基于支持向量机方法的压电智能结构系统辨识.pdf

第17卷增刊 振 动 工 程 学 报 V01．17 NO．S 2004年8月 ofVibration Journal Engineering Aug．2004 基于支持向量机方法的压电智能结构系统辨识’ 董兴建 孟 光 (上海交通大学振动、冲击、噪声国家重点实验室上海，200030) 摘 要 支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型机器学习方法，克服了传统机 器学习方法在训练中的局部极小问题，过学习和欠学习等问题，具有很好的泛化能力。本文介绍了应用于回归分析 的最小二乘支持向量机(LS—SVM)的基本理论，然后以随机激励下压电智能结构的响应数据作为训练样本集，采用 LS—SVM方法辨识系统，仿真结果验证了这种方法的有效性。 关键词：支持向量机；智能结构；辨识 中图分类号：TP273，TU31 Vector 支持向量机(SupportMachine：SVM)假设回归函数形如 是由Vapnik基于统计学习理论和结构风险最小化 f(x)=(W，≯(z))+b(3) 原则提出的一种新型机器学习方法[1矗]。它的出现，克 式中训为权向量，最小二乘支持向量机方法采用 服了神经网络方法遇到的一些重要困难，正在成为模 误差的二次平方项定义损失函数口’8]，寻求最优的回 式识别领域新的研究热点。最初SVM方法是针对模 归函数等价于下面的约束凸优化问题 式识别问题提出的，并成功地应用于机械系统故障诊 minimize圳叫lI 断[3~5]。随着Vapnik引入￡不敏感函数，SVM方法 2+吉y蚤(黝(4) 已被推广用于解决函数回归问题[6]，这样使得SVM subjectto孔一(叫，声(z。))+b+拿。 回归方法有可能用于辨识智能结构。遗憾的是，虽然 W 式中 ÷lI Il 2描述估计函数厂(z)的复杂度， 神经网络方法广泛应用于智能结构系统辨识，但是目 前尚未有文献报导SVM方法在这个领域的应用。本 专)，∑(等)表征经验风险，y用于调整误差所起的 文首先介绍了用于回归分析的最Ib--乘支持向量机 作用。式(4)体现了结构风险最小化理论的思想 方法(I。S—SVM)，然后尝试将LS—SVM方法应用于 (StructuralRisk 辨识智能结构。仿真实例表明，LS—SVM回归方法可 复杂度，又控制经验风险，同时以训练误差作为最优 有效地解决智能结构辨识问题。 化问题的约束条件，这样得到的模型的泛化能力最 好。定义Lagrange函数 l最小二乘支持向量机方法 L一告lI训Il2+告y∑(等)一 “ “。。：1 (5) 假定支持向量机的训练样本集为 {(zt，M)，i一1，2…Z}(1)