基于序贯设计和高斯过程模型的结构动力不确定性量化方法

将直接基于有限元模型的蒙特卡罗方法用于结构动力不确定性量化较耗时,为此采用高斯过程模型取代耗时的有限元模型,提高不确定性量化的计算效率.提出基于序贯设计和高斯过程模型的结构动力不确定性量化方法,通过样本填充准则迭代,选择最优样本点建立自适应高斯过程模型,提升动力不确定性量化精度.在建立的自适应高斯过程模型框架下,动力特性统计矩的高维积分转化为一维积分,进而进行解析计算.采用2个数学函数来展示自适应高斯模型的拟合过程,高斯过程模型的拟合精度随着迭代次数增加而明显增加.将所提方法应用于柱面网壳的固有频率统计矩计算,计算精度与蒙特卡罗法的结果相当.与传统高斯过程模型对比,所提算法的计算效率优势明显,表明所提方法具有计算精度高和效率高的优势.

基于高斯过程模型的桥梁时变系统地震易损性分析

桥梁在长期服役过程中面临的氯离子侵蚀作用会导致材料性能退化,进而影响桥梁结构的抗震性能。准确评估服役桥梁的抗震性能可以有效保障和提高桥梁结构的安全性,因此开展考虑时变效应的桥梁地震易损性分析非常必要。考虑到地震易损性分析涉及大量的动力时程分析,计算效率很低,故采用高斯过程模型取代耗时的动力时程分析,旨在提高地震易损性分析效率。以一座三跨连续梁桥为例,探究氯离子侵蚀作用下桥墩材料性能的退化规律,建立纵筋、箍筋以及保护层和核心混凝土材料性能退化时变曲线;基于高斯过程模型和联合概率地震需求模型,建立桥梁系统在不同服役年限下的易损性曲线和曲面。结果表明:(1)氯离子侵蚀作用明显降低了桥墩钢筋混凝土材料的强度;(2)氯离子侵蚀作用明显提高了高等级损伤的桥梁地震易损性,结构更容易发生高等级损伤。

基于广义协同高斯过程模型的结构不确定性量化解析方法

结构不确定性量化是定量参数不确定性传递到结构响应的不确定性大小。传统的蒙特卡洛法需要进行大量的数值计算,耗时较高,难以应用于大型复杂结构的不确定性量化。代理模型方法是基于少量训练样本建立的近似数学模型,可代替原始物理模型进行不确定性量化以提高计算效率。针对高精度样本计算成本高而低精度样本计算精度低的问题,该文提出了整合高、低精度训练样本的广义协同高斯过程模型。基于该模型框架推导了结构响应均值和方差的解析表达式,实现了结构不确定性的量化解析。采用三个空间结构算例来验证结构不确定性量化解析方法的准确性,并与传统的蒙特卡洛法、协同高斯过程模型和高斯过程模型的计算结果对比,结果表明所提方法在计算精度和效率方面均具有优势。

基于混合高斯过程模型的高光谱图像分类算法

提出了一种基于混合高斯过程模型的高光谱遥感图像分类算法,它不同于传统的基于多元统计的分类方法.为更好利用高光谱遥感图像的高谱分辨率特点,首先将函数数据分析的思想引进高光谱数据的分类问题,分类对象视为像元对应的谱线,故它们是函数型数据.为了有效模拟地物在空间上的分片聚集特性,则将混合高斯分布模型推广到混合高斯过程模型并用于高光谱数据分类算法中.数值实验表明,混合高斯过程模型是处理函数型数据的有效方法.

高斯过程模型在SAR图像目标识别中的应用

将高斯过程模型应用于合成孔径雷达(SAR)图像目标识别。高斯过程模型是基于贝叶斯框架的统计学习算法,通过结合核函数和和概率判别构建分类模型。与传统分类模型相比,高斯过程模型可以获得更高的分类效率和精度。方法实施过程中,采用SAR图像的特征矢量作为输入,以目标类别标签作为输出训练高斯过程模型。对于待识别样本,通过计算其在高斯过程模型下属于各个类别的后验概率判定其目标类别。实验中,依托MSTAR数据集在典型条件下开展测试。根据实验结果,所提方法在标准操作条件下对10类目标识别精度达到99.28%;在30°和45°俯仰角下的平均识别率分别为98.04%和73.13%;在噪声干扰各个信噪比条件下均保持最高性能。实验结果验证了所提方法的有效性和稳健性。

