标域）共同进行字典学习, 获得字典对, 进而得到动作类的稀疏编码, 有效扩充了训练集的类内多样性. 该算法为字典学习与训练分类相结合的学习框架, 可利用字典对学习过程中的重建误差进行分类. 实验在MATLAB仿真条件下进行, 将UCF YouTube数据集作为原始训练集, 将HMDB51数据集作为辅助域数据集, 选取两个数据集动作类别一致的7个动作, 根据提出的算法流程进行识别. 将该方法与其他两种人体行为识别算法进行对比. 结果表明, 该方法识别率显著提高, 证明了跨域字典学习算法在人体行为识别上的有效性.     

一类新的自适应信赖域算法

提出了一类新的自适应信赖域算法.该算法利用相邻迭代点的实际下降量与预测下降量的比值加权和来衡量二次模型的近似程度,同时信赖域半径迭代准则采用由Λ-函数给出的一类自适应迭代准则.在一定假设的条件下,算法具有传统信赖域算法的全局收敛性.数值实验表明,算法是稳健和有效的.     

一种自适应PC-Kriging模型的结构可靠性分析方法

为提高小失效概率及耗时的复杂结构可靠性评估精度和效率,提出了一种基于PC-Kriging(polynomial-chaos-based Kriging)模型与自适应k-means聚类分析相结合的结构可靠性分析方法.PC-Kriging的回归基函数采用稀疏多项式最优截断集合来近似数值模型全局行为,并用Kriging来处理模型输出的局部变化.在基函数的建立上,PC-Kriging采用最小角回归(LAR)计算功能函数可能的多项式基函数集的数量,同时用Akaike信息准则(AIC)来确定最优多项式形式.自适应k-means聚类分析确保每次迭代添加若干个对失效概率贡献较大的样本点.通过两个数值算例分析,结果表明所提出方法在能够保证失效概率估计值的有效性和准确性的同时减小结构功能函数的评估次数.     

不等概率抽样估计的原理与应用

不等概率抽样估计是一种十分有效的抽样推断方法．它在以样本估计总体时是应用一个与所要调查的目标变量相关的辅助变量作为样本单位抽选的概率，能使得对总体指标数值影响大的单位赋予大的抽中概率，同时在构造样本指标时，可利用辅助变量值对目标变量值进行调整，增大了样本对总体的代表性，由此抽取的样本和依据样本计算的样本指标就更接近于总体指标．     

基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。     

基于概率LS-SVM 的多标签非均衡样本分类算法

针对多标签分类问题,提出了一种面向样本不均衡及类属不确定性的多标签分类算法。首先,结合“一对一”分解策略和贝叶斯理论,将多标签数据集分解为单标签数据子集,并利用Parzen窗方法估计子集样本后验概率,对类标签进行了基于概率的不确定性表示。然后,在融合概率类标签和LS-SVM模型的基础上,利用样本差异信息来调节惩罚参数值,建立了考虑样本不均衡的概率LS-SVM子分类器模型。依据正态分布的3σ原理,设计了子分类器决策阈值确定方法。最后,结合实例对算法进行了性能分析,结果证明了新算法的合理性和有效性。     

基于粒度和信息熵的并行支持向量机算法

针对大数据环境下并行支持向量机(support vector machine,SVM)算法存在噪声数据较敏感、训练样本数据冗余等问题,提出基于粒度和信息熵的GIESVM-MR(the SVM algorithm by using granularity and information entropy based on MapReduce)算法.该算法首先提出噪声清除策略(noise cleaning,NC)对每个特征属性的重要程度进行评价,获得样本与类别之间的相关度,以达到识别和删除噪声数据的目的;其次提出基于粒度的数据压缩策略(data compression based on granulation,GDC),通过筛选信息粒的方式保留类边界样本删除非支持向量,得到规模较小的数据集,从而解决了大数据环境下训练样本数据冗余问题;最后结合Bagging的思想和MapReduce计算模型并行化训练SVM,生成最终的分类模型.实验表明,GIESVM-MR算法的分类效果更佳,且在大规模的数据集下算法的执行效率更高.     

基于小数据集贝叶斯网络建模的偏差源诊断方法

针对装配过程尺寸偏差的小样本检测条件,提出了基于条件独立性检验的结构学习算法,结合柔性装配偏差关系模型,推导了贝叶斯网络子节点的先验条件概率,将小数据集与先验概率融合并获得贝叶斯网络参数,实现了装配偏差影响因素的贝叶斯网络建模,并用于某车型侧围装配过程的偏差源诊断.结果表明,所提出的偏差源诊断方法具有较高的准确性.     

主瓣掩护式干扰下单脉冲雷达目标检测方法

针对单脉冲雷达在目标与干扰视线夹角变小时抗干扰性能显著下降的问题,提出了一种基于分布式辅助天线的改进型单脉冲雷达抗主瓣掩护式干扰方法。对雷达系统添加分布式辅助天线,以抗干扰改善因子最大化为准则,综合运用单脉冲雷达的和、差波束及分布式辅助天线波束在波束域进行自适应干扰抑制,最后利用恒虚警检测验证所提算法的抗干扰性能,并与其他方法进行了对比。数值仿真验证了所提抗干扰方法可有效提升抗干扰改善因子及目标检测概率,当目标、干扰视线夹角较小时亦具备较好的抗干扰性能。     

考虑边界稀疏样本的非平衡数据处理方法

针对现有非平衡数据处理方法存在的局限性,提出一种考虑边界4稀疏样本的混合采样方法(considering boundary sparse samples-hybrid sampling,CBSS-HS)。通过计算每个样本的边界因子识别边界点,将样本空间划分为边界域和非边界域,对非边界域内的负类样本进行欠采样,而由于边界域上样本的稀疏性,对其上正类样本使用基于最大距离的合成少数类过采样技术(max distance-synthetic minority oversampling technique,MD-SMOTE)进行过采样,最大限度地保留正类样本的信息,最终达到2类样本基本平衡。将Recall,F1-value,G-mean和AUC(area under the curve)值作为评价指标,使用CBSS-HS+支持向量机(support vector machines,SVM)算法在5个不同平衡度的数据集上验证其有效性,并与其他4种组合模型的分类效果做对比。结果表明,提出的CBSS-HS算法在不同数据集上各个评价指标都有良好的表现,平均提高了4.6%。因此,该方法可以作为处理非平衡数据的一种有效手段。     

一种支持向量预提取方法及应用

提出了一种支持向量预提取方法,对核感知机误分次数与决策边界的关系作了分析,引入了核函数和误分界,利用结构简单的感知机算法构建支持向量预提取模块,压缩样本规模,然后将处理结果输入支持向量机进行再处理,在精度和处理速度方面取得了较好的效果,仿真实验验证了这一方法的可行性。     

基于改进SVM的车辆传动系统故障诊断方法

利用车辆传动系统试验数据对车辆进行故障诊断和性能评价可以实现车辆故障预警,提高可靠性,从而提高车辆性能,但测试数据有数据量大、不平衡、维度高、噪声多的特征,使得传统数据分析算法会产生次优的分类模型.针对上述问题,提出了一种改进的不平衡数据分类支持向量机算法.该算法赋予各样本不同的权值,用马氏距离改进模糊隶属度的设计以排除变量相关性干扰,同时可以输出正常状态下的故障概率.实验结果表明,该算法能够有效提高故障诊断的准确性,概率输出模型可用于故障预警和性能分析.