基于领域自适应支持向量机的跨域损伤识别

基于支持向量机的结构损伤识别方法建立在训练和测试数据同概率分布的假设上,必须对每个结构分别收集训练数据和标签并训练模型以识别损伤。损伤结构的训练数据和标签难以收集,导致支持向量机方法在结构损伤识别中难以实施。提出一种基于领域自适应支持向量机的跨域损伤识别方法,将在有损伤标签结构（源结构）上训练的支持向量机推广到无损伤标签结构（目标结构）的损伤识别中。该方法首先提取结构的多阶固有频率变化率作为损伤特征构建训练数据;然后,推导最小化边缘分布差异与最小化联合分布差异的迁移学习方法,将源结构和目标结构数据映射到高维特征空间,减小域之间的数据分布差异;最后,使用映射后的源结构数据训练支持向量机,使用该支持向量机对目标结构进行损伤识别。应用于钢框架与混凝土框架,以及不同结构形式钢框架中的跨域损伤识别,显著提高了支持向量机对目标结构的损伤识别准确率。该方法充分利用了不同结构的损伤标签和支持向量机模型,解决了机器学习中训练数据和损伤标签缺乏的难题,并能极大地提高学习效率、降低学习成本,为基于支持向量机的结构损伤识别提供了新的解决思路。     

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。     

单层网壳损伤识别理论与试验研究

结构损伤识别可以归结为结构损伤参数的模式识别问题.对结构响应信号进行小波包分解可以获得各频带的信号能量,将此特征向量作为输入,利用支持向量机强大的模式分类功能,可以实现结构的损伤识别.在环境振动下,对1/10比例的单层网壳模型进行损伤识别试验,将不同的杆件沿径向进行相应程度的截面切割用以模拟不同程度的损伤状态.对不同损伤情况的加速度样本进行三层小波包分解,以相应频带的信号能量作为输入建立支持向量机,利用支持向量机对未训练样本的信号能量进行损伤分类.试验结果表明该方法简便准确,验证了小波包和支持向量机方法用于损失识别的有效性.     

组合参数的支持向量机在结构损伤识别中的应用

提出一种由固有频率和模态分量构成的组合参数作为支持向量机输入向量的方法.文章首先论述支持向量机的基本原理与方法,介绍了一些相关重要概念,然后用固有频率法、动柔度法和组合参数法分别对一个简支梁结构的损伤(包括单损伤和多损伤)进行研究分析.通过比较,表明组合参数法比单一参数法有更好的识别效果,克服了单参数法在识别损伤时精度差的缺点.     

采用支持向量机方法对框架结构的损伤识别

将支持向量机方法用于框架结构的损伤检测,并通过一个算例对该方法进行了损伤识别效果的测试,试验表明支持向量机适用于单损伤的检测,对于损伤位置的判断,有很好的精确性,而且对损伤程度的预测也有很好的精度。     

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(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。     

基于模态参数和支持向量机的桁架结构损伤识别研究

以桁架结构的损伤为研究对象,根据桁架结构的杆单元应变特点,建立了损伤前后振型曲率变化率和应变模态变化率对杆单元损伤的敏感性分析。同时以该变化率作为输入特征参数构造支持向量机,对杆单元的损伤进行识别,均取得了较为理想的结果。     

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。     

矿井涌水水源识别的MMH支持向量机模型

 提出一种新的多水源判别的H支持向量机模型。推导H支持向量机的理论推广误差公式,发现确保高优先级节点的推广性能是提高H支持向量机性能的有效途径;设计基于SVM最大间隔逐层分类、最小间隔逐层聚类构造H支持向量机的新方法,以各支持向量机节点的分类间隔为分类、聚类指标,通过TopDown,BottomUp两种方式混合构造H支持向量机,即MMH支持向量机。实验效果表明,MMH支持向量机结构简单、泛化能力强,不仅能正确区分各类水源,而且其层次结构能很好地反映各水源的层次关系。判别函数的法向量还可以指示各含水层水质化验指标的权重,为矿井涌水水源识别提供了新的科学方法。     

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TSP203系统和GA-SVM的围岩超前分类预测

 为有效地进行隧道围岩类别超前分类,提出基于TSP203系统和遗传–支持向量机的围岩类别超前分类方法。以TSP203系统为基础,从探测结果中提取有用信息,建立围岩类别超前分类指标体系,并采用支持向量机进行围岩超前分类预测。建立围岩类别超前分类指标体系时,采用TSP203中可有效识别的围岩分类参数来实现：岩体完整性系数、泊松比、静态扬氏模量、主要结构面与洞轴线的夹角、不连续结构面状态和地下水发育情况。确定支持向量机参数时,采用遗传算法在解空间里进行全局搜索,以改善支持向量机在围岩分类中的识别精度。最后将该方法应用于实际工程,结果表明该方法实际可行,在围岩类别超前分类中具有较高的准确性,为围岩类别超前分类提供了一种新思路。     