高斯过程模型的全局灵敏度分析的参数选择及采样方法

提出了基于全局灵敏度分析的有限元模型修正参数选择方法,考虑了参数整个变化空间的作用及参数间的相互作用,具有适用于参数不确定性大和无模型限制等优势。全局灵敏度分析常采用蒙托卡罗方法计算灵敏度指标,因此足够大的采样次数是获得可靠灵敏度指标的前提,但是同时会造成计算成本的增加。为此,采用高斯过程模型取代耗时的有限元模型用于降低计算成本,同时探讨了拉丁超立方抽样、Halton序列和Sobol序列3种空间采样方法用于全局灵敏度分析的计算效率,旨在选择一种高效的采样方法。最后,一桁架人行桥实例验证了有限元模型修正参数选择和采样选择方法。

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出结合多源特征和高斯过程模型的方法。分别利用主成分分析(Principal Component Analysis,PCA)、非负矩阵分解(Non-negative Matrix Factorization,NMF)以及单演信号提取SAR图像的特征矢量,并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性,从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类,基于融合特征矢量获得概率意义上的最佳决策。实验中,采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题,结果验证了提出方法的优越性能。

基于高斯过程回归模型对一回路泄漏率的预测

工况的剧烈变化可能导致一回路系统中法兰连接部位、泵的密封面等处发生泄漏。针对准确的泄漏物理模型很难建立的实际情况,在对不可测的温度应力参数进行正态随机游走的基础上,以高斯过程回归模型为替代模型对一回路泄露率进行预测,并对替代模型的不确定性进行定量分析。结果表明,高斯过程回归模型能够方便地实现对替代模型的不确定性评估,并且在小样本容量的情况下,能够实现对一回路泄漏率较准确的预测。

基于选择性集成核高斯过程模型的质量预测研究

新一轮工业革命带来的数字技术推动质量管理与数学建模仿真等工具结合,利用数据驱动方式对产品质量进行预测以保障最终产品质量已成为制造业转型升级的重要趋势。其中构建准确性高且稳定性好的质量模型是实施质量预测的前提与关键,高斯过程模型作为典型的质量模型之一,由于其在实践应用中表现出的优越性能得以广泛应用。然而,由于核函数类型选择的不确定性,可能导致似然函数中的超参数估计无法近似逼近真实值,进而难以获得可靠的质量预测结果。为此,针对高斯过程模型中的核函数选择问题,提出了基于选择性集成核学习算法的模型构建策略。首先,采用Bootstrap方法对训练样本进行重复抽取,利用各训练样本分别获得不同核函数下的超参数近似值,构建多维高斯过程模型。其次,利用质量工具Pareto图分析不同核情形下高斯过程模型的预测性能,从而确定集成核的元素。然后,将集成参数融入似然函数中,构建改进的似然函数,进而确定集成核高斯过程模型的超参数。最后,结合仿真测试和工业实例验证了所提方法的有效性。分析结果表明,基于选择性集成核高斯过程模型不仅为核选择的问题提供了可行的优化路径,而且也提升了质量预测的准确度和精确度,从而为后续的质量优化或贝叶斯优化提供模型基础。

基于多变量高斯过程模型的贝叶斯建模与稳健参数设计

针对模型预测偏差和波动的稳健参数设计问题,在多变量高斯过程(multivariate Gaussian process,MGP)建模的框架下,结合质量损失函数和非线性优化约束方法构建一个新的多响应优化模型.首先,利用成对估计方法获得超参数近似值,构建多变量高斯模型;其次,结合MGP模型特征,构造充分考虑响应波动因素的质量损失函数.利用蒙特卡罗模拟方法,获得响应落入指定区间的期望概率;然后,以期望概率为约束,结合本文所提质量损失函数建立优化模型;最后,利用全局优化算法进行寻优,获得考虑响应期望概率的优化结果.实际案例和软件仿真表明,该方法综合权衡了预测偏差和预测波动引起的不确定性对优化结果的影响.获得了兼顾质量损失和期望概率最优均衡解,从而实现稳健参数设计.

