SVM颗粒运动形态及其能量耗散的预测分析
发布时间：2021-02-09 21:09
基于离散单元法建立了圆柱形颗粒阻尼器的仿真模型,研究了阻尼器内颗粒在不同激振条件下的运动形态及其能量耗散大小。为了获取两者之间的定量关系,应用基于网格搜索法（GS）的支持向量机（SVM）建立了颗粒运动形态的分类预测模型及其能量损耗的回归预测模型,对颗粒运动形态的分布及其能量损耗的大小进行了预测,并通过仿真进行了验证。结果表明:基于GS方法优化的SVM能够建立一个预测准确度很高、推广泛化能力很强的分类和回归预测模型,该预测模型不仅能够很好地揭示颗粒系统在不同运动形态下的能量耗散的变化规律,而且还能在较大的激振条件范围内确定系统能量耗散最大值及对应的运动形态。
【文章来源】：实验室研究与探索. 2020,39(01)北大核心
【文章页数】：7 页
【部分图文】：
颗粒运动形态或能量损耗预测模型
依据颗粒运动形态分类结果,图7给出了229个测试样本的可视化混淆矩阵图,混淆矩阵的每一列表示颗粒运动形态的预测类别;每一行代表其真实类别。由混淆矩阵计算得到颗粒呈现类固态、局部流化、全局流化、蹦床、对流、莱氏效应、浮力对流时的分类精确率分别为:1、1、0.934 2、0.963 0、0.872 3、0.666 7、1;召回率分别为:1、1、0.934 2、0.963 0、0.891 3、0.5、1;综合评价指标分别为:1、1、0.934 2、0.963 0、0.881 7、0.571 4、1。由于各个类别的分类精确率、召回率和综合评价指标在[0,1]范围内均取得了较大值,由此可见,基于网格搜索法的支持向量机在对颗粒运动形态分类时取得了十分理想的预测效果。图8(a)和图8(b)分别为测试样本损耗因子预测值与真实值的对比与损耗因子预测值的误差分布。从图中可以看出,测试样本损耗因子的预测值与真实值高度吻合,其相对误差主要分布在[0,0.01]。由此表明,基于支持向量机的颗粒系统能量损耗回归预测模型不但具有很强的推广泛化能力,而且能够准确地表达系统能量损耗与激振条件之间的非线性关系。
本文采用GS[14]对(c,g)进行参数寻优,该方法能够高效地在规定的取值范围内寻得最优值。为了避免系统误差给(c,g)的寻优结果带来不利影响,还采用了5重交叉验证法,即每次取1/5的样本作为测试集,4/5的样本作为训练集,并以分类正确率(Accuracy)判断是否获得最佳参数。图1为参数(c,g)的寻优流程,图2为基于网格搜索法优化支持向量机的颗粒运动形态及其能量耗散的预测分析的流程。图2 颗粒运动形态及其能量耗散预测分析流程
【参考文献】：
期刊论文
[1]颗粒物质流变学行为和材料参数对颗粒阻尼器能量耗散的影响[J]. 苏凡,张航,尹忠俊. 振动与冲击. 2018(08)
[2]基于支持向量回归机的颗粒阻尼减振结构阻尼特性实验[J]. 夏兆旺,魏守贝,张帆,王雪涛,陈志超,候星. 实验室研究与探索. 2016(02)
[3]颗粒阻尼技术研究综述[J]. 鲁正,吕西林,闫维明. 振动与冲击. 2013(07)
[4]Ignition Pattern Analysis for Automotive Engine Trouble Diagnosis Using Wavelet Packet Transform and Support Vector Machines[J]. VONG Chi-man,WONG Pak-kin,TAM Lap-mou. Chinese Journal of Mechanical Engineering. 2011(05)
[5]基于模拟退火改进的神经网络算法在颗粒碰撞阻尼研究中的应用[J]. 李来强,王树林,李生娟,徐波. 振动与冲击. 2010(03)
[6]序贯最小二乘支持向量机的结构系统识别[J]. 唐和生,薛松涛,陈镕,晋侃. 振动工程学报. 2006(03)
