结构可靠性分析的支持向量机分类迭代算法.pdf

文档介绍：2
2
等[12 ] 开创性地将支持向量机用于可靠性分析中 ,
隐式极限状态方程的可靠性分析是工程中常 他们将支持向量机方法用于评估网络系统的可靠
见的问题 ,目前解决这类问题常用的方法是将隐 性计算。后来 , Hurtado 等[13 ] 将可靠性分析问题
式极限状态方程近似显式化 ,然后利用显式极限 考虑成模式识别问题 ,采用支持向量机与随机有
状态方程的可靠性分析方法进行失效概率的计 限元相结合的方法对结构进行可靠性分析。本文
算。将隐式极限状态方程显式化的方法大致包括 利用分类支持向量机来拟合隐式极限状态方程 ,
响 应 面 法[ 1 4 ] 、神 经 网 络 法[ 5 8 ] 、Kringing 方 结合经典可靠性分析方法计算设计点 ,并对分析
法[9 ,10 ] 、支 持 向 量 机 ( support vector machine , 过程进行迭代 。
方法[11 ] 等 其中以采用结构风险最小推理
SVM) , 1 　隐式极限状态方程可靠性分析的支持
原则的支持向量机的小样本学****能力和泛化能力 向量机分类迭代算法
最强。与采用经验风险最小推理原则的显式化方
法相比 ,支持向量机的显著优点表现在其避免了 　　结构系统的两种状态 (安全和失效) 对应支持
有限样本下的“过学****局部最优和维数灾难问 向量机的两类分类问题 ,因此对于以 x = ( x1 , x2 ,
题 ,具有较强的推广泛化能力。 ⋯, x n ) 为输入变量且 g ( x) 为极限状态函数的隐
目前 ,支持向量机在结构可靠性中的应用还 式可靠性分析问题 , 可以在合理选择训练样本点
不多见 ,按现有可检索的文献来看 ,支持向量机方 的基础上 ,通过支持向量机分类算法构造出的最
法用于可靠