检索结果-南通市图书馆

基于k-fold交叉验证的代理模型序列采样方法

在线全文

学校读者我要写书评

暂无评论

计算力学学报 2022年第2期39卷 244-249页

作者：李正良彭思思王涛重庆大学土木工程学院重庆400045 重庆大学山地城镇建设与新技术教育部重点实验室重庆400045

在代理模型序列采样框架下,针对现有研究中的不足之处,通过引入k-fold交叉验证计算样本的预测误差,并结合泰森多边形法和最大距离最小化准则,发展了一种适用于任意代理模型的k-fold CV-Voronoi自适应序列采样方法。相较于传统序列采样方... 详细信息

在代理模型序列采样框架下,针对现有研究中的不足之处,通过引入k-fold交叉验证计算样本的预测误差,并结合泰森多边形法和最大距离最小化准则,发展了一种适用于任意代理模型的k-fold CV-Voronoi自适应序列采样方法。相较于传统序列采样方法,本文方法具有计算简单和自适应性强等显著优势。通过数值算例和工程算例对比分析发现所提序列采样方法具有较高的近似精度和计算效率,此外,进一步讨论了k-fold交叉验证中k的不同取值对于代理模型精度的影响,总结出k的最优取值范围以供参考。

关键词： k-fold交叉验证序列采样代理模型泰森多边形

在线全文

学校读者我要写书评

暂无评论

基于序列采样算法的轮盘减质优化

航空动力学报 2014年第9期29卷 2097-2103页

作者：徐胜利刘海涛王晓放宋洋大连理工大学能源与动力学院辽宁大连116024 大连理工大学海洋能源利用与节能教育部重点实验室辽宁大连116024 中国航空工业集团公司沈阳发动机设计研究所沈阳110015

介绍了一种基于蒙特卡罗表述的空间缩减策略和局部边界线搜索的序列采样算法,该算法利用已有样本点的信息缩减原有设计空间,使得在缩减设计空间上生成的新样本点能够同时具有良好的空间填充特性和投影特性.与已有的序列采样算法的比较... 详细信息

介绍了一种基于蒙特卡罗表述的空间缩减策略和局部边界线搜索的序列采样算法,该算法利用已有样本点的信息缩减原有设计空间,使得在缩减设计空间上生成的新样本点能够同时具有良好的空间填充特性和投影特性.与已有的序列采样算法的比较结果表明,该算法具有较高的采样效率和采样质量.采用此序列采样算法结合Kriging模型和遗传算法进行轮盘减质优化,优化结果减质10%.该序列采样算法为工程结构的优化提供了一条灵活有效的途径.

关键词：空间缩减序列采样代理模型轮盘减质优化

在线全文

学校读者我要写书评

暂无评论

基于支持向量回归模型的序列采样方法研究

基于支持向量回归模型的序列采样方法研究

作者：缪继华华中科技大学

学位级别：硕士

基于近似模型的设计方法采用近似模型和采样方法来代替复杂冗长的计算机仿真,被广泛应用于现代工程设计的各个领域。然而,目前针对近似模型技术的研究只是将近似模型作为一种建模手段,重点主要集中在采样方法,弱化了模型在整个过程中的... 详细信息

基于近似模型的设计方法采用近似模型和采样方法来代替复杂冗长的计算机仿真,被广泛应用于现代工程设计的各个领域。然而,目前针对近似模型技术的研究只是将近似模型作为一种建模手段,重点主要集中在采样方法,弱化了模型在整个过程中的作用,没有将两者作为一个统一的整体来进行研究。进行填充时,利用到的信息也主要停留在空间分布或者交叉验证信息。针对这些不足,本文主要做了以下三个方面的工作。首先,本文在支持向量回归模型的基础上,通过分析模型中支持向量点的特征,提出了一种基于支持向量回归模型序列采样方法(SV-Voronoi)。SV-Voronoi序列采样利用Voronoi图对设计空间进行划分,找到当前样本集合下预测误差最高的区域,并在该区域内寻找距离当前样本点最远的点作为新的填充点,保证了序列采样过程的稳定性。其次,为了解决样本点规模增加带来的参数不匹配问题,引入交叉验证和网格搜索优化支持向量回归模型的参数组。现有的方法利用支持向量回归模型作为建模手段时,忽略了参数对于建模的影响,通常都是预先设置一组参数以供后续的使用。随着序列采样过程的深入,样本点集合的规模和分布情况也在发生着变化,固定参数组往往会导致模型误差累积的现象。根据样本点集合实时调整这些参数,则能够有效的避免这些问题。最后,将本文提出的SV-Voronoi序列采样方法应用于可调距螺旋桨桨毂结合面的间隙问题研究。结果表明,本文所提出的方法能够准确地建立不同工况下的间隙响应模型,证实了SV-Voronoi序列采样方法的工程应用能力。

