結構損傷檢測的最小二乘支持向量機回歸方法研究.pdf

1、隨著高層及超高層建筑的日益增多，對結構在突發(fā)荷載(地震、臺風、爆炸等)后的健康狀況做出評估已經(jīng)成為一個迫切需要解決的問題。本文首先從結構健康監(jiān)測的概念出發(fā)，簡述了當前此領域的研究狀況和發(fā)展趨勢，介紹了本論文的主要研究內(nèi)容。 傳統(tǒng)的統(tǒng)計學研究的是樣本無窮大時的漸近理論。然而在實際的問題中，樣本數(shù)往往是有限的?，F(xiàn)有的基于傳統(tǒng)統(tǒng)計學的學習方法在有限樣本的情況下難以取得理想的效果。統(tǒng)計學習理論是在有限樣本情況下新建立起來的統(tǒng)計學理論體系

2、。統(tǒng)計學習理論為人們系統(tǒng)地研究小樣本情況下機器學習問題提供了有力的理論基礎。支持向量機是在該理論體系下產(chǎn)生的一種新的、非常有力的機器學習方法。它較好地解決了以往困擾很多學習方法的小樣本、非線性、過學習、高維數(shù)、局部極小點等實際問題，具有很強的推廣能力。本文從支持向量機理論、方法和應用相結合的角度出發(fā)，在統(tǒng)計學習理論、支持向量機回歸和核函數(shù)方面進行了系統(tǒng)的研究。 標準的支持向量機方法需要求解二次規(guī)劃問題，在數(shù)據(jù)集比較大時求解非常困

3、難，并且由于標準支持向量機處理數(shù)據(jù)的方式是批處理，不適合于動態(tài)系統(tǒng)。最小二乘支持向量機是標準支持向量機的擴展，通過采用等式約束和最小二乘損失函數(shù)簡化了支持向量機方法的求解過程。本文在最小二乘支持向量機方法的基礎上提出了用于識別結構系統(tǒng)的增量最小二乘支持向量機和序貫最小二乘支持向量機方法，當新樣本加入進來或老的樣本被修剪下去的時候可以有效地更新，這種方法克服了標準最小二乘支持向量機方法的稀疏性缺失，使得結構參數(shù)的在線識別成為可能。對線性單