基于支持向量机的静力损伤识别方法

针对使用静力测试数据进行桥梁结构损伤识别时容易出现误判的问题,基于支持向量机理论,提出1种新的静力损伤识别方法。将损伤识别过程分为损伤发生识别、损伤位置识别和损伤程度识别3个步骤。使用理论计算结果与测试数据比较的方法判断损伤是否发生,采用C-支持向量机分类算法进行损伤位置识别,利用ε-支持向量机回归算法进行损伤程度识别。将该方法与优化识别方法同时运用于1个连续梁试验中。试验结果表明:与优化识别方法相比,支持向量机方法通过分开求解损伤位置和程度,并先进行结构有限元分析,然后再使用支持向量机进行识别,将这2个过程解耦,从而降低了问题的难度,不仅能够正确地识别损伤出现的位置,而且能够得到与实际相符的损伤程度识别结果,并且具有较好的推广能力和较强的抗噪声能力,能够很好地对桥梁静力损伤进行识别。     

基于桥梁健康监测系统的斜拉索损伤识别

斜拉索是斜拉桥的重要受力构件。斜拉索的锈蚀、断丝等损伤必然导致索力、主梁线形及结构内力状态的改变,威胁结构的安全。在介绍目前国内外先进的索力及挠度监测方法之后,以一座独塔斜拉桥为例,采用拉索损伤敏感性分析方法,探讨基于主梁挠度及索力监测的斜拉索损伤识别方法的具体应用及其适用性。     

基于粒子群优化支持向量机的斜拉桥主梁损伤识别研究

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机(PSO-SVM)方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群(PSO)算法寻找支持向量机(SVM)最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明:采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数的自动优化,基于PSO-SVM的损伤识别方法对斜拉桥主梁不同程度的损伤均有很高的识别率。     

基于支持向量机的边坡稳定性识别研究

考虑到边坡岩体稳定性问题存在高度的非线性,建立了基于支持向量机的边坡岩体稳定性的判别模型,它是一种基于统计学习理论的识别方法,这种模型非常适合用于对小样本的学习,且训练后的支持向量机判别模型具有很好的推广性能.采用工程实例进行分析,结果表明,基于支持向量机的边坡岩体的稳定性识别模型具有较高的准确率,且操作简便.     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

基于精细模型的斜拉索疲劳损伤分析

为了更好预测斜拉索的疲劳寿命,提出了基于精细模型的斜拉索疲劳寿命分析方法。首先,基于S-N曲线建立疲劳易损指标,采用Monte-Carlo法生成随机列车荷载进行车桥耦合分析,通过易损性分析得到最易损斜拉索;然后,考虑平行钢绞线索力误差建立精细斜拉索模型,基于Miner线性累积损伤理论对精细模型进行疲劳损伤分析与寿命预测。数值仿真结果表明,该方法可以较精确地确定每根钢绞线斜拉索的疲劳位置和疲劳程度;成桥索力较大的斜拉索易于发生疲劳损伤,疲劳损伤多发生在锚固段,且外侧钢绞线疲劳损伤程度较大。     

基于支持向量机与最小二乘支持向量机的闸片识别及磨耗趋势预测

针对检测动车组闸片剩余厚度的需求,设计闸片图像采集系统,通过高速相机与面阵光源的结合使用完成在线闸片图像的采集。介绍支持向量机(SVM)算法的概念,采用SVM对闸片边缘特征进行识别,进而检测剩余厚度。运用最小二乘支持向量机(LSSVM),将SVM的不等式约束变为等式约束,实现闸片剩余厚度的趋势预测。通过将LSSVM检测结果与现场人工测量结果进行对比,验证方法的可靠性。基于LSSVM算法精准预测闸片磨耗趋势,可提供更好的闸片状态修管理模式。     

基于深度学习与支持向量机的钢轨伤损智能识别系统

目前国内钢轨探伤车检测系统都带有自动伤损识别功能,但由于采用了基于既有规则的简单逻辑判断方法,其自动识别的准确率不高,误报较多,伤损漏报的现象时有发生。针对该问题,根据钢轨探伤车所检测数据的特点,提出了基于深度学习与支持向量机的钢轨伤损智能识别系统技术方案;采用深度可分离卷积与选择性搜索相结合的方法进行目标定位;基于人工构建的多维特征,采用支持向量机方式进行伤损图像分类;并通过使用实际线路所测数据中的人工标注样本进行测试,验证了方法的有效性。测试结果表明,该系统在各项技术指标上均表现优异,伤损检出率达到99.8%,误报率降为12%,分类准确率达到95%以上。     

一种基于支持向量机的增量学习算法

具有增量学习功能的数据分类技术与普通的数据处理技术相比较,增量学习分类技术具有明显的优越性?在新的训练过程中充分利用了历史的训练结果,从而显著减少了后继训练的时间。介绍了支持向量机的基本理论和一般的支持向量机增量学习算法,针对有些渐变问题(如机械设备的早期故障期和损耗期),新样本所提供的信息量与历史样本所提供的信息量是不同的,给出一种新息加权的支持向量机的增量学习算法,通过循环来获得最优分类面仿真实验表明,采用加权的增量算法更能反映新样本点的特征?     

