基于BMO算法的梁冲击荷载识别

采用新兴群智能优化算法(bird mating optimizer,BMO),对作用于梁上的三角冲击荷载参数进行识别。建立梁的动力学方程,并用有限元法进行离散,获得其受冲击荷载时所产生的动态响应。然后,将参数识别反问题转化为一个优化问题,基于响应的计算值与相应的测量值误差的最小二乘构造目标函数。通过BMO算法对目标函数进行寻优求解,获得冲击荷载的位置、大小和作用时间几个参数。研究表明:在噪声条件下提出的方法也能成功识别作用于梁上各位置的三角冲击荷载,且BMO优于其他传统元启发式算法,具有一定的工程应用前景。     

基于扩展有限元和改进海豚回声优化算法的损伤识别方法

提出了一种基于扩展有限元和改进海豚回声算法的方法,对结构中损伤的位置和尺寸进行识别。该方法在获得实际结构测量响应后,运用改进海豚回声算法对实际响应与扩展有限元模拟结构响应之差进行最小化,优化损伤参数,实现对损伤的估计和识别。在改进的海豚回声算法中,提出了一种搜索范围动态变化的寻优机制,增加了初搜索、精搜索、平移搜索、回溯搜索和重搜索等五个过程,相比原算法有较高的效率和较好的收敛性能。通过数值仿真方法验证了所提出的改进算法以及损伤识别方法的合理性和有效性。     

基于凸包算法的指尖识别方法

针对现有指尖检测方法容易受背景的干扰,并且指尖误判点较多的情况,提出了一种基于凸包分析的指尖检测算法。首先,为减少类肤色背景和光照对手部轮廓提取的影响,采用YCbCr肤色模型和背景差分法相结合的方法提取手部轮廓;然后采用快速凸包算法获得手部轮廓的凸包,并利用凸包顶点和缺陷点计算出掌心的坐标,根据凸包缺陷深度和手指几何特征及曲率特征检测手指指尖;最后采用有灯光和类肤色背景干扰的环境,而不是背景单一的环境进行实验,验证了所提算法的鲁棒性。实验结果表明,该算法可以有效识别出指尖数目和手掌的位置,实现简单的数字手势（0~5）的识别,具有较强的鲁棒性。     

基于分级遗传算法的结构损伤识别方法

提出了一种基于遗传算法的利用不完整振动数据识别结构损伤的新方法，该方法首先扩展不完整的振型并利用单元能量熵差比确定结构损伤的大致位置，然后采用二级搜索策略，借助遗传算法确定结构损伤的程度，数值计算结果表明，当可能的损伤区域较大时，本方法较直接搜索策略更能有效地确定结构损伤的程度。     

基于轴向振动的结构损伤识别方法

在理论上推导悬臂梁轴向振动微分方程及其3种支座形式的解析解的基础上,提出了一种基于轴向振动的结构损伤识别方法.该方法以轴向振动的低阶模态振型的二阶导数为损伤指标,无需结构损伤前的完好动力指纹.该指标对结构损伤的位置和程度均很敏感,既能精确定位损伤,又能标定损伤程度,即在损伤位置将发生相反方向的突变,且突变幅度随损伤程度的增大而增大.最后对方钢管构件进行了试验,测试结果证明了该方法的可行性.     

基于改进解析冗余度的损伤识别方法

提出一种采用无损指标和损伤指标相结合进行损伤识别的改进解析冗余度方法。该方法通过剔除求解方程组中与损伤单元相关的方程,补充与损伤单元无关的方程,构造出新的求解方程组进行求解。在新模型中,与损伤单元无关的约束条件构成无损指标,相关的约束条件则构成损伤指标。同时,采用结构无阻尼振动方程建立约束满足问题模型,提出了改进解析冗余度方法在结构动力测试方面的理论。通过数值算例验证所提出方法在结构静动力方面单、多损伤识别的有效性,也证明了该方法在一定数据误差及模型误差下的适用性。最后,设计了钢梁静、动力试验。试验结果显示,所提出的方法能够定位结构较小的损伤,并且损伤指标较为明显。该方法在梁式结构的损伤识别和安全评估中具有一定的工程实用性。     

