基于贝叶斯思想的框架结构损伤检测方法研究* .txt

摘要：基于单自由度体系的统计矩理论，以位移四阶矩和加速度八阶矩为损伤指标，使用贝叶斯思想和Gibbs抽样相结合方法，提出一种框架结构损伤检测新方法。以理论分析为基础选取3种典型损伤指标，在信噪比40及30 dB环境噪音的不同损伤工况下，使用贝叶斯思想和Gibbs抽样相结合方法，对某12层标准框架数值模型的不同损伤指标进行了损伤识别效果的对比研究，并在此基础上与其他相似检测方法进行对比分析，发现使用贝叶斯思想和Gibbs抽样相结合的新方法，提出的损伤指标更适合框架结构损伤检测，与标准结果偏差均在5%以内。进一步分析12层标准框架振动台试验数据，选取3个典型振动工况中所有梁柱单元及前20个振动工况累积下的典型梁柱单元分别进行损伤检测，结果表明，所提方法避免了多次采样进行贝叶斯分析的局限性，且一定程度上能反映各损伤单元随振动台试验工况累积而表现出来的损伤程度变化，有助于推动所提方法在框架结构损伤检测中的实际应用。 .txt     

基于切片反射采样的风电并网系统可用输电能力概率风险评估

如何全面地考虑风电功率的波动性和随机性,提高风电场出力概率分布采样的速度及精度,进而有效评估可用输电能力(ATC)成为亟待解决的问题。为此,提出基于切片反射采样(RSS)的改进方法对风电并网系统的ATC进行概率风险评估。对风电场出力进行优化建模,利用RSS对模型进行采样并构建样本空间,将样本值代入潮流方程进行最优潮流计算,并对ATC评估指标进行统计分析。含有风电场模型的IEEE 30节点系统仿真结果表明,与常规Gibbs采样算法相比,所提方法在确保计算效率的同时显著提高了采样方法的准确度。     

基于Ncut的自适应图像分割方法

为了解决传统归一化割(Normalized cut,Ncut)算法需要人工干预因素过多,限制了算法的通用性,本文对传统Ncut算法进行了改进,提出了自适应的图像分割方法。首先采用基团势的理论替代了传统的Ncut算法中计算权值矩阵时两个控制参数对结果的影响;然后为了减少K-means算法对分类数目和类中心的敏感,本文采用基于最小生成树的聚类方法对Ncut计算出的特征向量进行分类,得到最终的分类数目和初始类中心,然后再采用K-means算法进行聚类得到最终的分割结果。实验结果显示,本文的算法不仅提高了算法的通用性,并且分割效果比较好。     

基于势函数聚类的改进RBF网络算法研究

为优化径向基函数(RBF)网络结构并改善网络泛化性能,提出了一种基于势函数聚类的改进RBF网络算法.首先使用势函数统计每个模式类别中的样本势值,以此实现样本空间中不同样本的势值度量; 其次以增量学习的方式逐次完成对样本空间的有效覆盖,以此实现网络隐节点个数及参数的自动有效估计.最后将本文算法与KMRBF、FCRBF、MRAN以及 GAP -RBF 学习算法进行了实验对比,结果表明本文算法的网络分类精度更高,克服了KMRBF和FCRBF算法需人工调整网络隐节点来提高分类精度的问题,且比 GAP -RBF和MRAN算法的网络结构更加简单.     

SO_2抑制二噁英从头合成的实验及其过程模拟

实验研究了不同温度下SO2对二噁英(PCDD/Fs)从头合成的抑制特点,运用HSC Chemistry 6.1软件对主要无机化学反应过程进行模拟,探究了SO2的抑制机理。结果表明,SO2对PCDD/Fs总浓度和I-TEQ浓度的抑制效果随温度的升高而增强。PCDD/Fs总浓度和I-TEQ浓度抑制率从200℃不足20%分别提高到300℃时的75.6%和77.3%及400℃时的89.2%和80.5%;SO2的添加促进了PCDD/Fs尤其是PCDDs同系物分布的低氯代化。在从头合成的高温段和低温段,SO2分别侧重抑制PCDFs和PCDDs。相平衡计算和Gibbs自由能计算表明,SO2优先与催化剂CuCl2反应生成无催化活性的CuSO4,其次与氯源Cl2反应,最终实现PCDD/Fs的生成抑制。模拟结果对现有硫基抑制机理进行了验证和补充,对高效、廉价抑制剂的开发及工程使用具有重要意义。     

含盐酸和盐的气液固三相平衡计算

利用亨利定律和溶解平衡方程,建立了气液固同时存在时体系总Gibbs自由能的数学模型,活度系数模型选用Pitzer模型,基于相平衡体系Gibbs自由能最小化原理,运用遗传算法求解,计算NaCl-KCl-HCl-H2O体系固液平衡和气液平衡,并和实验数据进行对比,进一步计算了该体系固液气三相平衡,实现了一步计算固相、液相和气相的组成。     

基于多隐层Gibbs采样的深度信念网络训练方法

深度信念网络（Deep belief network，DBN）作为一类非常重要的概率生成模型，在多个领域都有着广泛的用途.现有深度信念网的训练分为两个阶段，首先是对受限玻尔兹曼机（Restricted Boltzmann machine，RBM）层自底向上逐层进行的贪婪预训练，使得每层的重构误差最小，这个阶段是无监督的；随后再对整体的权值使用有监督的反向传播方法进行精调.本文提出了一种新的DBN训练方法，通过多隐层的Gibbs采样，将局部RBM层组合，并在原有的逐层预训练和整体精调之间进行额外的预训练，有效地提高了DBN的精度.本文同时比较了多种隐层的组合方式，在MNIST和ShapeSet以及Cifar10数据集上的实验表明，使用两两嵌套组合方式比传统的方法错误率更低.新的训练方法可以在更少的神经元上获得比以往的训练方法更好的准确度，有着更高的算法效率.