基于主动学习Kriging模型的改进一次可靠度方法

结构可靠度分析的一次可靠度方法在每一迭代中均涉及迭代点的函数值及梯度值计算,但后续迭代过程不能充分利用前期迭代过程中迭代点的计算结果,因此计算效率有待于进一步提升。考虑到迭代后期迭代点在局部区域内波动,若以已有迭代结果为基础建立代理模型进行迭代后期迭代点的函数值及梯度值计算将有助于改善一次可靠度方法的计算效率。为此,该文在将一次可靠度方法的迭代过程分为全局搜索阶段与局部搜索阶段的基础上,针对两个阶段分别采用不同的计算策略,即全局搜索阶段沿用已有一次可靠度方法的迭代过程,在局部搜索阶段则基于全局搜索阶段的迭代结果建立Kriging模型,并引入可评估Kriging模型在迭代点处精度的学习函数,实现局部搜索阶段迭代点的高效率计算,从而提出了具有更高计算效率的改进一次可靠度方法。数值算例和工程算例的计算结果表明建议方法在保持精度不变的情况下,可显著提高一次可靠度方法的计算效率。

基于主动学习Kriging模型的起重机臂架不确定性传播分析

考虑到起重机在实际工程中存在各种加工制造误差和随机载荷等不确定性因素影响,同时由于起重机实验成本和生产批量等因素的限制,部分样本数据不足。因此,针对少样本的不确定性参数信息量不足的问题,考虑随机和认知的混合不确定性问题,开展了起重机臂头的p-box不确定性传播分析。首先,将起重机的起升载荷,风载和杨氏模量等不确定性参数看作非参数化p-box变量,结合区间蒙特卡洛法和一种主动学习Kriging模型,提出了一种臂架结构的p-box不确定性传播分析方法。结果表明,所提方法相较于典型的采样类方法效率大大提高,另外,与一次性Kriging模型相比,主动学习Kriging模型在相同的原始响应函数调用下,具有更高的模型精度。

基于主动学习Kriging模型的直立锁缝屋面系统抗风揭可靠度分析

直立锁缝屋面系统由于自重轻、柔性大,在强风作用下常发生风揭破坏。为减少风揭破坏的发生,进行直立锁缝屋面系统抗风揭可靠度分析极为必要。鉴于此,该文提出了基于主动学习Kriging模型的Monte Carlo法(AK-MCS)的直立锁缝屋面系统抗风揭可靠度分析方法。建立直立锁缝屋面系统力学模型以分析其破坏模式,并推导其失效准则对应的极限状态函数;结合AK-MCS法和推导的极限状态函数建立了直立锁缝屋面系统抗风揭可靠度分析方法;以典型实际工程的直立锁缝屋面系统为例进行了抗风揭可靠度分析。分析结果表明:该文方法兼顾精度与效率,与拉丁超立方抽样的Monte Carlo法(LHS-MCS)相比,其计算的可靠度指标的相对误差为3.74%,而计算成本仅为LHS-MCS法的25.1%;该文方法计算所得的直立锁缝屋面系统可靠度指标β=2.7703,相比规范要求的可靠度指标偏低,建议在支座与屋面板锁缝处采取相应的加强措施。

基于主动学习Kriging模型的结构多失效模式可靠度计算

对于具有多失效模式的结构可靠度计算问题,利用多输出Kriging模型作为代理模型进行分析。该代理模型只需对所有功能函数进行一次建模,无需对每个功能函数建立各自的代理模型,且在建模过程中能够考虑各失效模式之间的相关性。本文方法设定的初始样本点不仅对随机变量均值附近区域给予足够重视,而且能够兼顾设计空间的边缘区域,进而确保初始代理模型在全局空间内具有较好精度,以减少后续利用学习函数更新代理模型的次数。数值算例表明,本文方法具有较好的计算精度和较高的计算效率,当失效模式较多时,计算效率大幅提升。

