结构可靠度的一种计算方法

提出一种推广一次二阶矩法的算法,解决了关于相关正态随机向量的非线性极限状态方程下结构可靠度计算问题,在理论上论证了方法的可行性,实例计算表明了方法的有效性。     

结构可靠度计算方法综述

对现有的结构可靠度计算的解析方法进行了分类与总结,分析了每种方法的特点及应用的适用范围.     

结构可靠度计算方法分析

针对工程人员在进行结构可靠度分析时不能选择最佳的计算方法的问题,采用分类比较的方法,系统分析了计算可靠度的基本方法一次二阶矩法、高次高阶矩法、响应面法、蒙特卡罗法、优化法、随机有限元法.概括了每一种计算方法的特点及优缺点,指出了它们的适用条件和应用范围,为工程人员选用合理的方法进行结构可靠度计算提供一个有价值的参考.     

基于双判据失效准则的结构可靠度计算方法

根据结构可靠指标的几何意义,建立了基于R6双判据失效准则下正态随机变量和非正态随机变量的结构可靠度计算的优化模型,并利用基于最优化原理的Monte Carlo法对其求解,无需对非线性功能函数作线性化近似处理,也减少了迭代次数,在概率断裂失效判据上进行改进,从而提高了结构可靠度的计算精度,扩大了其适用范围,为结构可靠度分析提供了一种思路.     

结构可靠度计算的Gauss-Hermite积分方法

高精度的可靠度计算方法是结构可靠度研究的基本内容之一,根据结构失效概率取决于失效面上验算点区域局部特性的特点,应用高效的Gauss-Hermite积分,研究了结构失效概率的计算问题,分析方法为在标准正态空间内对坐标轴进行旋转,使第n个坐标轴通过验算点且正交于极限状态曲面,然后在新的坐标系内布置Gauss-Hermite积分的节点并进行计算,由于Gauss-Hermite积分的高效性,一般情况下每一个坐标轴只需布3或5个点即能获得较好的计算结果,通过两个算例说明了上述方法的可行性,该方法既可用于精确计算结构的失效概率,也可用于其他各种可靠度近似方法计算结果的校核。     

支持向量机的SMO算法及其自适应改进研究

提出在SMO算法上应用自适应学习的思想,并利用求解凸二次规划寻优问题的基础上进行改进的研究.研究表明,基于自适应学习的思想对SMO算法进行改进,可使SVM算法更能适应实际应用快速、高效的需求.     

结构可靠度计算方法综述

本文较全面地介绍了国内外建筑领域中现有可靠度的计算方法,并对这此方法的优缺点进行了分析比较,为实际建筑结构的可靠度分析提供了参考;指出了目前结构可靠度计算方法的研究热点和今后此课题的研究方向。     

基于元件可靠度的结构优化方法

针对基于元件可靠度或各失效模式可靠度的结构优化的数学模型,采用均值一次二阶矩法,直接将 随机优化问题化为确定性的优化问题来求解,所给算例说明了其有效性和实用性。     

基于矩阵力法的杆系结构可靠度计算方法

在基于矩阵力法的单位载荷算法计算出杆系结构破坏过程中结构内力的基础上，使用一次二阶矩法计算了元件的可靠度，并通过结构失效的判断准则确定结构失效路径，采用分枝-限界法从众多的失效模式中搜索结构的主要失效模式。使用PNET方法计算了结构的失效概率。     

基于矩阵力法的杆系结构可靠度计算方法

在基于矩阵力法的单位载荷算法计算出杆系结构破坏过程中结构内力的基础上 ,使用一次二阶矩法计算了元件的可靠度 ,并通过结构失效的判断准则确定结构失效路径 ,采用分枝 -限界法从众多的失效模式中搜索结构的主要失效模式。使用PNET方法计算了结构的失效概率。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。     

基于支持向量分类机的结构可靠度分析

本文将支持向量分类机(SVC)引入到结构可靠度计算分析中,采用拉丁超立方抽样法进行初始输入训练样本的实验设计,将支持向量分类机作为响应面函数,并利用遗传算法进行参数优化,最后结合蒙特卡罗模拟提出了基于支持向量分类机的改进响应面法,其主要思想为：定义“重要性”判定函数,在迭代过程中,按判定函数值从抽样样本中选取新的训练样本,使支持向量分类机的模拟功能函数在对失效概率有较大贡献的区域内能更进一步地接近真实功能函数,从而大大提高可靠度分析的精度以及效率。     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

基于SVM的分类算法与聚类分析

运用结构风险最小化原理和聚类原理，将支持向量机中有监督的分类算法与统计中无监督的聚类算法有机地结合起来。对线性可分与线性不可分两种情况分别建立了无监督的分类模型，模型的求解转化为一个二次规划问题。同时此模型也适合于多分类情况，在应用到心脏病的医疗诊断中，准确率为88．5％，较以前的方法有了明显的提高。     

一种鲁棒回归支持向量机及其学习算法

为了提高支持向量机的泛化能力,给出了一个鲁棒损失函数,利用它建立了鲁棒支持向量机,并利用对偶原理推导出其对偶优化问题的形式,在此基础上设计了局部梯度算法,在这种算法中每次迭代只改变两个优化变量的值。随后分析了算法的收敛性条件,给出了学习步长的选择依据,最后用一个仿真实例来说明所提出的支持向量机的学习性能,比标准支持向量机具有更好的鲁棒性。     

基于支持向量机算法的网站分类器构造方法

首先研究了基于向量空间模型的网站文本特征建模技术，同时根据实际网络的复杂程度和分类特点，采用支持向量机（support vector machine，SVM）来构造分类器。网站分类实验结果表明这种基于SVM的分类器具有模型简单、分类准确性较高等优点，具有较好的网站分类适用性。     

最小二乘模糊支撑向量机研究

支撑向量机是以统计学习理论为基础,以结构风险最小化（Structure Risk Minimization,SRM）为原则的新型学习机,已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。在对已有的分类问题的SVM算法的研究分析基础上,结合Lin和Wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型得出最小二乘模糊支撑向量机模型。     

基于最小二乘支持向量机的自适应逆控制

主要针对基于最小二乘支持向量机的自适应逆控制方法进行了研究.初始过程的逆模型,建立了基于最小二乘支持向量机,并通过剪枝算法将支持向量的数量减少.在这种自适应逆控制机制中,逆模型通过递归最小二乘算法更新,控制器依据ε-滤波进行在线调整.仿真结果表明,该辨识方法具有良好的逼近能力,且自适应逆控制系统具有良好的鲁棒性.