基于Transfer-SVM多标签文本分类算法研究

传统的支持向量机分类模型只有在利用大量已标注数据进行训练才能获得较高精度。在实际应用中,多标签数据相对于传统单标签数据更具有价值,但多标签数据中含有大量冗余数据,获取大量多标签数据难度非常大。文章提出一种基于迁移学习的分类算法,利用目标数据域和源数据域的相关性,从源数据域中选取对分类超平面起关键作用的支持向量和目标数据域,一起训练分类模型以提高分类精度。     

基于支持向量机的结构损伤识别分析

支持向量机是一种基于统计学习理论的机器学习方法,具有很好的回归和预测性能.本文提出了一种基于支持向量机回归的结构损伤识别方法,采用柔度作为支持向量机的输入向量,并以两跨连续梁为例进行仿真计算.结果表明,本文方法可以较好的从单点损伤情况预测出两点损伤情况的损伤位置和损伤程度.     

基于模态柔度相对变化量的结构损伤识别

介绍了支持向量机的分类算法,构造了基于模态柔度相对变化量的损伤识别指标,并将此指标作为支持向量机的特征参数进行训练和结构的损伤识别,通过对简支梁仿真计算及试验结果表明：支持向量机对结构损伤的识别有着良好的抗噪性能,该方法对梁的损伤位置有较高的识别能力。     

加权特征向量LS-SVM在线结构损伤识别

在增量式最小二乘支持向量机(SILS-SVM)方法的基础上,提出了加权特征向量最小二乘支持向量机(WEVLS-SVM)在线结构损伤识别方法。该方法根据训练数据贡献量的大小对数据进行加权,从而更适合于对结构的时变参数进行在线识别,同时较增量式算法有更小的累积误差。以一剪切型结构为例进行了数值模拟,分析结果表明,该方法与非加权的SILS-SVM方法相比,能更好地适应系统参数的变化,从而能很好地识别结构的损伤及其程度。     

加权特征向量LS—SVM在线结构损伤识别

在增量式最小二乘支持向量机（SILS—SVM）方法的基础上，提出了加权特征向量最小二乘支持向量机（WEVL8-SVM）在线结构损伤识别方法。该方法根据训练数据贡献量的大小对数据进行加权，从而更适合于对结构的时变参数进行在线识别，同时较增量式算法有更小的累积误差。以一剪切型结构为例进行了数值模拟，分析结果表明，该方法与非加权的SILS-SVM方法相比，能更好地适应系统参数的变化，从而能很好地识别结构的损伤及其程度。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

悬臂梁损伤的支持向量机识别研究

针对结构损伤识别中,损伤与其影响因素之间的复杂非线性关系,提出了结构损伤识别的支持向量机方法。支持向量机是一种基于统计学理论的机器学习算法,本文以模态频率作为损伤标识量,通过支持向量机建立了损伤程度和频率之间的支持向量机模型,并以悬臂梁的损伤为例进行了计算分析,结果表明提出的方法是科学,可行的。     

支持向量机在遥感影像处理中的应用

支持向量机（Support Vector Machine，SVM）是目前机器学习界中的研究热点，其理论基础是统计学习理论。它基于结构风险最小化（SRM）原理，在最小化样本点误差的同时，缩小模型预测误差的上界，从而提高了模型的泛化能力。与基于传统统计学的经验风险最小化（ERM）的许多方法相比，支持向量机的性能有了显著的提高。当前，支持向量机在遥感影像中的应用研究还处在起步阶段，已应用于遥感影像分类、目标检测、融合、道路网提取等多方面。随着支持向量机的研究不断深入，必将更广泛地应用于遥感影像处理之中。     