基于主动学习Kriging模型和子集模拟的可靠度分析

工程结构的功能函数大多数具有隐式非线性程度高的特点,且失效概率较小,需要复杂的有限元分析计算。针对工程实际中大量存在的小失效概率问题,本文提出了基于主动学习Kriging模型和子集模拟方法相结合的可靠度分析方法——AK-SS。AK-SS方法有子集模拟求解小失效概率和主动学习的Kriging模型代替真实功能函数的优势。该方法首先采用Kriging模型代替真实功能函数,通过主动学习方法逐步扩充实验设计点,逐步改善Kriging模型的精度;然后利用子集模拟方法的基本思路,通过引入合理的中间失效事件计算小失效概率。结果表明,AK-SS方法在保证结果精度的同时减少了功能函数的评估次数,对于工程实际中具有隐式功能函数的小失效概率计算问题具有较强的应用前景。

证据理论框架下主动学习代理模型驱动的CFD模拟不确定性量化方法

计算流体力学(CFD)模拟中存在模型参数、数值离散和边界条件等诸多形式各异的不确定因素。鉴于证据理论具有灵活的建模框架,且能同时量化CFD模拟中的随机和认知不确定性,基于其提出了一种证据理论框架下主动学习代理模型驱动的CFD模拟不确定性量化方法,以较少的CFD仿真模型调用次数实现对CFD模拟结果的不确定性量化。该方法采用最优最大最小距离策略生成空间分布良好的候选样本点,通过动态熵权-TOPSIS主动学习策略平衡了代理模型的全局探索、局部开发和鲁棒性。此外,提出基于Hartley测度和Jousselme距离的复合收敛准则以判断终止代理模型训练的时间并量化输出响应的不确定性。最后,以采用NASA SC(2)0410翼型剖面的超临界机翼流场CFD模拟为例,分析来流参数和湍流模型参数的不确定性对机翼输出响应升阻比的不确定性量化结果。

基于特征表达和模型预测的主动学习

为解决当前的主动学习算法在采样时通常忽略样本特征表达信息的问题,提出一个基于样本特征表达和模型预测的主动学习模型。针对主动学习算法在模型训练早期阶段引起的冷启动问题,提出一个标注集初始化算法。利用聚类技术提取样本特征表达信息,通过分类器得到样本的模型预测信息,致力于使初始标注集的样本分布尽可能接近原始数据集的分布。实验结果表明,该模型分类准确率优于多个主动学习基线算法,该算法能够有效缓解模型的冷启动问题。

基于ALK模型与子集模拟的主动学习可靠性分析方法

针对主动学习Kriging(Active Learning Kriging,ALK)模型在评估小失效概率时遇到的候选样本过多、计算耗时的问题,提出了一种结合ALK模型与子集模拟(Subset Simulation,SS)的双阶段代理模型方法——ALK⁃SS2。首先在第1阶段基于构建的极限状态函数代理模型,采用较少数量的SS最后一层样本作为候选样本完成极限状态面的粗略近似,然后在第2阶段选择更大样本量的SS最后一层样本来细化第1阶段的极限状态函数代理模型,以获得更高的精度。此外,考虑到传统ALK模型的收敛准则太过于保守,在ALK⁃SS2评估的失效概率基础上,提出了一种更高效的基于失效概率误差的收敛标准,进一步提高了该方法的效率。通过4个算例的测试以及同类方法的对比,证明其具有较高的计算精度和计算效率,适用于处理小失效概率问题和耗时的隐式功能函数问题。

基于主动学习的Kriging模型的可靠性分析

航天工程中结构可靠性要求较高,失效概率小,利用传统Monte Carlo法得到精确解需要极大的计算量。针对此问题,提出将拉丁超立方抽样与Kriging代理模型结合,建立初始的Kriging代理模型,利用预期可行性函数(expected feasibility function,EFF)学习机制对已建立的初始模型进行主动学习,得到拟合误差最小的模型,再利用Monte Carlo法进行可靠性计算,极大地降低了计算量。最后,通过三个数值算例验证了本文方法的精度和效率。

一种基于自适应Kriging集成模型的结构可靠性分析方法

基于Kriging模型的复杂结构可靠性分析结果高度依赖于Kriging模型的拟合精度,在构建Kriging模型的过程中,不同相关函数和回归函数的选择均会影响模型精度。为解决模型的不确定性对可靠性分析结果的影响,同时兼顾计算效率和精度,基于Kriging模型和蒙特卡罗模拟(MCS)方法,提出了一种结合自适应集成策略和主动学习函数的结构可靠度计算方法。该方法考虑Kriging模型的建模不确定性,将多种Kriging模型组合,构建了一种综合考虑样本点贡献和样本点距离的主动学习函数,通过主动学习函数迭代更新集成Kriging模型直至满足收敛条件,最后通过构建的集成Kriging模型和MCS方法进行结构可靠性分析。数值算例和工程算例结果验证了所提方法的有效性,该方法与其他主要方法相比稳健性更好,在保证计算精度的同时,计算效率更高。

