共查询到10条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
3.
以梁桥节点最大位移改变率作为损伤程度伤识别指标,分别采用广义回归神经网络(GRNN)算法和ε-支持向量回归机(ε-SVR)算法,进行损伤程度识别研究。通过对一座铁路双线简支钢桁梁桥某杆件的损伤程度识别研究发现:(1)GRNN损伤程度识别模型具有一定的抗噪能力,不具有泛化性。(2)SVR损伤程度识别模型具有很强的抗噪能力和很好的泛化性。(3)以桥梁节点最大位移改变率作为损伤程度识别指标时,数据回归算法不能采用GRNN算法,应采用ε-SVR算法。 相似文献
4.
5.
6.
基于在线振动响应的桥梁损伤识别方法 总被引:1,自引:0,他引:1
选用桥梁单元的刚度下降率作为损伤因子.基于铁路列车-桥梁耦合振动模型,计算桥梁在线振动响应对损伤因子的灵敏度并构建灵敏度矩阵,以结构不同状态下的响应残差为约束条件建立灵敏度方程,用Tikhonov正则化方法求解灵敏度方程得到各单元的损伤因子,实现对桥梁损伤的定位和定量评估.应用该识别方法对简支梁桥和2跨连续梁桥的识别结果表明:该识别方法对测点位置不敏感.可根据梁上任意1个测点的响应准确确定损伤位置及损伤程度;不但能识别桥梁的绝对损伤,而且能识别桥梁的损伤增量,即相对损伤;抗噪能力较强,即使噪声水平达到10%,也能正确识别出5%以上的损伤,但对5%以下小幅损伤可能会有误判. 相似文献
7.
8.
以某典型斜拉桥振动台模型试验为研究背景,采用滑窗技术与数据驱动随机子空间识别算法对桥梁运营状态预警方法进行研究。为实现在时域上对桥梁模态参数进行实时跟踪识别,将滑窗技术引入子空间法,提出一种滑窗子空间模态参数识别方法。而后基于滑窗子空间算法识别结果,参考各国高速铁路桥梁相关规范的状态评价指标,提出基于频率值和频率变化率的铁路桥梁运营状态预警方法,实现铁路桥梁的实时状态评估。运用模型试验各工况下的测试数据,对该模型桥的状态进行实时评估和预警分析,并将状态预警结果与模型桥实际损伤情况进行对比分析,验证所提方法的正确性,该方法可直接应用于桥梁结构的运营状态预警分析中。 相似文献
9.
为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。 相似文献