基于频率变化的结构损伤识别方法

结构频率具有容易测量且数据比较精确的优势．论文对两种基于频率的损伤识别方法进行了评述，分别指出了它们的特点和不足，提出了把两种方法结合起来进行结构损伤识别的新思路，并以悬臂粱为例进行了验证。     

基于并行基因算法的语音识别方法

提出一种基于并行基因算法的孤立字识别时间规正算法，该算法是在［３］的基础上提出，可解决动态时间规划（ＤＴＷ）难以解决的一些问题：①使距离归一化因子Ｍ与实际路径相关；②以自然方式提供多条最佳规划路径；③语音端点检测正确性对识别率的影响得到一定程度的改善。建立了试验数据库，根据试验数据建立了模板距离遵循正态分布的算法性能分析模型。比较了并行基因算法，串行基因算法［３］和动态时间规划算法的性能。试验结果表明：基因算法比动态时间规划能得到更高的识别率，在单ＣＰＵ情形下，虽然并行基因算法的性能比串行基因算法略微提高，但至少可节约三分之一的ＣＰＵ时间     

基于GN算法的重叠社区识别方法

针对社会网络中的重叠社区识别问题,提出用从属度描述节点对不同社区的紧密程度,并把模块度扩展到重叠社区的识别.基于Girvan和Newman提出的非重叠社区识别(GN)算法设计了重叠社区的串行识别算法.基于MapReduce模型设计了并行识别算法,以提高识别效率.对模块度与重叠度进行了分析,结果表明:所提出的算法在计算机科学文献网络中能有效识别重叠社区,且运行效率优于已有重叠社区识别算法.     

基于混合遗传算法的图像分割识别方法

本文基于遗传算法（GA）与共轭梯度法（CG）,提出了一种混合算法,将其用于图像分割问题寻求最佳阈值,该方法具有遗传算法的全局搜索能力和共轭梯度法的强大局部搜索的特点。试验结果表明,新算法具有快速收敛性和全局最优性。     

基于振动特性的损伤识别方法的研究进展

对基于振动特性的损伤识别方法做了比较详细的综述.介绍了基于振动特性的损伤识别技术的基本问题及其在土木工程中应用的历史发展与现状,并对有关方法进行了总结和评述.最后指出了基于振动特性的损伤识别方法还需要进一步解决的问题.     

基于时间序列模型的结构损伤识别方法

针对现有结构损伤识别方法中因模型参数物理意义不明确而导致的损伤信息遗漏等问题,提出一种基于时间序列模型的损伤识别方法.首先,推导了具有外部输入的自回归模型(ARX)的一般表达式,并通过联立多自由度体系运动方程建立了考虑结构动力特性的ARX模型.随后,运用该模型预测得到未损伤情况下的节点加速度时程序列,根据其与实测数据的差异程度构造表征结构损伤的参数,即损伤因子.最后,根据损伤因子数值大小与分布情况评估结构损伤状态.数值算例结果表明,该方法在较少的测量数据样本下,能够较好地识别单位置与多位置损伤,并可较为准确地判断损伤程度,同时识别结果受激振位置与测量噪声的影响较小.     

基于区间分析的框架结构不确定性损伤识别方法

考虑实际结构易受荷载、环境温度和测试噪声等不确定性因素的影响,笔者基于区间分析原理提出框架结构不确定性损伤识别方法。利用测试的结构加速度响应数据,建立向量自回归模型,并采用其系数矩阵主对角线的马氏距离作为损伤特征指标。基于粒子群算法建立区间优化求解方法,并与传统的区间组合法和区间叠加法对比。通过提出的区间重叠率指标和区间名义值分别实现损伤定位和损伤程度的识别。数值模拟和实验室框架结构试验结果表明,区间分析能在测试数据较少时实现损伤识别,为损伤识别在实际结构中的应用提供了理论基础和技术手段。     

基于柔度矩阵的结构损伤识别方法

由于实际工程应用中高阶模态振型及频率较难测量,而柔度矩阵可以从低阶模态参数较精确获得,本文探讨了用柔度法对结构损伤进行识别与定位。通过对一简支梁的损伤数值模拟,采用低阶模态参数构建的柔度损伤标识量来进行损伤识别,计算结果表明:采用结构的柔度曲率对梁的损伤位置识别,既对损伤反应较敏感又可避免使用损伤前结构的模态参数;柔度曲率差值对结构损伤识别有较高的灵敏度,是较理想的损伤标识量。     

