基于最小二乘支持向量机载荷识别研究.pdfVIP

0B 基于最小二乘支持向量机载荷识别研究 胡迪科 毛文涛 韩峰 闫桂荣 （西安交通大学强度与振动教育部重点实验室 710049 西安） 摘要：本文利用统计学习理论中最小二乘支持向量机研究载荷识别问题，选用径向基函数，通过全局遍历 方式选参，建立了基于最小二乘支持向量机载荷识别模型。经对圆柱壳结构振动系统数值仿真表明利用该 载荷识别模型识别出的载荷，不仅识别精度高，而且能有效解决载荷识别的非线性、小样本等问题，具有 一定的工程实用价值。 关键词：载荷识别；最小二乘支持向量机；反问题 1B 1 引言 确定结构所受的动态载荷在工程实际中具有十分重要的意义，诸如机械结构的动态设计与分析、结构 健康监测与故障诊断、结构动力学优化等都必须确定其所受动态载荷[1] 。当前确定动态载荷的方法主要有 两种，即直接法和间接法。直接法是直接测定载荷本身或有关载荷参数得到载荷大小。但在工程实际中， 受多种条件限制，对实际工作的结构所受外载很难进行直接测量或根本无法实测。间接法是通过测量结构 动态响应（包括位移、速度、加速度、应变等）和系统特征来反求结构所受激励的方法，属于振动问题第 [2-4] 二类反问题 。 目前载荷识别主要方法有频率法和时域法。动态载荷识别的频率法发展较早，该方法的基本思想是在 频域内建立系统的频率响应函数模型，再通过系统的输出识别出动态输入。由于振动系统在频域内其数学 模型的输入输出关系为线性算子，因此，其线性算子的逆运算易处理，问题转化为求解一组线性方程组。 但频域法中频响函数矩阵在共振区常呈现为病态，因此，存在数值精度和稳定性问题；同时频域法只适用 [3] 于平稳振动，对测试数据量要求大，对非平稳振动问题和短样本数据无能为力 。 为此本文将支持向量机技术应用到载荷识别领域，重点讨论结构频域内载荷识别问题，从响应和激励 数据出发实现响应数据与激励之间的非线性映射，建立基于支持向量机的载荷识别方法。研究表明应用最 小二乘支持向量机识别载荷能有效的解决载荷识别的非线性、小样本数据等问题，识别效果较好，数值稳 定性好，精度高，具有工程实用性。 2B 2 最小二乘支持向量机[5-11] 近年来，统计学习理论(Statistical Learning Theory 或 SLT)在数据分类，回归预测研究方向上取得了突 破性的进展。统计学习理论是一种专门研究小样本情况下机器学习规律的理论。V. Vapnik 等人从六、七十 年代开始致力于此方面研究，到九十年代中期，随着其理论的不断发展和成熟，也由于神经网络等学习方 法在理论上缺乏实质性进展，统计学习理论开始受到越来越广泛的重视。Vapnik 在 1995 年提出一种新型 统计学习方法—支持向量机(Support Vector Machine)，SVM 是建立在一套较好的有限样本下机器学习的理 论框架和通用方法之下，既有严格的理论基础，又能较好的解决小样本、非线性、高维数和局部极小点等 实际问题，已在很多领域得到了成功的应用，如人脸识别，文本自动分类等。Suykens 等人于 1999 年提出 一种新型支持向量机—最小二乘支持向量机(LSSVM, Least Squares Support Vector Machine)用于解决分类 和函数估计问题，这种方法采用最小二乘线性系统作为损失函数，代替传统的支持向量机采用二次规划方 法，并应用到模式识别和非线性函数估计，取得了较好的效果，运算简单、收敛速度快、精度高。 最小二乘支持向量机主要基于如下思想：首先选择一非线性映射将维样本向量，从原空间映射到特征 空间，在此高维空间构造最优线性决策函数，以解决原空间中线性不可分问题。在权空间中的函数估计问 题可以描述求解下面问题： 1 N min ( , ) || 2 || ( )2 （1） J w