桥梁结构固有频率不确定性量化的高斯过程模型方法

桥梁结构参数的不确定性必然导致其固有频率具有不确定性,量化固有频率的不确定性可为与动力特性相关的桥梁结构分析与设计工作提供更为准确的动力特性信息.均值和方差是刻画固有频率不确定性的两个非常重要的统计特性,本文旨在探讨一种可用于快速有效计算桥梁结构固有频率的均值和方差的方法.桥梁结构通常具有结构形式复杂,尺寸大等特点,传统的蒙特卡洛方法因计算花费高而使用受限.本文采用高斯过程模型取代复杂的桥梁结构有限元模型来表征不确定参数与固有频率的关系,快速有效地计算固有频率的均值和方差.该方法适用于参数服从任意概率分布的情形,其可靠性通过具有解析均值和方差的函数得到验证.最后,本文的高斯过程模型方法用来计算安庆铁路长江大桥固有频率的统计特性.

高斯过程模型对慢性心衰患者1年内再入院的风险评估

目的探讨通过使用高斯过程模型(GPM)和超声心动图参数建立的风险预测模型对慢性左室收缩功能减低(LVSD)心衰患者进行1年再入院风险评估的临床价值。方法收集并整理慢性LVSD患者290例,以1年内再入院为本研究终点。所有患者行常规超声心动图检查,并收集二尖瓣反流、三尖瓣反流、胸腔积液、心包积液、肺动脉收缩压、左心室内径及左室射血分数等参数数据。将290例患者随机分为70%训练数据和30%测试数据,使用机器学习算法对训练数据集进行信息交互分析,评估各项参数的重要性,并融合多超声参数建立GPM预测系统模型。随后利用GPM风险预测系统模型对测试数据集患者1年内再入院风险进行分析,将所有患者纳入超声心动图参数积分系统(超声积分系统)进行预测,最后通过受试者工作特征曲线(ROC)对两种方法进行分析比较。结果利用GPM信息交互分析各项超声心动图参数的权重分别为:二尖瓣反流23.64%,三尖瓣反流22.09%,胸腔积液16.18%,心包积液14.36%,肺动脉收缩压9.04%,左心室内径8.86%,左室射血分数5.83%。基于GPM的风险预测系统与超声积分系统的受试者工作特征曲线下面积(AUC)分别为83.10%(95%CI:0.797~0.864)和70.60%(95%CI:0.647~0.765)。结论基于超声心动图参数的高斯过程模型能够很好的预测LVSD患者1年再入院风险,并优于超声参数积分系统。

基于高斯过程模型的圆形轮廓监控方法研究

零件的几何规格特性(如圆度、圆柱度)是重要的控制对象,对机械产品的质量有重要的影响。以圆形轮廓偏差值为研究对象,建立了高斯过程模型,并对圆形轮廓进行监控。考虑到偏差值包含多种复杂的特征,单个协方差函数很难表征其所有的特征,建立了四种基于组合协方差函数的高斯过程模型。以平方指数协方差函数为基础,加入不同特征的协方差函数——线性协方差函数与周期性协方差函数。通过仿真实验比较其在第二阶段(Phase II)的监控性能,并以发动机缸孔的实际数据为例进行分析,结果表明,基于组合协方差函数的高斯过程模型具有良好的监控性能。

基于高斯过程元模型的产品设计时间估计方法

为更精确地预测产品设计时间,将高斯过程元模型建模方法应用于产品设计时间估计中,介绍了高斯过程元模型的建模原理。考虑产品设计时间影响因素中存在语言型变量的问题,利用Hausdorff距离辅助构造高斯过程建模中的相关矩阵,通过算例分析证明高斯过程元模型优于已有的两种模糊神经网络模型。

从高斯过程到高斯过程混合模型:研究与展望

高斯过程(GP)模型是核学习方法与贝叶斯推理相结合的典范,现已成为机器学习领域的一个研究热点。作为对GP模型的拓展,高斯过程混合(MGP)模型具有更强大的学习能力和适应性。然而,目前关于GP和MGP模型的研究较为零散,尚缺少系统的分析与总结。本文首先对于GP模型的基本原理及其研究进展进行了深入地分析和讨论;然后将GP模型拓展至MGP模型,从多方面对MGP模型的研究现状和进展进行了深入地分析和讨论,并指出未来值得探索的研究方向和应用问题。

