板状碎片对建筑屋面的冲击破坏概率模型

飞掷物对建筑的冲击破坏是围护结构在强风作用下受损的主要原因之一。为针对不同围护结构建立考虑多因素影响的冲击破坏概率模型,提出了一种基于马格努斯效应的板状碎片三维轨迹方程的板状碎片冲击破坏概率模型。与现有模型相比,额外考虑了在不同风速风向下板状碎片来源、起飞初始条件和建筑相对位置对屋面冲击破坏概率的影响。利用风速15 m·s^(-1)~45 m·s^(-1),风向0°~90°和上游建筑高度8.0 m~12.5 m作为模型的输入,实现了可考虑多因素影响的板状碎片对低矮建筑屋面冲击破坏的概率估计,验证了模型的实用性。该模型计算过程简单,可应用于建筑屋面易损性分析。

结合贝叶斯-MCMC更新的RC梁抗剪承载力概率模型的可靠度分析

为分析钢筋混凝土(RC)梁抗剪承载力,首先,基于国内外100组RC梁抗剪承载力试验数据作为先验信息,结合我国GB 50010-2010规范的抗剪承载力,综合考虑混凝土与箍筋的材料强度、截面尺寸、剪跨比、配箍率等因素的影响,通过贝叶斯-马尔科夫链蒙特卡洛(MCMC)方法对我国规范模型进行更新与修正;随后,结合Monte Carlo模拟,对所建立的RC梁概率抗剪承载力模型进行可靠度分析,验证了该模型具有较好的计算精度与可靠性。结果表明:概率模型均值与试验值比值K的均值与标准差分别为1.013与0.171,试验值落在概率模型的95%置信区间范围内,且可靠指标分布在4.0左右,说明建立的概率模型具有较好的预测效果与可靠性。

基于去噪扩散概率模型的人脸图像修复模型

针对使用主流人脸图像修复模型在修复图像后,出现图像质量欠佳、修复边缘模糊,且模型复杂、训练困难的问题,提出了一种基于去噪扩散概率模型的人脸图像修复模型.通过使用Guided-diffusion中的U-Net网络结构,并在网络中引入快速傅里叶卷积来改进去噪扩散概率模型,最后在CelebA-HQ高清人脸图像数据集上进行模型的训练与结果评估.实验结果表明,改进后的去噪扩散概率模型在修复随机掩码的人脸图像时,修复结果与原图的PSNR(峰值信噪比)可以达到25.01,SSIM(结构相似性)可以达到0.886,优于改进前的去噪扩散概率模型与现有的基于生成对抗网络的人脸图像修复模型.

钢结构中疲劳裂纹增长概率模型和Bayesian动态预测

疲劳裂纹在桥梁结构中非常普遍,其增长过程是一个随机过程;另外,疲劳裂纹增长会引起桥梁结构性能退化。对桥梁结构性能退化的预测应基于桥梁的现状,结合具体构件的实际监测数据进行更新。首先依据线弹性断裂力学(LEFM)理论和Paris半经验疲劳裂纹扩展速率公式,建立钢结构的疲劳裂纹增长概率模型;然后利用Bayesian更新理论和马尔卡夫链蒙特卡罗模拟,结合试验数据,构建疲劳裂纹增长概率模型随机参数的更新方法,进而实时预测钢构件性能退化轨迹和寿命评估。使用提出的方法结合已有的试验数据进行了模拟仿真试验,结果表明,方法可以实现疲劳裂纹增长模型中随机参数的更新,有效地预测钢结构性能退化轨迹和时变可靠性的变化规律。

基于Bayesian-MCMC方法的深受弯构件受剪概率模型研究

考虑主观、客观不确定性因素的影响,以深受弯构件受剪分析模型为研究对象,基于引入马尔科夫链-蒙特卡洛(MCMC)高效采样方法,通过R语言对深受弯构件概率模型参数进行MCMC随机模拟,给出参数的最优估计值及其对应的可信度,在先验模型基础上建立钢筋混凝土深受弯构件受剪承载力概率模型,完成模型前后的对比分析,并根据不同置信水平确定了深受弯构件受剪承载力的特征值。结果表明:基于MCMC方法得到的受剪承载力概率模型是在50000次迭代分析后产生的结果,能合理地解释影响参数的不确定性,可信度较高;后验概率模型计算结果与试验结果吻合良好,较先验模型更接近试验值,且离散性小。

构造两类概率模型解决相关不等式问题

虽然数学的各分支都有自己的研究方向和重心,但相互之间并不存在不可逾越的鸿沟.构造概率统计模型解决问题,是一种富有创造性的思维方式,它为我们解题提供了另一途径,不失为一种好方法,该方法对于培养学生思维的广阔性和创造性,具有重要的意义.

