基于支持向量机回归的机械零件可靠性分析

针对机械零件中隐式极限状态方程的可靠性分析,提出了一种基于支持向量机回归的机械零件可靠性分析方法.将支持向量机回归作为隐式极限状态方程的重构工具,用训练后的支持向量机模型替代隐式极限状态方程,结合改进的一次二阶矩法,给出了基于支持向量机回归的机械零件可靠性分析流程,并用2个算例验证了该方法的可行性、正确性和计算精度.结果表明,该方法能够正确有效地解决机械零件可靠性分析问题,具有一定的工程实用价值.     

基于支持向量机和蒙特卡洛的结构可靠性分析方法及应用

将支持向量机作为极限状态函数重构的工具引入结构可靠性分析问题中,并结合蒙特卡洛方法,分别给出了模式识别型和函数回归型两种支持向量机（SVM）模型应用于结构可靠性分析的计算流程图。结合数值算例,对两种支持向量机模型在结构可靠性问题的应用方面进行了对比,并研究了训练样本数目、核函数类型、模型参数的取值以及随机变量数目等因素对可靠性分析结果的影响。最后以某自升式平台为工程对象,进行了考虑多个随机变量的结构可靠性评估。结果表明：在应用支持向量机方法进行极限状态函数重构时,无论是模式识别型SVM模型还是函数回归型SVM模型均可取得良好的效果,前者对模型参数的敏感程度大于后者;支持向量机理论作为极限状态函数重构工具与蒙特卡洛方法相结合,可有效解决大型复杂工程结构可靠性分析精度和效率问题。     

基于支持向量回归的响应面可靠度计算

 针对可靠度计算问题中极限状态函数比较复杂或为隐式的情况,提出了一种基于支持向量回归的响应面可靠度计算方法。该方法通过支持向量回归来拟合极限状态函数,所得函数偏导数计算简单,便于进一步采用常规的一次或二次可靠度方法进行求解。该方法首先用拉丁超立方抽样方法产生训练所需样本,通过支持向量回归构造极限状态函数的替代函数,然后用可靠度计算中比较常用的梯度优化法计算其可靠指标或失效概率。算例结果证明了本文方法的可靠性和有效性。     

基于支持向量回归机的结构非概率可靠性分析

将支持向量机回归技术引入隐式极限状态结构的非概率可靠性分析,基于未确知信息的分段均布描述模型,设计了训练样本抽取策略．为了统一样本尺度,根据分段均布模型与标准化区间均布模型的双射关系,将基本变量区域中的样本数据转化成标准区间变量域中的样本数据,保证了支持向量机训练的稳定性．给出了SVR预测模型算法,并实现了在标准化区间变量域中直接抽取训练、测试及预测样本,使得样本抽取和蒙特卡罗模拟计算更便于实现．通过算例对方法的精度和可行性进行了验证,结果表明：该方法可解决隐式极限状态结构的非概率可靠性分析问题,且应用简便．     

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.     

基于人工神经网络的框架结构可靠性分析

为了解决结构可靠性分析中的非线性问题,将人工神经网络和Monte Carlo法相结合,利用训练后的网络模型对大范围的数据进行概率分析,得到了极限状态函数值的数字特征,求得结构系统的可靠性指标.该方法为复杂结构系统和极限状态函数无法显式表达的结构系统的可靠性分析提供了一个新途径.     

基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.     

基于支持向量机响应面的车身部件声特性优化

针对车身部件声学特性优化中计算设计灵敏度复杂和传统响应面法准确度较低的问题,提出用支持向量回归机方法构造响应面.支持向量机根据结构风险最小原理,具有小样本学习性能.本文用最小二乘支持向量机(LS-SVM)构造汽车地板部件的模态频率、域点声压的响应面,对其优化找到最优点.结果表明:与最小二乘法相比,支持向量机构造的响应面更接近仿真试验,优化结果与实际最优解更为接近.     

深度信任支持向量回归的耕地面积预测方法

针对目前浅层机器学习预测方法所需学习和训练的样本过大及拟合复杂数据能力弱等不足,提出一种基于深度学习思想的深度信任支持向量回归(support vector regression,SVR)的耕地面积预测方法.首先,搭建由1层高斯分布函数显层节点的RBM、多层隐层RBM和1层支持向量回归机构成的深度信任支持向量回归预测模型;其次,选取较为合适和易得的训练数据,通过样本训练和测试确定预测模型的具体结构参数;最后,通过实验将深度信任支持向量回归耕地面积预测方法与其他典型的耕地面积预测算法相比较.结果表明,提出的耕地面积预测方法可行、有效,在相同的数据和平台下,其预测精度高于其他具有代表性的耕地面积预测算法.     

一种新的蒙特卡罗随机有限元方法

针对岩土工程可靠性分析的功能函数是隐式函数或高次非线性函数的特点,提出并从理论上论证隐式功能函数和高次非线性功能函数可靠性问题的新解法,即基于径向基网络的蒙特卡罗随机有限元方法;给出计算框图和计算步骤.以钢筋混凝土浅基础和某矿山矿柱为例,说明其在岩土与采矿工程中的应用.研究结果表明,采用蒙特卡罗随机有限元方法可直接使用确定性有限元分析程序而无需任何改动,对于极限状态函数不能用显式表达和高次非线性的可靠性问题都适用.     