基于振型导数的混凝土梁损伤识别方法

基于弯曲梁横向振动理论,得到常数因子a4,它是振型的四阶导数与振型的比值.不同区域常数因子a4的不同意味着局部刚度的改变,局部刚度的改变意味损伤的存在,因此可将常数因子a4可以作为损伤指标.运用ANSYS软件对局部损伤的钢筋混凝土梁进行数值仿真,得到前四阶模态振型,然后进行数值分析.结果表明,基于振型导数的损伤指标可以对混凝土结构进行损伤定位和损伤程度的识别.     

基于归纳学习的结构损伤识别方法研究

采用归纳学习方法来识别结构损伤．首先，通过对经典的决策树算法和序列覆盖算法进行结合与改进，得到一种高效且代价又小的归纳学习算法(RAC)，同时引入装袋算法产生多个分类法，并用它们进行类预测，而且使用选票策略得出最佳类预测．其次，用正交最小二乘迭代算法作为径向基函数(RBF)神经网络的学习方法，通过“信息一贡献”准则进行正交变换来优选中心．最后，对上述归纳学习方法用于梁结构损伤定位的效果进行了实验评估．结果表明，对于RAC算法和生成分类法的数目分别为10和50情况下的装袋算法，当损伤样本被噪声污染程度在100％时，识别精度均可达到90％以上，而对于RBF神经网络算法，只有当损伤样本被噪声污染程度小于70％时，识别精度才可达到90％以上。     

基于改进信赖域的结构损伤识别方法

提出了基于柔度的最小二乘目标函数,极小化结构实测模态柔度与分析模态柔度之间的误差,将损伤识别问题转化为二次优化问题;采用信赖域方法求解该问题,使优化过程具有更强的鲁棒性和可靠性,同时解决了柔度灵敏度方法应用在复杂结构中的问题。最后,通过某导弹发射台的骨架损伤数值仿真,验证了该方法的可行性和有效性。     

基于功率谱灵敏度的子结构损伤识别方法

提出功率谱灵敏度与子结构缩聚技术结合的损伤识别方法,在分析响应功率谱对结构单元面积灵敏度的过程中采用差分法,解决了求解参数的偏微分较困难的问题;并将整体结构划分为若干子结构,对未损伤子结构采用Guyan缩聚技术,通过功率谱灵敏度分析的方法对缩聚结构进行损伤识别,该方法只需测量结构的少数几个自由度的响应就可以达到损伤检测的目的.最后,通过1个三层两跨的刚架模型验证了该方法的有效性.     

基于模型嵌入循环神经网络的损伤识别方法

目前,绝大多数基于深度学习的结构损伤识别方法依靠深度神经网络自动提取结构的损伤敏感特征,并通过损伤状态之间特征的差异实现模式分类识别.然而,这些方法面临着损伤量化难度大的挑战,并且需要大量的模型训练数据.本文提出基于模型嵌入循环神经网络（Model-Embedding Recurrent Neural Network,MERNN）的损伤识别方法.首先,通过数据驱动的卷积神经网络（Convolutional Neural Network,CNN）建立荷载-响应之间的映射关系,然后,利用龙格库塔法改进传统的循环神经网络,建立基于循环神经网络架构的数值计算单元.最后,基于结构响应计算值与实测响应残差构成的损失函数与神经网络的自动微分机制来实现结构刚度参数的更新,进而实现结构损伤识别.数值模拟框架与实验室的3层剪切型框架的损伤识别结果表明,本文提出的方法能基于少量响应数据准确量化结构损伤.     

基于神经网络的建筑结构节点损伤识别方法

将建筑结构节点损伤识别反问题归结为优化问题，然后用LM人工神经网络来求解．对建筑结构中某些点的垂直位移进行静态测量，用以确定建筑结构中受损伤节点的位置．同经典的优化方法相比，人工神经网络具有全局收敛性．利用神经网络对受损建筑结构节点的位置进行识别是一种可行的方法．数值模拟结果表明，采用Levenberg-Marquardt法训练的神经网络进行结构损伤识别具有较快的收敛速度和较高的识别精度，并且具有良好的鲁棒性。