基于支持向量机的结构损伤识别分析.pdf

《基于支持向量机的结构损伤识别分析.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、周述美等：基于支持向量机的结构损伤识别分析45基于支持向量机的结构损伤识别分析周述美，杨跃(哈尔滨工业大学土木工程学院．哈尔滨150090)【摘要】支持向量机是一种基于统计学习理论的机器学习方法，具有很好的回归和预测性能。本文提出了一种基于支持向量机回归的结构损伤识别方法，采用柔度作为支持向量机的输人向量，并以两跨连续梁为例进行仿真计算。结果表明，本文方法可以较好的从单点损伤情况预测出两点损伤情况的损伤位置和损伤程度。【关键词】损伤识别；支持向量机；柔度矩阵【中图分类号】TU312．3【文献标识码

2、】B【文章编号】1001—6864(2013)09—0045—03APPLICATIoNoFSUPPORTVECToRMACHINEToDAMAGEDETECTIONZHOUShu—mei，YANGYue(SchoolofCivilEngi．，HarbinInstituteofTech．，Harbin150090，China)Abstract：SupportVectorMachine(SVM)isamachinelearningalgorithmbasedonstatisticallearn—in

3、gtheorywiththegoodregressionandgeneralizationability．Amethodforstructuraldamageidentifica—tionbasedonSVMregressionisproposedinthispaper，andtheflexibilitymatrixwasusedastheSVMinputvectorsinanemulationalexampleoftwo—spanbeam．Theresultsshowthatthepropose

4、dmethodperformsagoodabilityofpredictingthelocationandmagnitudeofdamages．Keywords：damageidentification；supportvectormachine；flexibilitymatrix0引言保支持向量机收敛得到的解为全局最优解。由于结构损伤识别，即对结构进行检测与评估，以确SVM具有许多引人注目的特点和有前途的实验性能，定结构是否有损伤存在，进而判别损伤的位置和程越来越受到重视，其立刻成为机器学习、神经

5、网络、人度，结构目前的状况、使用功能和结构损伤的变化趋工智能等方向的专家与学者研究的热点。势等。结构中的损伤可以定义为“结构在服役期内其由于支持向量机具有如此良好的回归和预测能承载能力的下降”。力，文中提出了基于支持向量机的结构损伤识别方支持向量机(SupportVectorMachine，SVM)是九法，采用与损伤程度有关的柔度矩阵作为支持向量机十年代中期Vapnik⋯领导的研究小组提出的一种新的输入向量，对结构的损伤位置和损伤程度进行预的机器学习方法，专门研究小样本情况下机器学习的测，以一个两

6、跨连续梁为例进行了数值模拟仿真计规律。SVM具有良好的推广能力以及极低的分类和算，成功地实现从单点损伤样本预测多点损伤样本。逼近误差，方法最终转化为标准的二次优化问题，确1支持向量机回归算法“刚度满足设计要求。度与环境境．2000，(3)：1—6．5结语[2]王涛．钢管混凝土拱桥静动载试验研究[D]，西安：长安大学，2009．通过桥梁的动载试验，可以得出本桥结构实测的[3]吴艺．异型钢管混凝土拱桥荷载试验与整体稳定性分析一阶自振频率与跨径相近的同类桥梁相比，大于理论[D]．南京：东南大学，2010

7、．计算值并且在正常范围以内，这表明桥梁的总体刚度较大，结构传递振动能力及均质性较好。[收稿日期]2013—05-28[作者简介]尹锡军(1979一)，男，山东平度人，讲师，硕士，从参考文献事公路桥梁施工检测方向研究。[1]谭志勇，吴素春，桥梁结构的力学特性测试与分析计算[J]．强低温建筑技术2013年第9期(总第183期)对于一个训练集．s，其中，EXR“，Y∈Y频率和振型结合的指标是不错的选择。由于只需要R(i=1，2，⋯，f)，线性回归的问题是寻找一个线性函前几个低阶模态参数就可以获得精度较好

8、的柔度矩数来对数据拟合：阵，文中采用结构的前三阶频率和振型的大小，估Y=)=(to·)+b(1)计结构的柔度矩阵。式中，(∞，6)∈R×R；to称为权重向量。一般来说，数据集中常常存在大量的多维变量数为了选择参数(to，6)，Vapnik提出了一种s不敏据，它们的数值可能较小阻却起着决定性的重要作感损失函数：用。这样就需要对映射样本空间的数据先进行变换(，Y,J3=lY一，()I=max(0，IY-f(x)I—)处理，删掉原始数据中的无用信息，进行归一化处(2)理。对所有样本的输入