结构可靠性设计的多输入输出支持向量机方法

发布时间：2017-07-06 16:28

  本文关键词：结构可靠性设计的多输入输出支持向量机方法

  更多相关文章： 结构可靠性 可靠性分析 支持向量机 多输入多输出 可靠性优化 概率支持向量机

【摘要】：结构可靠性设计是可靠性工程的重要内容之一,借助于结构可靠性理论对结构设计中不确定性的合理处理方法,现已发展为结构设计分析的重要方法之一。目前对于简单结构或结构系统的结构可靠性分析方法已经较为成熟,但在结构可靠性分析与设计中难以避免的会遇到多个变量和多个极限状态函数的情况,而现有方法的效率较低,特别是在小样本和高维情况下,计算效率和精度仍需提高。支持向量机算法是最近二十年发展起来的一种优秀算法,具有出色的小样本学习性能,在处理非线性和高维问题具有很大优势。目前已有学者将其与蒙特卡洛法和一次二阶矩法等基本可靠性分析方法相结合,用于结构可靠性分析,但是这些方法只是针对具有一个极限状态函数的单输出的结构可靠性分析问题。多输入多输出支持向量机是在标准支持向量机的基础上发展起来的一种用于多个输出目标的方法,在多变量多函数拟合上具有较高的效率和精度。本文将多输入多输出支持向量机方法应用于结构可靠性分析中。多输入多输出支持向量机可以同时对多个极限状态函数建立代理模型,简化了计算模型并具有较高的精度。基于此,本文又提出了两种基于多输入多输出支持向量机的结构可靠性设计优化方法。基于一组训练样本,建立优化设计问题的所有概率约束条件的代理模型。并且该代理模型是唯一的,不涉及重复抽样和构建。考虑到支持向量机的预测精度对失效概率的影响,将概率支持向量机方法引入到结构可靠性分析中,较为保守的进行结构可靠性评估,并将其用于结构可靠性设计优化。
【关键词】：结构可靠性 可靠性分析 支持向量机 多输入多输出 可靠性优化 概率支持向量机
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TB114.3
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 注释表10-11
• 缩略词11-12
• 第一章 绪论12-22
• 1.1 本文研究背景、目的和意义12-14
• 1.2 国内外研究与发展状况14-20
• 1.2.1 结构可靠性分析方法14-16
• 1.2.2 基于SVM的结构可靠性方法的研究16-17
• 1.2.3 含有多个极限状态函数的可靠性分析问题17-18
• 1.2.4 结构可靠性设计优化18-20
• 1.3 本文的研究内容及研究方法20-22
• 第二章 基于多输入多输出支持向量机的可靠性分析方法22-40
• 2.1 支持向量机算法22-27
• 2.1.1 线性支持向量机22-25
• 2.1.2 非线性支持向量机25
• 2.1.3 最小二乘支持向量机25-27
• 2.2 多输入多输出支持向量机算法27-28
• 2.3 基于多输入多输出支持向量机的可靠性分析方法28-29
• 2.4 抽样策略29-32
• 2.4.1 抽样方法29-31
• 2.4.2 样本量确定31-32
• 2.5 算例分析32-38
• 2.5.1 串联系统可靠性分析32-35
• 2.5.2 减速器可靠性分析35-38
• 2.6 本章小结38-40
• 第三章 基于多输入多输出支持向量机的可靠性设计优化方法40-56
• 3.1 可靠性设计优化方法概述40-41
• 3.2 基于MIMO-SVM的一种双循环可靠性设计优化方法41-43
• 3.3 基于MIMO-SVM的PMA方法43-45
• 3.4 算例分析45-55
• 3.4.1 减速器可靠性设计优化45-49
• 3.4.2 汽车侧面碰撞可靠性设计优化49-55
• 3.5 本章小结55-56
• 第四章 基于概率支持向量机的可靠性分析与设计方法56-69
• 4.1 概率支持向量机56-58
• 4.2 基于PSVM的可靠性分析方法58-59
• 4.3 基于MIMO-PSVM的可靠性分析算例59-62
• 4.3.1 减速器可靠性设计分析59-61
• 4.3.2 汽车侧面碰撞可靠性分析61-62
• 4.4 基于MIMO-PSVM的可靠性优化方法62-63
• 4.5 基于MIMO-PSVM的可靠性优化算例63-68
• 4.5.1 减速器可靠性设计优化64-65
• 4.5.2 汽车侧面碰撞可靠性设计优化65-68
• 4.6 本章小结68-69
• 第五章 总结与展望69-71
• 5.1 全文总结69-70
• 5.2 展望70-71
• 参考文献71-77
• 致谢77-78
• 在学期间的研究成果及发表的学术论文78

【相似文献】

中国期刊全文数据库 前10条

1 冯剑丰;王洪礼;李胜朋;;基于支持向量机的浮游植物密度预测研究[J];海洋环境科学;2007年05期

2 蔡佳;陈洪;;ν-支持向量机的收敛性[J];湖北大学学报(自然科学版);2005年04期

3 唐万梅;;基于灰色支持向量机的新型预测模型[J];系统工程学报;2006年04期

4 熊宇虹;温志渝;梁玉前;陈勤;张波;刘妤;向贤毅;;基于支持向量机的模型传递方法研究[J];光谱学与光谱分析;2007年01期

5 左林;;一个新的稀疏支持向量机模型[J];山西师范大学学报(自然科学版);2008年03期

6 赫英明;王汉杰;;支持向量机在积雪检测中的应用[J];南京气象学院学报;2009年01期

7 贾亮;王礼力;;支持向量机在上市公司财务预警模型中的应用[J];淮阴工学院学报;2010年02期

8 郎宇宁;蔺娟如;;基于支持向量机的多分类方法研究[J];中国西部科技;2010年17期

9 谢福民;;支持向量机理论研究[J];科技广场;2011年01期

10 王红蔚;席红旗;孔波;;一种新的半监督支持向量机[J];郑州大学学报(理学版);2012年03期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：526992