基于SVM的结构损伤识别方法研究

论文摘要

支持向量机是基于统计学习理论的一种非常有效的学习方法。支持向量机方法较好地解决了许多学习方法面临的小样本、非线性和局部极小点等问题,具有很好的应用前景。结构损伤识别对于工程结构的安全评定与维护起着重要的作用,本文从解决基于样本的学习问题的角度出发,研究了基于支持向量机的结构损伤识别方法,主要研究工作如下:首先,介绍了结构损伤识别方法的研究状况,阐述了统计学习理论及支持向量机方法。其次,提出一种基于支持向量机的结构损伤识别方法。利用悬臂梁的仿真分析,获得各种典型损伤工况下的结构固有频率(样本),组成学习问题的样本集。分别将支持向量机和BP神经网络方法作用于样本集,实现对悬臂梁损伤的定位与程度的预测。通过对比两种损伤识别方法的识别结果,验证了基于支持向量机的结构损伤识别方法的优越性。第三,进行实验室简支钢梁模型实验,将支持向量机损伤识别方法作用于样本集,实现对模型结构的损伤识别,通过实验结果分析验证了支持向量机方法对模型结构损伤识别的有效性。最后,总结全文的主要工作和研究成果,指出了有待进一步解决的问题,并对支持向量机作为损伤识别方法的发展前景作了展望。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的意义及来源
• 1.1.1 课题背景和研究的意义
• 1.1.2 课题来源
• 1.2 结构健康监测与结构损伤识别的研究现状
• 1.2.1 结构健康监测的研究与应用现状
• 1.2.2 结构损伤识别方法的研究现状
• 1.3 支持向量机在结构损伤识别中的应用
• 1.3.1 支持向量机的研究与应用现状
• 1.3.2 支持向量机在结构损伤识别中的应用
• 1.4 本文主要研究内容
• 第2章 统计学习理论与支持向量机
• 2.1 引言
• 2.2 统计学习理论介绍
• 2.2.1 学习问题的描述
• 2.2.2 经验风险最小化
• 2.2.3 函数集的VC 维与推广性的界
• 2.2.4 结构风险最小化
• 2.3 支持向量机分类
• 2.3.1 最优分类超平面
• 2.3.2 软间隔优化
• 2.4 支持向量机回归
• 2.4.1 线性回归问题
• 2.4.2 核函数
• 2.4.3 非线性回归计算的核方法
• 2.5 BP 神经网络
• 2.5.1 神经网络的产生与发展
• 2.5.2 神经元模型
• 2.5.3 神经网络的网络结构
• 2.5.4 BP 神经网络原理
• 2.6 本章小结
• 第3章 基于支持向量机的结构损伤识别方法的仿真分析
• 3.1 引言
• 3.2 支持向量机方法用于结构损伤识别的数值计算
• 3.2.1 悬臂梁的数值仿真与样本集准备
• 3.2.2 核函数的选取与系统模型参数的选择
• 3.2.3 方法验证
• 3.3 BP 神经网络方法用于结构损伤识别的数值计算
• 3.3.1 BP 网络初始化设定
• 3.3.2 样本集准备与方法验证
• 3.4 两种损伤识别方法的计算结果比较
• 3.4.1 误差对比
• 3.4.2 原因分析
• 3.5 本章小结
• 第4章 基于支持向量机的结构损伤识别方法的实验验证
• 4.1 引言
• 4.2 简支梁模型实验设计
• 4.2.1 简支梁模型设计
• 4.2.2 实验方案设计
• 4.3 实验数据的采集处理与模态频率分析
• 4.3.1 数据采集系统组成
• 4.3.2 采集信号的滤波处理
• 4.3.3 结构模态频率分析
• 4.4 支持向量机损伤识别方法的实验验证
• 4.4.1 样本集准备与参数选取
• 4.4.2 方法验证
• 4.4.3 结果分析
• 4.5 本章小结
• 结论
• 参考文献
• 致谢