基于归纳学习的结构损伤识别方法研究

采用归纳学习方法来识别结构损伤. 首先,通过对经典的决策树算法和序列覆盖算法进行结合与改进,得到一种高效且代价又小的归纳学习算法(RAC),同时引入装袋算法产生多个分类法,并用它们进行类预测,而且使用选票策略得出最佳类预测.其次,用正交最小二乘迭代算法作为径向基函数(RBF)神经网络的学习方法,通过“信息 贡献”准则进行正交变换来优选中心.最后,对上述归纳学习方法用于梁结构损伤定位的效果进行了实验评估.结果表明,对于 RAC算法和生成分类法的数目分别为 10 和 50 情况下的装袋算法,当损伤样本被噪声污染程度在100% 时,识别精度均可达到 90% 以上,而对于 RBF神经网络算法, 只有当损伤样本被噪声污染程度小于70% 时,识别精度才可达到90%以上.

归纳学习方法在结构损伤识别中的比较研究

结构损伤识别是一个热门的研究课题。一些归纳学习方法已经被使用来解决这个问题。在这篇文章中,采用分治法(DAC)、变治法(SAC)、装袋学习算法(Bagging)、径向基神经网络(RBFNN)四种不同的机器学习方法来对混凝土悬臂梁进行损伤位置的研究。结果显示归纳学习方法特别是装袋学习方法在噪声程度超过50%时明显好于神经网络方法。