关键词：支持向量回归序列采样近似模型可调距螺旋桨

几种单一代理模型和混合代理模型序列采样策略及其应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

几种单一代理模型和混合代理模型序列采样策略及其应用

作者：余恩恩华中科技大学

学位级别：硕士

船体结构设计是一个多参数、高复杂性的设计问题,且伴随着大量耗时的计算仿真实验。代理模型技术能够利用少量真实样本值预估全局任意设计方案下响应结果,可以为船体结构设计工作者提供设计辅助。如何提高和保证代理模型的预测精度是一... 详细信息

船体结构设计是一个多参数、高复杂性的设计问题,且伴随着大量耗时的计算仿真实验。代理模型技术能够利用少量真实样本值预估全局任意设计方案下响应结果,可以为船体结构设计工作者提供设计辅助。如何提高和保证代理模型的预测精度是一个重要的问题,本文开展单一代理模型和混合代理模型序列采样策略研究,论文的主要工作如下:鉴于代理模型序列采样点应均匀化,同时高非线性响应区域应重点关注,提出了一种同时考虑设计空间和响应空间信息的特征量:空间曲线距离。借鉴最小距离最大化方法,建立了最小空间曲线距离最大化准则,该准则不依赖于代理模型的类型,因此具有通用性。使用17个测试函数进行测试,并与常用的经典MSE准则结果进行对比,结果表明新提出的采样方法使得最终代理模型的整体预测精度更高。在简要说明子代理模型混合策略基本理论的基础上,介绍了一种使用推广交叉验证方法,实现变加权形式的混合策略。然后进一步考虑将混合代理模型与序列采样方法的结合,提出2种采样策略:子代理模型综合采样后再混合与直接基于混合代理模型序列采样。使用数学测试函数分别进行对比实验,计算结果表明混合代理模型序列采样的策略更优,能够更大程度综合混合代理模型与序列采样的优势,提高代理模型精度。考虑到部分实际问题更加关注某些局部区域的响应预测精度,提出了针对局部半封闭区域和封闭区域进行重点采样的采样策略。分别引入sigmoid函数和正态函数作为补充系数,调整半封闭区域和封闭区域的重要程度以实现局部重点采样。数学测试函数结果表明局部采样策略在对应的局部重点区域具有更高的预测精度,说明了局部采样策略的有效性。最后将提出的单一代理模型序列采样策略、混合代理模型序列采样策略,以及局部重点区域序列采样策略应用于典型船底双层底板架结构应力预测,其中用交叉梁系模型进行双层底板架结构应力计算,用7个参数作为代理模型的输入。计算结果表明所有方法都相应地提高了代理模型的预测精度。本文提出的单一代理模型序列采样策略、混合代理模型序列采样策略与局部重点采样策略都能够在不同需求情况下提高代理模型的预测精度,研究工作为实际工程设计耗时的仿真计算快速预报提供了有益的参考。

关键词：代理模型混合代理模型序列采样局部重点序列采样船体结构设计

基于多采样序列特征提取网络的多变量间歇过程故障预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

化工学报 2024年

作者：高学金李博伦韩华云高慧慧齐咏生北京工业大学信息科学技术学院数字社区教育部工程研究中心城市轨道交通北京实验室计算智能与智能系统北京市重点实验室内蒙古工业大学电力学院

故障预测可以指示变量的异常变化，提前预测故障情况。现有故障预测方法仅考虑完整序列的全局时间依赖关系，忽略了变量间依赖关系及采样子序列中不同的局部时间依赖关系。针对上述问题，提出了一种基于多采样序列特征提取网络（multi-s... 详细信息

故障预测可以指示变量的异常变化，提前预测故障情况。现有故障预测方法仅考虑完整序列的全局时间依赖关系，忽略了变量间依赖关系及采样子序列中不同的局部时间依赖关系。针对上述问题，提出了一种基于多采样序列特征提取网络（multi-sampled sequence feature extraction network，MSFEN）的故障预测架构。首先设计了一种批次联合嵌入机制，在考虑批次周期性的同时更好地表达变量间依赖关系。然后，开发了一种序列采样机制划分完整时间序列与不同尺度的采样子序列。之后，分别设计了翻转平滑Transformer与卷积交互提取模块，以全面地提取多尺度时间依赖关系与变量间依赖关系。最后，融合多采样序列特征获得最终的编码特征，通过前馈层实现故障预测。利用青霉素发酵过程进行实验，结果表明该方法具有良好的故障预测性能。