基于支持向量机和模糊评判的故障诊断方法研究

将采集到的数据进行模糊化处理,然后运用支持向量机对计算出的模糊样本进行训练,并对其进行模拟仿真,结果与实际试验结果基本相符.克服了根据单一的频谱变化来判断故障的类型,有效地提高了故障诊断性能.     

基于粒子群支持向量机的轨道电路故障诊断

支持向量机（SVM）是一种解决小样本分类问题的最佳理论算法,它的核函数的参数选择非常重要,直接影响着故障诊断的准确率。本文将粒子群算法（PSO）用于支持向量机的参数优化,提出基于粒子群支持向量机的故障诊断模型,并将其运用于轨道电路中。通过对比MATLAB仿真结果得出:经过粒子群寻优得到的参数比随机选取的参数更优,所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。     

基于支持向量机的地铁客流量预测

地铁客流量是城市地铁交通运营组织的重要依据,客流随机性较大及其影响因素较多,因此加大了客流预测的难度。为了更加准确地预测城市地铁交通中的客流量,及时对客流组织方案进行调整,设计了一种基于非线性支持向量回归机的地铁客流量预测方法。该方法通过分析已采集数据的影响因素,确定对客流量影响较大的支持向量,然后构建预测模型进行预测。该模型可以通过调整影响因素的强度来提高预测精度。最后,通过算例验证：该方法可以有效地改善预测误差,适用于短期和不确定环境的地铁客流预测。     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,提出基于小波分析和支持向量机(SVM)的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障诊断.MATLAB仿真结果表明,该方法能够准确地对故障进行诊断.     

斜拉索-阻尼器系统的动力特性分析

斜拉桥拉索的大幅振动越来越引起人们的关注 ,目前减振的主要手段是安装阻尼器 .本文推导了由模态坐标表示的斜拉索 阻尼器系统运动方程 ,对拉索垂度、弯曲刚度、阻尼器位置和阻尼系数等因素对拉索 阻尼器系统的动力特性的影响进行了分析 ,所得结果对斜拉减振阻尼器优化设计具有一定指导意义 .     

基于支持向量机的机车轴承故障诊断方法

通过对机车轴承振动信号的分析处理,提出基于支持向量机(SVM)的故障诊断方法,提取反映轴承运行状态的无量纲系数作为故障的特征向量,并以此作为输入来建立支持向量机分类器,利用SVM网络的智能性来判断机车轴承的工作状态和故障类型.实验结果表明,提出的方法在小样本的情况下仍能准确、有效地对机车轴承的工作状态和故障类型进行分类,实现机车轴承故障的智能诊断.     

提速道岔小波包能量熵故障诊断方法

将小波包变换应用于S700K型提速道岔转辙机故障诊断中,以微机监测系统采集的S700K型转辙机三相交流电流为信号源,基于小波包多尺度分析对道岔转辙机正常工作状态和各故障状态下的三相交流电流进行分解,并通过小波包能量熵提取故障特征,然后根据能量熵定义故障诊断指标,并对每相电流的故障诊断指标设定2个阈值,来定量划分故障类型。实验结果表明:道岔不同故障情况下,三相电流小波包能量熵分布有一定的规律,故障诊断指标阈值的设定能有效划分道岔故障类型,待测样本测试结果与现场诊断结果一致。     

小波变换在结构损伤识别中的应用研究

针对土木工程结构的复杂性和数据的不完备性，以小波分析为理论基础，结合多尺度分析理论和数值模拟，对结构损伤识别进行了研究。主要分析了结构动力参数在损伤后的变化特征，对单自由度框架的加速度信号进行小波分析，得到结构损伤的时刻；研究了利用空间域信息对结构损伤位置的识别问题，对带裂缝悬臂梁的变形曲线进行小波变换，判定了结构损伤位置。     

支持向量机在货运量预测中的应用研究

在分析现有货运量预测方法所存在问题的基础上,建立了货运量预测的支持向量机模型,并以我国1981～2001年的货运量和相关经济指标的历史统计数据作为学习样本,分别选用3种不同的核函数,通过拟合训练和外推预测分析,验证了支持向量机用于货运量预测的有效性,并对模型中的有关参数进行了探讨分析。