基于两阶段主动学习Kriging模型的广义概率区间混合可靠性分析

提出一种基于双阶段主动学习Kriging模型的广义概率区间混合可靠性分析方法(TALK-HRA)。该TALK-HRA方法可有效处理包含概率与区间模型、区间概率模型及其组合在内的多种混合模型。首先,建立第一阶段主动学习Kriging模型以选择有可能跨越极限状态面的高风险点,从而准确预测功能函数符号,并为给定区间参数下的失效概率计算奠定基础。其次,构造第二阶段的Kriging模型以学习最大或最小失效概率附近的区域,从而寻找失效概率的边界。再次,提出的TALK-HRA方法被应用到随机-模糊混合可靠性分析中。最后,通过五个算例验证该方法的有效性。结果表明,该方法不仅可以准确高效地计算多种概率区间混合模型下的可靠度,而且能应用于具有高非线性和多峰极限状态面的“黑箱”问题的可靠性分析。

基于主动学习Kriging模型的可靠性分析

论文采用Kriging模型代替结构真实功能函数,引入主动学习函数,序列选择最佳样本点,在每次迭代中加入最佳样本点更新Kriging模型.与直接的蒙特卡洛方法相比,主动学习Kriging模型仅需要少量的结构分析就能够得到精度较高的可靠度结果,适用于实际工程具有隐式功能函数的结构可靠性分析.论文通过三个数学算例,从最佳样本点的分布情况、功能函数的拟合程度及可靠度计算结果出发对四种学习函数进行对比研究,最后对具有隐式功能函数的悬臂板进行可靠度分析.结果表明,主动学习函数的引入,合理选择了Kriging模型所需的样本,提高了计算效率,同时,学习函数的选择对结构可靠性分析结果也存在影响.

基于改进能量模型的主动域自适应安全性评估方法

复杂动态系统运行过程中的在线安全性评估至关重要且富有挑战性.构建有效的数据驱动模型需要大量有标注数据,但这在实际中通常难以获得.此外,考虑到系统不同的运行工况,安全性评估模型应该具有良好的泛化能力.域自适应(Domain adaptation,DA)可以将模型从数据标注丰富的源域迁移到具有不同但相似数据分布的目标域.然而,源域中没有出现过的任务相关未知情景会降低模型的性能,是目前尚未解决的挑战.主动域自适应通过结合域自适应与主动学习技术,为解决上述挑战提供了思路.本文研究目标域存在任务相关未知情景的主动域自适应安全性评估问题,提出一种基于改进能量模型的主动域自适应方法.在所提方法中融合分布外检测器,在此基础上主动选择目标域中具有代表性的无标注样本进行标注,作为训练数据以提高域自适应模型的性能.最后,通过基于轴承数据的案例研究,验证所提方法的有效性和适用性.

高校青年数字化学习主动性及教育效果影响因素研究

本研究旨在基于技术接受模型探究感知有用性、感知易用性、外部环境支持对数字化学习主动性和数字化教学效果的影响及路径。采用AMOS23构建结构方程模型对357份高校学生数据进行实证分析。结果发现,感知有用性和感知易用性显著正向影响数字化学习主动性;数字化学习主动性正向影响数字化教学效果;感知有用性、感知易用性和外部环境支持正向影响数字化教学效果。

基于PC-Kriging模型与主动学习的齿轮热传递误差可靠性分析

为提高齿轮热传递误差可靠性分析的计算效率和精度,提出了一种高效的基于PC-Kriging代理模型与主动学习函数LIF相结合的可靠性分析方法.采用多项式混沌展开(polynomial-chaos-expansion,PCE)替代传统Kriging模型的回归基函数来增强预测模型的全局近似精度,并利用Kriging模型来捕捉预测模型局部特征的能力.采用最小角回归(LAR)构建回归基函数的最优多项式数量集,同时用Akaike信息准则(AIC)来确定最优的截断集合.并采用一种主动学习函数LIF选择每次迭代的最佳样本点以提高模型收敛效率.通过齿轮热传递误差算例表明:与传统的Kriging代理模型相比,所提出方法在保证精度的同时可以极大地减少预测模型可靠性分析中的学习次数.