一种冲击地压多参量前兆信息辨识模型及方法

 针对冲击地压预警困难这一难题,基于地音监测提出一种新的前兆信息辨识模型及方法。在固定大小的时间窗口内对地音监测信号进行时频域特征提取,得到11个表征冲击地压灾害前兆的多维特征向量,以实际地音监测数据为训练样本,基于SVM理论建立冲击地压多参量前兆信息辨识模型;提出一种新的SVM学习方法,用于解决工程实际应用中的大规模不平衡数据集训练问题,提高SVM分类准确率及速度。利用地音实测数据作为学习样本对支持向量机进行训练,建立相应的前兆辨识模型进行辨识,准确率达到93.87%。实验分析表明,这种方法有效可靠,样本辨识速度快,能够满足在线监测要求,具有工程应用前景。     

A multiple kernel learning-based decision support model for contractor pre-qualification

Due to the complex nature of the contractor pre-qualification such as subjectivity, non-linearity and multi-criteria, advanced model should be required for achieving a high accuracy of this decision-making process. Previous studies have been conducted to build up quantitative decision models for contractor pre-qualification, among them artificial neural network (ANN) and support vector machine (SVM) have been proved to be desirable in solving the pre-qualification problem with regards to their higher accuracy and efficiency for solving the non-linear problem of classification. Based on the algorithm of SVM, multiple kernel learning (MKL) method was developed and it has been proved to perform better than SVM in other areas. Hence, MKL is proposed in this research, the capability of MKL was compared with SVM through a case study. From the result, it has been proved that both SVM and MKL perform well in classification, and MKL is more preferable than SVM, with a proper parameter setting. Therefore, MKL can enhance the decision making of contractor pre-qualification.     

基于支持向量机的砂土液化预测模型

分析了砂土液化的主要影响因素,建立了砂土液化的支持向量机预测模型。该模型能通过有限经验数据的学习,建立砂土液化类型与其影响因素之间的非线性关系。运用所建立的模型对具体的砂土液化类型进行了评判,评判结果表明,基于线性核的支持向量机分类器不能有效地建立液化类型与影响因素之间的非线性映射,而基于多项式核及径向基核函数的分类器能正确判定砂土是否液化。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

基于支持向量机的边坡稳定性预测模型

根据影响边坡稳定性的主要因素,建立了边坡稳定性的支持向量机预测模型。该模型通过有限的经验数据的学习,建立了边坡稳定性与其影响因素之间的非线性关系。运用所建立的模型对具体的岩体边坡进行了判定,由结果知,基于线性核的支持向量机分类器不能有效地建立边坡稳定与影响因素之间的非线性映射,而基于神经网络核及径向基函数核的分类器能正确判定边坡的稳定性。     

基于小波分形特征与模式识别的矿山微震波形识别研究

在前人研究的基础之上,探讨,验证了矿山微震信号的分形特征,并根据微震信号的特征确立了相关的无标度区间及分形盒维数算法.利用矿山爆破振动,岩石破裂及电磁干扰3类信号频谱分布不同这一特征,结合小波分析与分形理论,通过MATLAB编制相应程序,对3类信号进行了5层小波包分解,求取了指定特征频带上重构信号的分形盒维数.以该盒维数为信号特征,建立23维特征向量,通过SVM支持向量机对300组矿山现场微震信号进行了训练和分类识别.研究结果表明特征频带上的分形盒维数与信号的整体盒维数接近,表明特征频带上的分形盒维数表征了整体的分形特征;3类信号具有明显分形特征,电磁干扰信号最为明显;SVM识别网络识别微震信号,识别正确率高,但运算速度及识别效率仍有待提高.     

膨胀土判别与分类方法评价与建议

对现有膨胀土判别与分类方法进行了评价,对反映和表征膨胀土胀缩机理和特性的指标进行深入探讨。最后建议用fisher判别分析方法进行膨胀土的判别与分类,并建议用反映膨胀土胀缩性、强度特征的指标来验证分类结果。     

基于数据融合的张弦桁架多位置损伤识别与抗噪性分析

为提高张弦桁架多位置损伤识别的准确性,将数据融合方法与损伤识别指标相结合,采用D-S证据矩阵理论融合叠加曲率模态改变率和模态柔度差曲率两项指标的损伤识别结果,提出了张弦桁架多损伤的单次融合和两阶段融合识别方法。以某实际工程缩尺简化得到的张弦桁架作为研究对象,设计了两种不同的多损伤工况,通过有限元分析获取了结构损伤前后的前三阶模态数据,并进行了损伤识别分析。结果表明：基于数据融合的多损伤识别方法能够准确地识别张弦桁架多损伤,其能够综合两种单指标的识别结果,降低甚至消除非损伤位置的干扰,有效解决了单指标识别精度低、不能全面反映损伤位置的问题;两阶段融合方法通过两次融合逐步降低了非损伤位置的干扰,识别效果优于单次融合方法。此外,分析中考虑了不同水平噪声对张弦桁架多损伤识别的影响,结果表明：基于数据融合的多损伤识别方法具有较好的抗噪能力,能够降低噪声和非损伤位置的干扰,且两阶段融合方法的抗噪能力优于单次融合方法。