高斯过程元模型建模方法及在火箭弹气动分析中应用

为解决复杂系统多学科优化中高精度仿真模型计算时间过长问题,提出高斯过程元模型建模方法。首先介绍了高斯过程元模型建模方法,提出高斯过程元模型建模步骤。算例分析证明,高斯过程元模型优于2种已有元模型。高斯过程元模型能够理论上统一常用的元模型建模方法,在元模型建模领域具有良好的应用前景。

基于免疫克隆高斯过程隐变量模型的SAR目标特征提取与识别

作为一种非线性维数约减算法,高斯过程隐变量模型(Gaussian process latent variable model,GPLVM)由于其适合处理小样本、高维数据,因而在模式识别、计算机视觉等领域得到了广泛应用.基于此,提出一种基于改进GPLVM的SAR图像目标特征提取及自动识别方法,其中利用改进的GPLVM进行特征提取,高斯过程分类进行目标识别.传统GPLVM使用共轭梯度法对似然函数进行优化,为避免梯度估值易受噪声干扰、步长对算法影响严重等缺点,提出基于免疫克隆选择算法的GPLVM,利用其具有快速收敛到全局最优的特性提高算法性能.实验结果表明,该算法不仅降低了特征维数,且提高了识别精度,从而验证了算法用于SAR图像目标识别的有效性.

基于高斯过程隐变量模型的图像数据降维算法

针对传统谱算法在数据降维计算复杂度高的缺点,提出一种基于高斯过程隐变量模型的图像数据降维算法。首先,通过高斯过程(Gaussian Process,GP)建立图像数据的概率模型,得到图像数据的隐变量模型;其次,利用概率最大化原则得到最优超参数,通过最优超参数求取最优数据降维结果;最后,实现图像数据降维。选取Yale,ORL两类数据集与传统算法进行人脸识别对比实验,实验结果表明:所提出的算法针对图像数据降维问题有较好的效果,结合支持向量机算法,可有效地对人脸图像进行识别,且有较高的识别率,从而体现出算法对高维数据降维的准确性。

公路隧道交通量预测的粒子群高斯过程耦合模型

交通量的预测对公路隧道运营期通风系统的节能降耗具有重大意义,将新型小样本学习机器高斯过程引入隧道交通量预测,提出了一种组合核函数,用以改善单一核函数高斯过程的泛化性能,在网络训练过程中采用粒子群优化算法,自动搜寻泛化性能最好的高斯过程超参数,形成粒子群高斯过程耦合算法,并编写了相应的计算程序.对某公路隧道交通量进行了预测,结果表明:组合核函数高斯过程最大预测相对误差仅为4.41%,平均相对误差为1.96%;两种单一核函数高斯过程最大预测相对误差均为6.68%,平均相对误差分别为2.7%和2.67%;粒子群高斯过程耦合模型可以高精度地用于隧道交通量预测,且组合核函数可以提高单一核函数的泛化性能,并为其他类似工程提供借鉴.

基于双因子高斯过程动态模型的声道谱转换方法

针对作者已经提出的双因子高斯过程隐变量模型(Two-factorGaussianprocesslatentvariablemodel,TF-GPLVM)用于语音转换时未考虑语音的动态特征,并且模型训练时需要估计的参数较多的问题,提出引入隐马尔科夫模型(Hidden Markov model,HMM)对语音动态特征进行建模,并利用HMM隐状态对各帧语音进行关于语义内容的概率软分类,建立了分离精度更高、运算负荷较小的双因子高斯过程动态模型(Two-factor Gaussian process dynamic model,TF-GPDM).基于此模型,设计了一种全新的基于说话人特征替换的语音声道谱转换方案.主、客观实验结果表明,无论是与传统的统计映射和频率弯折转换方法相比,还是与双因子高斯过程隐变量模型方法相比,本文方法都获得了语音质量和转换相似度的提升,以及两项性能的更佳平衡.