面向原问题求解的拟牛顿SVM回归算法研究

研究了支持向量机（SVM）的原问题优化及其回归算法．在分析原问题与对偶问题最优化关系的基础上,引入了一种原问题求解的L—MBFGS—SVR算法．该算法在求解无约束优化问题时,引入了一类新的BFGS拟牛顿算法．它利用迭代的梯度和函数值来近似逆Hessian矩阵,以降低计算复杂性;并结合有限内存技术,来解决数据存储问题．仿真表明,该算法总体上优于IHLF—SVR—RFN和SMO算法,是一种有效的大样本非线性回归建模方法．     

分析基于失效概率的矩独立重要性测度的单层密度权重法

为了有效地分析结构系统输入变量不确定性对结构系统失效概率的影响程度,研究了对基于失效概率的矩独立重要性测度的计算,并基于单层Monte Carlo计算法和密度权重计算法,建立了准确、高效求解失效概率矩独立重要性测度的单层密度权重法。工程算例表明,与已有的计算方法相比,该方法仅需较少的模型计算量就能得到足够准确的结果,极大地提高了计算效率,且具有很好的工程适用性。     

随机-区间混合不确定性多输出模型确认指标

为解决随机和区间变量共存条件下的多输出模型确认问题,提出了一种新的模型确认指标.首先,依据概率方法和区间理论,分析了随机输入变量在实现值条件下随机-区间混合不确定性多输出模型的特点;然后,将基于马氏距离的随机不确定性多输出模型确认方法,推广到随机-区间混合不确定性因素影响下的多输出模型确认之中,定义了一种新的多输出模型确认指标.该指标运用模型输出响应量与试验输出响应量的上、下界马氏距离分布函数曲线之间的面积差异,度量随机-区间混合不确定性条件下多输出模型预测结果与试验结果之间的不一致性.最后,讨论了所提指标的数学性质,给出了指标的计算方法和步骤,通过一个数值算例和一个工程算例验证了指标的正确性与有效性.研究结果表明,当样本数据量充足时,新的模型确认指标能够有效地度量模型输出响应量与试验结果之间差异程度,正确地判断不同多输出模型的优劣,适合于随机-区间混合不确定性因素影响下的多输出模型确认问题.     

基于多粒子信息共享策略的PSO小波网络模型

针对粒子群优化算法在训练小波网络存在的早熟收敛问题,提出一种改进的粒子群优化算法.该算法通过引入多粒子信息共享策略,使种群中各粒子共享多个粒子的有用信息,以期增加种群多样性,减少各粒子在进化早期被吸引到最优粒子附近的可能性,提高小波网络的建模质量.仿真表明,相对于BP算法和标准粒子群优化算法,本文算法在训练小波网络方面估计精度更高,收敛速度更快,并有效解决了早熟收敛和局部最优问题.