支持向量機(jī)方法在結(jié)構(gòu)損傷識別中的應(yīng)用.pdf

1、本文首先簡述了當(dāng)前結(jié)構(gòu)損傷識別領(lǐng)域的研究狀況和發(fā)展趨勢，論述了支持向量機(jī)方法的基本原理與算法，并闡明了本文研究的課題背景和主要研究內(nèi)容。本文立足于損傷模式識別與在線參數(shù)識別兩方面問題，闡述了傳統(tǒng)方法的缺陷，對其加以改進(jìn)，提高識別精度、識別效率及其魯棒性。 模式識別是一種簡單常用的離線損傷識別方法，但動力指紋采用恰當(dāng)與否對識別結(jié)果有很大的影響。結(jié)構(gòu)固有頻率是最易提取且測量誤差較小的動力指紋，但傳統(tǒng)方法對結(jié)構(gòu)固有頻率不敏感，損傷程度

2、不易識別；而其他動力指紋雖然具有較好的靈敏度，但實(shí)際測量誤差大等原因限制了其應(yīng)用。而支持向量機(jī)方法解決了傳統(tǒng)模式識別方法對頻率變化不敏感的缺陷，采用結(jié)構(gòu)損傷前后的固有頻率變化率為動力指紋，不僅能對損傷進(jìn)行準(zhǔn)確定位，而且能識別結(jié)構(gòu)損傷的程度。 在模式識別方法中，采用的核函數(shù)適當(dāng)與否直接關(guān)系到動力指紋與損傷之間的影射關(guān)系，從而影響到識別效果。本文結(jié)合小波函數(shù)與高斯核函數(shù)提出了小波核函數(shù)，數(shù)值模擬的結(jié)果表明，采用小波核函數(shù)識別結(jié)構(gòu)損傷

3、有更好的識別效果，尤其是在多損傷情況下，識別精度顯著優(yōu)于其他常用的核函數(shù)。 小波核函數(shù)支持向量機(jī)模式識別方法簡單方便，而且對測量誤差較小的頻率變化率有較高的靈敏度，彌補(bǔ)了傳統(tǒng)方法的局限性。對十層剪切型框架結(jié)構(gòu)的數(shù)值模擬結(jié)果表明，該方法具有良好的識別精度，尤其是對單損傷情況下，不僅能準(zhǔn)確定位，而且對損傷的程度有很高的識別精度。用單損傷訓(xùn)練的支持向量機(jī)同時也適用于多損傷情況，在多損傷情況下，能準(zhǔn)確定位損傷的位置，損傷程度的識別結(jié)果稍

4、有誤差，但仍能得到令人滿意的結(jié)果，而且有很好的抗噪聲能力。 在線識別技術(shù)能直接識別出結(jié)構(gòu)的動力參數(shù)，更加符合實(shí)際工程的需求。最小二乘支持向量機(jī)(LS-SVM)是對傳統(tǒng)在線參數(shù)識別方法的改進(jìn)，通過使用等式約束和二次損失函數(shù)將標(biāo)準(zhǔn)SVM方法的二次規(guī)劃問題求解轉(zhuǎn)化成為線性方程組的求解，從而提高了支持向量機(jī)的訓(xùn)練速度。但是LS-SVM方法喪失了標(biāo)準(zhǔn)SVM方法的稀疏性，而且，當(dāng)一個新數(shù)據(jù)輸入時，需要重新求解整個線性方程組。LS-SVM方法

5、仍然存在識別精度不高，識別效率低，魯棒性差的缺陷，因此，本文在LS-SVM方法的基礎(chǔ)上，提出了改進(jìn)方法。 首先是基于增量式LS-SVM回歸方法提出了增量式加權(quán)特征向量LS-SVM回歸方法，通過對特征向量的加權(quán)，區(qū)分各樣本在識別中的貢獻(xiàn)大小，從而提高了識別精度。但增量式算法將所有數(shù)據(jù)都納入識別樣本集，計(jì)算效率低，為了實(shí)現(xiàn)在線識別，需要更高的硬件要求。于是提出了等樣本集LS-SVM遞歸算法，通過局部增加算法與修剪算法，及時更新樣本，

6、在加入新樣本的同時，剔除過時樣本，避免了多次的矩陣求逆運(yùn)算，大大提高了計(jì)算效率，使在線識別成為可能。 在等樣本集LS-SVM遞歸算法基礎(chǔ)上，提出了自適應(yīng)誤差加權(quán)方法與自適應(yīng)特征向量指數(shù)加權(quán)方法，根據(jù)回歸估計(jì)的誤差大小賦予樣本權(quán)重，更進(jìn)一步提高了識別精度與魯棒性。對不同的結(jié)構(gòu)損傷模式、受不同噪聲干擾的情況進(jìn)行在線識別，結(jié)果表明加權(quán)后的等樣本集LS-SVM回歸方法有更高的識別精度和識別效率，并具有很好的抗噪性能，尤其是自適應(yīng)特征向量