Efficient cable arrangement in cable stayed bridges based on sensitivity analysis of aeroelastic behaviour

Construction of cable supported bridges has experienced a great impulse in the past decade. Bridges having more than 800 m of span length were built in France and Japan and some bridges with span length of more than 1 km are going to be built, such as the Stonecuters bridge in Hong-Kong, and the Chongming in China (Fig. 1). Because of the increasing length of this class of bridges, they are becoming prone to phenomena like flutter in a similar way than long span suspension bridges.

Cable stayed bridges may present a few different alternatives for the cable system. At least harp, fan or modified fan arrangements can be discussed at the beginning of the design. Also variations in the number of cable planes can be studied.

Usually, during the design process changes are made by carrying out a number of analyses and using trial and error techniques relying in heuristic rules that are based upon the particular skills of the engineer. This approach can be inefficient in new problems and commonly it needs to be supported with results coming from experimental testing which makes more expensive the whole design process. Instead of that, an approach based in sensitivity analysis can be very helpful for the designer.     

一种基于重复训练的支持向量机方法

针对支持向量机中存在的对噪音和野值敏感的问题,提出了一种基于重复训练的支持向量机方法。该方法选取重复训练后会对分类面有影响的样本,根据其类别隶属度,重复训练相应的次数,以此来改变样本的权值,减小噪音和野值的影响。将该算法应用于文本分类中,实验结果表明,该方法在适度增加了训练时间的情况下,不仅比标准支持向量机方法具有更好的抗噪音和野值的能力,而且提高了分类性能。     

基于支持向量机的直接逆模型辨识

在简单讨论逆模型辨识原理的基础上,利用支持向量机(SVM)对函数逼近的能力,提出了基于支持向量机的直接逆模型辨识方法.分别采用二次核函数以及高斯RBF核函数,利用训练数据对线性和非线性系统进行黑箱辨识.仿真结果表明,基于支持向量机的直接逆模型辨识方法在处理线性和非线性对象时,辨识性能都优于传统的BP神经网络,不仅辨识精度高,辨识速度快,而且泛化能力较强.     

基于支撑矢量机的汉语方言辨识

统计学习理论证明,支撑矢量机是具有高分类能力和高推广性能的优秀分类器。但由于语音的动态时间属性,它很难直接应用到汉语方言辨识领域。论文利用高斯混合模型和语言模型提取等维的全局语言特征,成功解决了支撑矢量机难于直接处理动态时间模式的困难,有效地增强了系统的分类能力。实验结果表明,支撑矢量机方法可以比直接用语言模型进行分类决策提高近20%的正确辨识率,比人工神经网络方法也可提高4%的正确辨识率。     

基于Gabor-Krawtchouk矩的支持向量机的分类算法

提出了一种基于Gabor变换、Krawtchouk矩和支持向量机的海面溢油SAR图像分类方法。首先对图像进行Gabor滤波,获得不同方向的特征参数,然后提取图像的Krawtchouk矩不变量作为图像的形状特征,最后利用支持向量机进行分类。通过对实验分类结果的定量分析可知,该方法可以获得精度比最小分类模型方法以及最大似然分布模型方法高的分类结果。     

基于构造映射的支持向量分类机

构造了基于马氏距离和Cupula函数的距离映射和条件概率映射,将高维空间中的样本转化为二维空间中的新样本,并对新样本进行简易处理,构建了可分支持向量分类机,其特点是简单,易于实现。实验表明取得了较好的分类效果。     

基于支持向量机的超声检测缺陷识别研究

为解决超声检测领域传统人工神经网络方法对于小样本进行缺陷识别时存在的泛化能力差和过学习等问题,提出了一种基于支持向量机的超声检测缺陷识别方法.先使用小波分解对信号进行降噪,再使用小波包变换提取特征值,构造多类分类支持向量机进行缺陷识别.实验结果表明,支持向量机方法具有识别率高、泛化能力强等优点,能够应用于超声检测缺陷识别领域.     

基于线性规划的分类支持向量机

针对支持向量机(Support Vector Machine,SVM)在分类问题上的运用,分析在结构风险中采用一般范数控制模型的复杂性问题,提出基于l1-范数和l∞-范数的两种线性规划支持向量机,包括线性支持向量机和非线性支持向量机.采用模拟数据对4种支持向量机进行数值试验,其中有3种是线性规划支持向量机(包括提出的两种支持向量机)和经典的二次规划支持向量机.实验结果表明,对线性支持向量机中3种支持向量机计算的模型参数均与理论值接近;对非线性支持向量机情形中l1-范数支持向量机具有最少的支持向量和较好的学习效果.     