响应面方法在可靠性灵敏度计算中的应用

简要叙述了应用响应面方法获取极限状态函数(该极限状态函数具有二次多项式响应面函数的特点)的过程.提出了利用这种极限状态函数进行可靠性灵敏度分析的方法,举例证明该方法可用于极限状态函数未知的情况,并推导了相关计算公式.用响应面方法获取的极限状态函数天然地包括一、二次项和交叉项的信息,不仅使可靠性灵敏度的计算简单易行,而且使计算精度大大提高.最后以热疲劳裂纹为例,计算了其不发生失稳扩展的可靠度及各个随机变量的可靠性灵敏度.     

波束形成算法指向误差时的稳健性研究

为有效克服期望信号方向存在指向误差而导致的阵列流形向量失配的问题,提出了一种基于支持向量回归机的波束形成方法.该方法在分析线性约束最小方差波束形成器的基础上,将支持向量机的损失函数引入到线性约束最小方差波束形成器的最优化问题中,从而使基于结构风险最小化原理的支持向量回归机算法与波束形成算法相结合.通过MATLAB仿真实验,在没有失配的理想情况和期望信号存在方向向量失配的情况下,选取不同的支持向量机参数以及信噪比,分析对2种损失函数的基于支持向量机的波束形成算法.仿真实验结果表明,该算法在期望信号方向存在指向误差时,依然能够保持较好的系统输出信噪比,具有一定的稳健性.     

基于SVM的函数模拟

支持向量机在高维空间中表示复杂函数是一种有效的通用方法, 提出了采用基于支持向量机的非线性回归法求解函数模拟问题.     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于极变换与稀疏响应面的滚动轴承游隙可靠性分析

基于极变换提出一种选点方法,并结合稀疏响应面对滚动轴承游隙进行可靠性分析.构建响应面时,根据极变换后安全与失效类样本点在平面内的聚集性与可区分性,每一步迭代时增加临界样本点并对其进行拟合.为了避免过拟合,根据误差预测标准以及交叉验证方法对多项式响应面中最重要的项进行筛选.在建立滚动轴承游隙可靠性问题的极限状态函数时,考虑过盈装配、温度变化和离心力因素的影响,并基于有限元方法计算工作游隙.最后根据显式化的极限状态函数计算了轴承游隙可靠度.研究内容不仅为滚动轴承的设计提供了理论依据,而且为多维隐式可靠性问题的分析提供了一种参考途径.     

基于混合核函数支持向量机的回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和Sig核函数进行有效的线性混合,给出一种新的支持向量机的混合核函数,并提出一种基于再生核的混合核函数支持向量机回归模型,该回归模型兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低.仿真实验结果表明:最小二乘支持向量机的核函数采用基于再生核的混合核函数是可行的,回归的效果比单核函数可以更为细腻.     

基于粗糙集和支持向量机的深基坑工程风险评价

利用粗糙集和支持向量回归机的理论和方法,建立基于粗糙集和支持向量回归机相结合的风险评价模型。结合深基坑工程风险评价的实例,将约简后的评价指标输入到支持向量回归机中训练,构建评价模型,而在模型的构建中采用了高斯径向基核函数。最后将指标约简前后所得的评价结果分别与基于粗糙集和神经网络的评价所得的结果进行比较,采用粗糙集和支持向量回归机的评价法具有更好的评价效率。     

基于支持向量机的机械设备状态趋势预测研究

提出了用支持向量机对机械设备状态趋势进行预测的新方法,构造了相应的支持向量回归机,并分别用仿真数据和实际数据对其性能进行了验证．将该支持向量回归机应用于某机组振动信号的预测,采用径向基核函数和合适的参数,使该向量回归机对振动量峰峰值的单步预测误差小于2％,24步预测误差小于5％,表明该算法对机械设备的运行状态趋势具有较好的预测能力．     

基于对分区间抽样法的结构可靠性灵敏度分析

针对工程结构系统的极限状态方程通常为隐式,且计算工作量较大的情况,提出一种基于对分区间抽样法的结构可靠性灵敏度分析方法.所提方法综合结构可靠性分析验算点法和对分区间抽样法思想,先根据Taylor公式将初始点附近的状态方程线性展开,依据梯度信息确定最优步长;之后,采用对分可靠度指标β抽样步长区间的方法来确定新的抽样点;最后,经过若干次迭代找出满足结构系统精度要求的设计验算点(MPP),计算可靠度,并根据抽样路径信息算得各影响参数对应的灵敏度.给出了数值算例和工程算例,通过与以往解决隐式结构的可靠性分析方法比较,结果显示所提方法具有收敛可靠、抽样次数少的优点,尤其适用于分析大型复杂隐式结构系统可靠度问题.     

基于可靠度敏感性的神经网络法研究边坡稳定性

针对边坡工程结构功能函数不能显式表达的可靠性分析问题和非线性问题计算量大的弊端．研究结构可靠度敏感性,提出参数的相对敏感性分析方法,并基于该方法提出了神经网络法分析边坡稳定性。具体思路：由可靠指标对随机变量分布参数的相对敏感性分析,确定边坡可靠度主要影响参数;用神经网络模型近似替代响应量与基本变量间的隐式极限状态函数,根据蒙特卡罗模拟法,对网络模型进行可靠度分析,求解结构可靠度指标。基于可靠度敏感性的神经网络法．对均值和成层边坡进行稳定性分析,与传统可靠度计算方法相比．结果表明：该方法分析边坡稳定性是准确的且具有较高的计算效率。