基于布谷鸟搜索算法的温度驱动损伤识别方法

基于振动的损伤识别方法数据分析过程复杂,且易受环境不确定因素影响,为解决该问题,提出了一种基于布谷鸟搜索算法的温度驱动损伤识别方法。分析中将温度视为结构的可测激励,对基于温度诱导应变的结构损伤参数识别公式进行了推导,进而利用实测的温度诱导响应值与有限元模型计算的温度诱导响应值构造目标函数,基于改进的布谷鸟搜索算法对有限元模型中的损伤参数进行更新,从而实现损伤的准确判别。通过一根两端弹性约束的H型钢梁,以及一榀Benchmark钢框架模型的数值仿真分析,验证了所提方法的损伤识别效果。分析结果表明：基于布谷鸟搜索算法的温度驱动损伤识别方法可对不同程度、不同位置及不同数量的损伤进行有效识别,即使在较高的噪声干扰下,仍能取得较好的识别结果。相比于基于振动的有限元模型损伤参数识别方法,该方法无需施加外部激励,输入与输出数据（温度与温度响应）方便可测,损伤识别所需的数据量较少,受噪声干扰影响小,可对结构的损伤进行有效定位与量化。     

基于神经网络的框架结构损伤多重分步识别

提出了基于神经网络的框架结构损伤多重分步识别方法,建立了用于框架结构损伤识别的高效神经网络。根据构件损伤的多重分步识别思路,把构件损伤识别过程分为:利用神经网络建立损伤异常过滤器对构件损伤进行预警;以频率构造的组合指标作为神经网络输入向量,对构件损伤进行初步定位;以频率和模态振型构造的组合指标作为神经网络输入向量,对构件损伤进行具体定位;以频率平方变化率作为神经网络输入向量,对构件损伤程度进行识别。最后针对三跨四层的框架结构进行了损伤识别数值模拟。结果表明:基于神经网络的框架结构损伤多重分步识别方法简化了网络的结构,能够有效地对框架结构损伤进行预警、定位和定量。     

基于进化支持向量机的滑动面参数识别

提出了反算滑带岩土强度参数的一种新方法--进化支持向量机方法,该方法基于极限平衡分析方法计算出不同c、值下的安全系数与最危险滑动面,以这些数据作为学习样本,通过支持向量机学习,建立他们之间的非线性映射关系,然后基于这种关系,利用遗传算法搜索滑带岩土强度参数。结果表明,识别出的c、值可以满足工程的要求。     

基于CS-SVM的混凝土梁火灾损伤识别方法

为确定钢筋混凝土梁的受火损伤程度,采用布谷鸟搜索(CS)算法优化支持向量机(SVM),提出一种以受火时间为指标的火灾损伤识别方法.首先,建立适用于T型简支梁的火灾损伤识别方法,用T型简支梁数值模拟验证了该方法的有效性,通过与SVM识别结果对比发现,CS-SVM识别结果更加接近真实受火时间.然后,在简支梁火灾损伤识别算法的基础上,提出了适用于钢筋混凝土连续梁火灾损伤识别的逐级递减识别方法.对5跨连续梁进行了实例计算分析,验证了其准确性,该方法大大降低了识别样本量,更适用于实际工程.     

基于频率小波包分析的空间框架结构损伤初步识别

仅利用建筑结构少数测点的响应数据就达到对建筑结构是否发生损伤进行初步判断,无疑对实现结构的实时、在线健康监测具有重大的理论意义和实用价值。文章在将模态频率识别方法和小波包能量分析技术相结合的基础上,提出一种基于频率小波包分析的结构损伤识别方法。通过数值模拟,将其应用到一座三层一跨的钢框架结构模型的损伤识别上,进行理论方法有效性的验证。结果表明:在其固有频率变化率指标无法有效识别损伤的情况下,损伤识别指标明显识别出结构发生了损伤,并且还识别出结构损伤的相对程度,具有应用到实际工程结构中进行初步判断结构是否发生损伤的潜力。     

基于LS-SVM的结构损伤识别仿真分析

使用曲率模态差和最小二乘支持向量机(LS-SVM)相结合的方法对结构进行损伤位置和损伤程度识别研究。数值算例中以钢桁架结构为研究对象,用有限元分析软件ABAQUS分别对结构的各种损伤工况进行建模和模态分析计算,然后将数据带入曲率模态公式计算出曲率模态差值,作为LS-SVM的输入参数,验证LS-SVM用于结构损伤识别的有效性。     