关键词：间歇式故障预测序列采样神经网络多尺度

基于主动学习神经网络的转向架构架疲劳可靠性分析

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算力学学报 2023年第3期40卷 491-498页

作者：陈鹏大连交通大学车辆工程学院大连116028

为了提高转向架构架疲劳可靠性分析的精度与效率,提出一种主动学习BR-BP神经网络模型与Monte Carlo法相结合的可靠性分析方法.该方法针对BP神经网络的缺陷,使用贝叶斯正则BR(Bayesian regularization)算法作为训练算法,以提高神经网络... 详细信息

为了提高转向架构架疲劳可靠性分析的精度与效率,提出一种主动学习BR-BP神经网络模型与Monte Carlo法相结合的可靠性分析方法.该方法针对BP神经网络的缺陷,使用贝叶斯正则BR(Bayesian regularization)算法作为训练算法,以提高神经网络的拟合精度与收敛速度,并考虑可靠性分析的固有特点,构造了一种适用于BP神经网络的主动学习函数,用于指导最佳样本点的选择.提出的学习函数不仅保证了样本点分布在极限状态函数附近,还考虑了样本点的预测误差以及样本点分布对失效概率计算的影响.转向架构架可靠性分析结果表明,本文方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性与可行性.

关键词：结构可靠度 BP神经网络序列采样转向架构架疲劳可靠性分析

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

极限学习机代理模型构造方法研究及应用

极限学习机代理模型构造方法研究及应用

作者：黄泽英广东工业大学

学位级别：硕士

基于代理模型的复杂产品设计优化,可大幅度降低产品的研发成本和设计周期,是现代工程设计领域的研究热点。由于诸多因素的相互耦合,复杂产品的设计变量与目标变量之间呈现强非线性关系。极限学习机(Extreme Learning Machine,ELM)是一... 详细信息

基于代理模型的复杂产品设计优化,可大幅度降低产品的研发成本和设计周期,是现代工程设计领域的研究热点。由于诸多因素的相互耦合,复杂产品的设计变量与目标变量之间呈现强非线性关系。极限学习机(Extreme Learning Machine,ELM)是一种随机前馈神经网络,被证明能够以0误差近似任意训练数据,对强非线性模型具有良好的逼近能力和泛化性能。本文以ELM作为代理模型的研究载体,研究了复杂产品及其后续改进性产品的代理模型构造问题。本文主要的研究工作包括:(1)对于累积了丰富的仿真数据的复杂产品代理模型构造问题,提出基于遗传编程(Genetic Programming,GP)的ELM改进方法。有限的神经元数、随机的输入权重和固定的激活函数限制了ELM的非线性表征性能。为了提升ELM的拟合能力,引入基于GP的符号回归(Symbolic Regression,SR)方法,用于优化ELM的激活函数,由此提出了基于单层ELM的GP-ELM和基于深层ELM的DGP-ELM建模方法。实验结果表明,所提出的方法有效提升了ELM代理模型的逼近性能和泛化性能。(2)对于规划少量仿真数据构造第一代新产品ELM代理模型的问题,提出基于行列式点过程(Determinantal Point Processes,DPPs)的序列采样算法。利用DPPs采样中相似样本的互斥特性,提出了实现空间多样性采样的k-DPPs(SDS)序列采样算法。进一步地,研究了ELM在线学习算法的特点,推导了基于E最优设计的模型不确定性和基于残差预测的样本不确定性两种评价指标。结合空间多样性和不确定性,提出了kDPPs(US)序列采样算法。实验结果表明,所提出的序列采样算法提高了ELM代理模型的泛化性能。(3)对于复杂产品的迭代设计中,具有同系列的旧产品作为参考的改进产品的ELM代理模型构造问题,提出重利用旧产品仿真数据的迁移学习建模方法。变可信度近似建模是一种融合高、低精度样本的近似建模方法,将该思想在迁移学习中进行推广,提出了加法变可信度ELM(Additive Multi-Fidelity Extreme Learning Machine,AMFELM)迁移学习建模方法。然后,分析了AMF-ELM的缺点,提出迭代的加法变可信度ELM(Iterative Additive Multi-Fidelity Extreme Learning Machine,IAMF-ELM)迁移学习建模方法。进一步地,研究了二者的在线学习算法特性,将所提出的k-DPPs(SDS)和k-DPPs(US)序列采样算法引入到AMF-ELM和IAMF-ELM建模方法中。实验结果表明,所提出的迁移学习建模方法能够以极少的样本构建较高精度的ELM代理模型,并且结合所提出的采样算法规划仿真数据后,模型的泛化性能可以进一步提升。(4)将所提的GP-ELM和DGP-ELM建模方法用于构造I型金属夹芯板的整体挠度代理模型,并通过AMF-ELM和IAMF-ELM建模方法构造C型和V型金属夹芯板的代理模型;将所提的k-DPPs(SDS)和k-DPPs(US)采样方法用于构造额定负载为6klb的伸缩臂叉车的变幅缸腔内最大压力代理模型,并通过AMF-ELM和IAMF-ELM方法构造额定负载为10klb的伸缩臂叉车的代理模型。