基于AL-Kriging模型及PSO算法的桥机主梁优化

为解决有限元模型和群智能算法相结合的起重机结构优化计算的计算成本昂贵的问题,该文基于AL-Kriging代理模型和粒子群智能优化算法构建了起重机主梁优化方法,在该方法中通过EFF学习函数选择优化所需的有效样本点,从而用较少的高保真计算样本构建出满足精度要求的代理模型,再通过PSO算法以及所构建好的代理模型完成结构优化。通过工程案例验证证明,在取得同样计算结果的情况下,与基于静态Kriging模型相比,该方法的优化时间节省了70%,调用样本数仅为静态代理模型的27%,证明了所构建的优化方法是可行和有效的。

结合Kriging模型权重信息熵函数的结构可靠性研究

为提高基于Kriging模型信息熵函数(Information Entropy Function,H)的可靠性计算效率,考虑样本点与极限状态曲面的空间距离和随机变量的概率密度函数,通过对样本点的信息熵赋予不同的权值,提出权重信息熵函数(Weight Information Entropy Function,WH)。该学习函数选择更接近极限状态曲面且概率密度函数值较大的样本点更新Kriging模型,从而减少对功能函数的调用次数,有效提高可靠性计算效率。通过算例表明:与其他学习函数相比,WH学习函数在建立Kriging模型过程中所需要的样本点更少,收敛速度更快,计算效率更高。

基于改进Kriging模型的主动学习可靠性分析方法

主动学习Kriging(ALK)模型能够只在极限状态平面附近的狭小区域近似功能函数,因此能够极大提高可靠性分析的效率。但是已有方法多数基于DACE工具箱建立Kriging模型,难以获得Kriging模型的最优相关参数,进而难以获得最优的训练点。引入差分进化算法,对Kriging模型的相关参数进行全局搜索,提高每次迭代Kriging模型的预测精度,保证每次学习都能获得最优的训练点,从而明显提高了基于ALK模型的可靠性分析方法的效率。

一种基于自适应集成学习代理模型的结构可靠性分析方法

结构可靠性分析需要精确计算结构或系统的失效概率,当结构失效概率低时,运算量大且操作困难。可采用代理模型替代原始性能函数,结合自适应实验设计,在保证准确率的同时大幅减少原始模型的总运行次数。该文提出了基于自适应集成学习代理模型的结构可靠性分析方法,将适应性较广的Kriging与最近发展的PC-Kriging代理模型集成;利用代理模型提供预测点的方差特征,提出新的集成学习函数,识别高预测误差区域,实现高效拟合失效边界;通过主动学习算法在预测误差大和接近极限状态的区域添加采样,迭代更新集成代理模型。通过3个算例,验证了该文方法与单一代理模型结构可靠性分析方法的优势,与AK-MCS+U和AK-MCS+EFF相比,所提方法计算成本低、准确度高。

基于主动学习的图像分类技术:现状与未来

图像分类作为计算机视觉领域中的重要研究方向之一,应用领域非常广泛.基于深度学习的图像分类技术取得的成功,依赖大量的已标注数据,然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法,旨在以尽可能少的高质量标注数据达到期望的模型性能,缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略,从未标记样本数据集合中选择出信息量丰富,对分类模型训练贡献更高的样本进行标注,以更新已标注训练数据池,如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述,并根据所用样本数据处理及模型优化方案,将现有算法分为三类:基于数据增强的算法,包括利用图像增广来扩充训练数据,或者根据图像特征插值后的差异性来选择高质量的训练数据;基于数据分布信息的算法,根据数据分布的特点来优化样本选择策略;优化模型预测的算法,包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构,以及基于Transformer结构提升模型预测性能,以确保模型预测结果的可靠性.此外,本文还对各类主动学习图像分类算法下的重要学术工作进行了实验对比,并对各算法在不同规模数据集上的性能和适应性进行了分析.另外,本文探讨了主动学习图像分类技术所面临的挑战,并指出了未来研究的方向.