基于优化样本点的双重Kriging模型的重要性测度求解方法

针对工程实际中极限状态函数往往是隐式的问题,提出了基于优化样本点的双重Kriging模型的重要性测度求解方法。该方法首先以少量初始样本点建立基本变量与响应值间的Kriging代理模型,通过全局优化的方法寻优找到Kriging预测值不确定性较大的点,并将其加入到初始样本点,从而在尽量少样本点的情况下建立满足精度的Kriging代理模型。该方法将基本变量与功能函数值以及基本变量与条件失效概率间的隐式关系以Kriging代理模型替代,在保证精度的情况下大大降低了矩独立的基本变量对失效概率重要性测度求解过程的计算量,数值算例和工程算例说明了该方法的工程适用性和可行性。

基于仿射聚类的主动SVM多类分类方法

针对现有的主动学习算法在多分类器应用中存在准确率低、速度慢等问题,将基于仿射传播(AP)聚类的主动学习算法引入到多分类支持向量机中,每次迭代主动选择最有利于改善多类SVM分类器性能的N个新样本点添加到训练样本点中进行学习,使得在花费较小标注代价情况下,能够获得较高的分类性能。在多个不同数据集上的实验结果表明,新方法能够有效地减少分类器训练时所需的人工标注样本点的数量,并获得较高的准确率和较好的鲁棒性。