关键词：代理模型极限学习机遗传编程序列采样迁移学习

自适应稀疏多项式混沌展开及其结构不确定性量化研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自适应稀疏多项式混沌展开及其结构不确定性量化研究

作者：龚伟杰江苏大学

学位级别：硕士

近年来,多项式混沌展开方法(Polynomial Chaos Expansion,PCE)凭借其严谨的理论、广泛适用性、稳定的精度以及高效的计算能力成为结构不确定性量化的主流方法之一,然而“维度灾难”等问题一直制约着该方法在高维大型复杂结构问题中的应... 详细信息

近年来,多项式混沌展开方法(Polynomial Chaos Expansion,PCE)凭借其严谨的理论、广泛适用性、稳定的精度以及高效的计算能力成为结构不确定性量化的主流方法之一,然而“维度灾难”等问题一直制约着该方法在高维大型复杂结构问题中的应用。本文针对传统PCE算法在结构不确定性量化中的局限性,将Bregman迭代贪心坐标下降法(Bregman-iterative greedy coordinate descent,BGCD)与基于方差预测的最优性准则结合,提出了一种构造稀疏PCE的新方法(称为Adaptive BGCD)用于结构不确定性量化,为大型复杂工程装备不确定性量化分析提供了新的研究思路。本文主要研究内容为:(1)同时研究了BGCD与面向估计和面向预测的最优性准则的结合,并将这两类最优性准则与最小角回归(Least Angle Regression,LAR)和子空间追求法(Subspace Pursuit,SP)进行结合,对改进后的BGCD算法进行全面验证。(2)将BGCD算法与基于方差预测的自适应采样算法结合,提出了新的Adaptive BGCD算法,并将Adaptive BGCD应用到了两个经典的基准函数以及悬臂梁和海洋导管架平台等算例中,就Adaptive BGCD对不同维度问题的建模能力与当前流行的基于自适应采样的PCE算法进行比较,结果表明,所提出的Adaptive BGCD具有较高的精度和鲁棒性,且所需样本数量较疏,对于高维函数,其优越性更为显著。(3)将所提出的Adaptive BGCD算法应用到了结构不确定性量化分析中。在全局灵敏度分析中,研究了Adaptive BGCD在经典的Ishigami、Sobol函数以及平面和空间桁架结构的应用;在可靠度分析中,研究了Adaptive BGCD在三个经典的可靠度分析算例以及空间桁架结构上的应用。通过与其它算法进行比较,展现了Adaptive BGCD在结构不确定性量化分析中精度高、成本低以及稳定性强的特点。

关键词：不确定性量化稀疏多项式混沌展开自适应采样序列采样贪心坐标下降

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂网络影响力极大化快速评估算法

国防科技大学学报 2019年第3期41卷 166-173页

作者：王潇杰赵城利张雪易东云国防科技大学文理学院湖南长沙410073 国防科技大学高性能计算国家重点实验室湖南长沙410073

分析复杂网络中影响力极大化问题,设计一种新的启发式算法框架。针对信息传递中节点的交互方式进行分析,给出节点在任意时刻处于信息接收态的概率。通过期望计算得到种子节点集传播影响力的近似估计,实现集群影响力快速计算,进而得到基... 详细信息

分析复杂网络中影响力极大化问题,设计一种新的启发式算法框架。针对信息传递中节点的交互方式进行分析,给出节点在任意时刻处于信息接收态的概率。通过期望计算得到种子节点集传播影响力的近似估计,实现集群影响力快速计算,进而得到基于序列采样的影响力极大化快速评估算法。特别地,对于六个来自不同领域的真实网络上的影响力极大化问题进行了研究,仿真结果表明:该方法能够高效识别网络中具有重要传播影响力的节点集,在三种常见度量准则下的表现均明显优于三种影响力极大化问题基准算法。

关键词：复杂网络传播动力学影响力极大化序列采样启发式算法