模型参数误差对用神经网络进行结构损伤识别的影响

通过理论推导得到了模型参数误差对损伤引起模态参数改变的贡献的表达式,用该式可指导神经网络输入参数的选择和输入向量的构造.理论分析表明,适当地构造输入向量,可以减小模型参数误差对结构损伤识别的影响.在采用BP网络和合适的输入向量后,还用数值模拟的方式对一榀六层框架的损伤识别进行了确定性研究和概率分析,结果表明,用神经网络进行结构损伤识别,受模型参数误差的影响很小,在训练神经网络时,10%的模型参数误差是可以接受的.最后,用一个两层钢框架的实验数据验证了神经网络在有模型误差时的识别能力.     

基于均匀设计试验的框架结构正分析分步式损伤识别方法

为对框架结构柱损伤位置和程度进行识别,应用均匀设计方法构建可用于结构损伤正分析档案库的试验表,按此试验表对抽样出的损伤位置和程度进行BP神经网络训练.训练后的神经网络根据分步式识别方法,以固有频率对结构出现的损伤进行层定位,再以位移变化率对损伤进行构件定位,同时反馈获得构件的损伤程度.通过2个模型结构损伤识别的算例,分别验证了所构建神经网络和识别参数的正确性,以及基于均匀设计试验分步式损伤识别方法的有效性.计算结果表明均匀设计试验可在保证识别效果的同时,大幅减少神经网络的训练次数;分步识别方法可对框架结构损伤位置进行精确判定,克服了一步识别框架损伤或单独使用某种参数进行损伤识别的缺陷.     

基于高效神经网络的框架结构节点损伤的多重分步识别方法

提出了基于神经网络的框架结构节点损伤的多重分步识别方法,建立了用于框架结构节点损伤识别的高效神经网络法。根据节点损伤的多重分步识别思路,把节点损伤识别主要分为四步:第一步利用神经网络建立损伤异常过滤器对节点损伤进行预警;第二步以频率构造的组合指标作为神经网络输入向量,对节点损伤进行初步定位;第三步以归一化的应变模态差绝对值作为神经网络输入向量,对节点损伤进行具体定位;第四步以应变模态差绝对值作为神经网络输入向量,对节点损伤程度进行识别。针对三跨四层的框架结构进行了节点损伤识别数值模拟,结果表明:应用神经网络技术,采用多重分步识别方法,简化了网络的结构,能够有效地对框架结构节点损伤进行预警、定位和定量。     

基于领域相似性迁移学习的行为识别

提出了1种基于领域相似性的迁移学习算法,利用其他领域中的相关数据帮助完成当前领域的行为识别任务。首先通过典型相关性分析,得到领域间相似性的约束并与目标分类模型相联系,以充分利用相关领域中的有效信息;然后学习1种具有重建性、判别性、域适应性的跨域字典对,将不同领域的数据特征映射到同一空间;最后根据映射特征和分类模型对行为进行识别。利用网络中的大量图像,在UCF Sports Action数据集上的实验结果表明了算法的有效性。     

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法---支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。     

基于贝叶斯理论的混凝土梁结构损伤识别方法研究

总结桥梁结构损伤识别中存在的问题及目前传统手段面临的挑战和局限,提出基于贝叶斯理论的结构损伤识别方法,将测试噪声与建模误差纳入统一框架,利用少量测点数据,可在信息不完备的条件下识别损伤概率分布情况,并通过连续监测数据对不确定模型参数后验概率密度函数进行不断修正。制作混凝土梁模型,通过预设缺陷对损伤识别方法进行试验验证。研究结果表明,基于贝叶斯理论的损伤识别方法可根据监测数据的不断累积,实现结构在不同工况下的损伤识别和合理评价。