[7]BP神经网络的LM算法及其对颗粒碰撞振动阻尼的预测[J]. 李来强,王树林,赵兵涛. 上海理工大学学报. 2006(04)
[8]基于网格搜索的支持向量机核函数参数的确定[J]. 王兴玲,李占斌. 中国海洋大学学报(自然科学版). 2005(05)
本文编号：3026238
【文章来源】：实验室研究与探索. 2020,39(01)北大核心
【文章页数】：7 页
【部分图文】：
颗粒运动形态或能量损耗预测模型
依据颗粒运动形态分类结果,图7给出了229个测试样本的可视化混淆矩阵图,混淆矩阵的每一列表示颗粒运动形态的预测类别;每一行代表其真实类别。由混淆矩阵计算得到颗粒呈现类固态、局部流化、全局流化、蹦床、对流、莱氏效应、浮力对流时的分类精确率分别为:1、1、0.934 2、0.963 0、0.872 3、0.666 7、1;召回率分别为:1、1、0.934 2、0.963 0、0.891 3、0.5、1;综合评价指标分别为:1、1、0.934 2、0.963 0、0.881 7、0.571 4、1。由于各个类别的分类精确率、召回率和综合评价指标在[0,1]范围内均取得了较大值,由此可见,基于网格搜索法的支持向量机在对颗粒运动形态分类时取得了十分理想的预测效果。图8(a)和图8(b)分别为测试样本损耗因子预测值与真实值的对比与损耗因子预测值的误差分布。从图中可以看出,测试样本损耗因子的预测值与真实值高度吻合,其相对误差主要分布在[0,0.01]。由此表明,基于支持向量机的颗粒系统能量损耗回归预测模型不但具有很强的推广泛化能力,而且能够准确地表达系统能量损耗与激振条件之间的非线性关系。
本文采用GS[14]对(c,g)进行参数寻优,该方法能够高效地在规定的取值范围内寻得最优值。为了避免系统误差给(c,g)的寻优结果带来不利影响,还采用了5重交叉验证法,即每次取1/5的样本作为测试集,4/5的样本作为训练集,并以分类正确率(Accuracy)判断是否获得最佳参数。图1为参数(c,g)的寻优流程,图2为基于网格搜索法优化支持向量机的颗粒运动形态及其能量耗散的预测分析的流程。图2 颗粒运动形态及其能量耗散预测分析流程
【参考文献】：
期刊论文
[1]颗粒物质流变学行为和材料参数对颗粒阻尼器能量耗散的影响[J]. 苏凡,张航,尹忠俊. 振动与冲击. 2018(08)
[2]基于支持向量回归机的颗粒阻尼减振结构阻尼特性实验[J]. 夏兆旺,魏守贝,张帆,王雪涛,陈志超,候星. 实验室研究与探索. 2016(02)
[3]颗粒阻尼技术研究综述[J]. 鲁正,吕西林,闫维明. 振动与冲击. 2013(07)
[4]Ignition Pattern Analysis for Automotive Engine Trouble Diagnosis Using Wavelet Packet Transform and Support Vector Machines[J]. VONG Chi-man,WONG Pak-kin,TAM Lap-mou. Chinese Journal of Mechanical Engineering. 2011(05)
[5]基于模拟退火改进的神经网络算法在颗粒碰撞阻尼研究中的应用[J]. 李来强,王树林,李生娟,徐波. 振动与冲击. 2010(03)
[6]序贯最小二乘支持向量机的结构系统识别[J]. 唐和生,薛松涛,陈镕,晋侃. 振动工程学报. 2006(03)
[7]BP神经网络的LM算法及其对颗粒碰撞振动阻尼的预测[J]. 李来强,王树林,赵兵涛. 上海理工大学学报. 2006(04)
[8]基于网格搜索的支持向量机核函数参数的确定[J]. 王兴玲,李占斌. 中国海洋大学学报(自然科学版). 2005(05)
本文编号：3026238
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3026238.html