基于MapReduce的支持向量机态势评估算法

支持向量机(SVM)可以解决传统态势评估算法无法兼顾的“维数灾难”“过学习”及“非线性”等难题,却无法应对大规模样本的问题。为了有效应对态势评估中的大数据处理挑战,提出了一种基于MapReduce的SVM(MR-SVM)态势评估算法。该算法利用MapReduce并行计算模型,同时结合SVM可并行化的特点,通过设计主要的map函数和reduce函数,实现了SVM算法的并行化和主要参数的选取。在搭建的Hadoop平台上对改进算法与原算法进行了比较验证:对于小规模样本,改进算法反而"化简为繁",不比原算法效率高;但在大规模样本的处理上,原算法的训练时间随样本规模呈指数型增长,而改进算法的训练时间随样本规模并没有特别明显的增幅,体现出了较好的时间优势。实验结果表明,基于MapReduce改进的SVM很好地弥补了原算法"样本规模"的短板,更适用于大数据环境下的网络态势评估。     

集合经验模态分解主成分分析分解消噪下的支持向量机组合模型预测

针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。     

支持向量机大规模快速算法

在不影响泛化能力的情况下,针对现有的主要分块算法、大规模缩减策略和分解算法等内存占用较大、训练精度下降和收敛速度过慢等缺点,改进了现有的SMO算法,融合分块算法和分解算法,提出了最小序列分块算法(CSMO).仿真结果表明,该算法与libsvm等现有的典型的支持向量机算法相比,能够减小内存占用,并能以很高的精度接近全局最优解.     

基于模糊分割和邻近对的支持向量机分类器

支持向量机算法对噪声点和异常点是敏感的,为了解决这个问题,人们提出了模糊支持向量机,但其中的模糊隶属度函数需要人为设置。提出基于模糊分割和邻近对的支持向量机分类器。在该算法中,首先根据聚类有效性用模糊c-均值聚类算法分别对训练集中的正负类数据聚类;然后,根据聚类结果构造c个二分类问题,求解得c个二分类器;最后,用邻近对策略对样本点进行识别。用4个著名的数据集进行了数值实验,结果表明该算法能有效提高带噪声点和异常点数据集分类的预测精度。     

模糊核聚类支持向量机集成模型及应用

为了进一步提高支持向量机在回归预测中的精度,提出一种基于模糊核聚类的最小二乘支持向量机集成方法。该方法采用模糊核聚类算法根据相互独立训练出的多个LS SVM在验证集上的输出对其进行分类,并计算每一类中的所有个体在独立验证集上的泛化误差,然后取其中平均泛化误差最小的个体作为这一类的代表,最后经简单平均法得到集成的最终预测输出。在短期电力负荷预测中的实验结果表明,该方法具有更高的精确度。     

改进遗传算法和支持向量机的特征选择算法

提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据,对传统遗传算法的交叉和选择操作进行了改进,实现了指定数目的特征选择。而且算法在特征选择的过程中,还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明,提出的算法仅以损失2.7%识别率的代价,得到的特征维数却是传统遗传算法的1/5,极大地简化了分类器设计的复杂度。     

支持向量机在模式识别中的核函数特性分析

支持向量机是20世纪90年代中期发展起来的一种机器学习技术,与传统人工神经网络不同之处在于前者基于结构风险最小化原理,后者基于经验风险最小化原理。支持向量机不仅结构简单,而且技术性能尤其是泛化能力与BP神经网络相比有明显提高。讨论了支持向量机的分类原理,并用多项式函数、径向基函数和感知机函数等3种核函数作为内积回旋,分别以平面点集分类、手写体汉字识别及双螺旋线识别为例,在不同的结构参数下进行了仿真实验,并对3种核函数的分类特性进行了对比分析,给出了在不同模式识别问题中3种核函数的选择条件。     

支持向量机模型分类能力指标的统计分析

在支持向量机（support vector machines, SVM）中,如何衡量SVM的分类能力,最小化风险泛函是一个重要的指标。根据支持向量机小样本特点,给出了支持向量机分类能力的一个量化标准：最优超平面的可靠度β。详细讨论了β的下界和置信区间,并给出了在实际应用中,如何根据样本数据估计β的下界和置信区间。实验也证明了β的下界估计和置信区间的合理性、有效性。     

基于相似日的支持向量机短期负荷预测

摘要：为提高电网短期负荷预测的精度,对以往学者基于相似日和最小二乘支持向量机(LS-SVM)短期负荷预测方法进行改进,形成一种改进的基于相似日和细菌趋化改进粒子群算法优化最小二乘支持向量机(least squares support vector machine based on improved particle swarm optimization for bacterial chemotaxis, PSOBC-LSSVM)的预测模型。克服了标准粒子群算法容易早熟收敛和陷入局部最优的问题,并充分考虑短期负荷的连续性与周期性对选取相似日造成的影响,将二者结合到一起综合考虑,利用改进的粒子群得到二者的最佳匹配值,并将其融合到时间距离这一因子当中。算例表明该方法预测精度较更高,可行且有效。     

基于混合高斯模型和空间模糊度的支持向量机算法研究

在提升支持向量机分类算法精度的问题上,提出了一种基于混合高斯模型和空间模糊度的支持向量机算法。该算法通过采用多维混合高斯模型的求带分布密度概率函数的二次规划问题的最优解,减少不同的输入样本数据对分类超平面造成的影响,引入了优化后的空间模糊度因子和空间模糊度函数。在实验仿真上,采用了人工选择的样本数据集和 UCI 机器学习数据库中的样本数据集进行多次实验,最后通过对比分析的方法突出了算法在分类精度上的优势。