基于去噪扩散概率模型的水⁃光互补系统随机场景生成方法

随着水-光互补系统应用越来越广泛,准确地描述水-光出力的不确定性对电网的运行和规划具有重要影响。现有多源融合特性建模方法不仅存在考虑可再生能源出力时空相关性不充分的问题,而且在实际复杂应用环境下要进行先验假设,进而导致生成质量降低。基于此,文中提出了基于去噪扩散概率模型的水-光互补系统随机场景生成方法。首先,将结合欧氏距离和L2正则化的损失函数作为衡量生成噪声与原始噪声分布差异的标准,并设计适应水-光-荷随机场景生成的UNet网络结构;然后,通过对前向过程不断加噪和逆向过程不断去噪训练,捕捉水-光-荷多维变量相关性变化及波动特征,拟合其概率分布规律;最后,对多源数据协同建模,高效生成水-光互补系统随机场景。文中算例基于某地区电网实际采集数据进行测试,通过综合评估指标验证了所提方法的有效性。

动力荷载下结构非线性概率模型参数估计及失效概率预测

文章提出基于贝叶斯推理的结构非线性概率模型参数估计方法,结合非线性参数的后验概率分布估计结果,实现结构在动力荷载作用下的失效概率预测。利用结构实测加速度响应作为输入,构建贝叶斯推理的似然函数,采用过渡马尔可夫蒙特卡洛(transitional Markov chain Monte Carlo,TMCMC)算法估计非线性概率模型参数的后验概率分布。当模型参数的后验概率分布被计算之后,利用更新后的参数后验概率分布作为输入,通过随机抽样算法预测结构在动力荷载作用下的失效概率。为验证方法的可行性,对地震荷载作用下的5层钢框架结构进行数值模拟,通过钢框架结构的缩尺振动台试验进一步验证该方法的有效性。研究结果表明:该方法能够准确实现非线性模型参数的后验概率密度计算,能够对结构在地震荷载下的失效概率进行有效预测。

基于目标机动噪声的末制导弹命中概率模型

末制导火箭弹对机动目标打击过程中,火控系统对机动目标的解算及命中概率是值得关注的问题。用射表拟合函数与目标运动方程联立建立解命中模型,并采用弦截法迭代求解。用离散的短时状态转移方程推导出长时期状态转移方程,从中分离出各短时间段内的高斯白噪声的累积和作为长期预测的概率模型。针对不同机动模型,用历史采样数据估计概率模型中白噪声的方差,从而可确定模型整体方差,并根据火箭弹飞行时间及末制导弹制导范围可计算命中概率。对CV模型、CT模型、CA模型和singer模型进行了解命中和概率计算,通过仿真验证了概率模型的准确性。

基于去噪扩散概率模型的网络流量入侵检测方法研究

互联网、物联网技术的迅猛发展,保障网络系统的安全性成为一项紧迫的任务.然而,传统的入侵检测模型在面对复杂网络环境中的稀有类攻击流量时存在局限性,不同种类网络流量的数据不平衡性会影响模型整体的分类性能.针对以上问题,提出基于去噪扩散概率模型的网络流量入侵检测方法——DDPM_1DCNN_BiLSTM,使用去噪扩散概率模型生成稀有类攻击流量数据进行样本扩充,使用融合自注意力机制的1DCNN_BiLSTM模型进行特征的提取与流量检测.实验使用不平衡入侵检测数据集NSL-KDD,将1DCNN_BiLSTM与包括randomforest,decisiontree等现有常见分类模型分别在原始训练集与平衡化数据集上训练,并使用训练后的模型对同一测试集分类.实验结果表明,由平衡化数据集训练出的各种现有分类模型相较于由原始不平衡数据集训练出的模型,前者在测试集中表现的效果更好,并且所提方法相较于常见的入侵检测方法具有更高的准确率与F1分数,证明了所提方法对提高稀有类攻击流量检出率与入侵检测综合能力的有效性.

基于去噪扩散概率模型不平衡样本增强的暂态稳定评估

准确有效的电力系统暂态稳定评估对电力系统安全稳定运行具有重要意义。目前,基于深度学习的暂态稳定评估方法面临着时序特征空间表征困难、样本类别严重不平衡等问题,影响到评估结果的可信度。为了弥补现有研究的不足,提出了一种基于去噪扩散概率模型(DDPM)不平衡样本增强的电力系统暂态稳定评估方法。首先,构建改进HSV颜色模型对高维数据进行二维图像化处理,从而直观表征高维数据,便于后续训练;然后,基于DDPM算法对不平衡失稳样本空间进行表征学习,规模化生成概率同分布的增强样本,进而解决类别不平衡问题;最后,提出梯度加权类激活映射卷积神经网络以构建暂态稳定评估模型,提升模型的可信度与可解释性。IEEE 39节点系统测试的仿真结果表明,所构建的模型相较于其他方法具备更高的稳定性判别精度,且对失稳样本的识别率显著提高,验证了所提方法的有效性。

基于扩散概率模型的非均一地震数据插值方法

【目的】能源勘探领域长期面临非均一地震数据插值的难题。由于检波器无法精确放置在理论网格点,现有均一插值技术常导致结果存在偏差和细节失真。【方法】为解决此问题,提出一种基于扩散概率模型的非均一插值新方法。扩散概率模型是一种新兴的生成式深度学习模型,分为扩散和生成两个过程。在扩散过程中,对完整地震数据迭代施加噪声,训练神经网络的去噪能力;在生成过程中,使用神经网络对噪声数据迭代去噪,得到重构数据。利用插值算子计算迭代数据与采集数据的偏差,作为神经网络的额外输入,提高扩散概率模型的非均一插值能力。在数值实验部分,使用二维合成数据集与实际数据集对非均一采样进行了测试,并使用均一插值模型与所提模型进行比较。【结果和结论】结果表明:该方法显著提升了扩散概率模型对非均一采样的处理能力,在合成数据与实际数据测试中,信噪比大约提高了7 dB,有效提高了深度学习方法对非均一插值的精度,为非均一地震数据插值算法提供了新的思路。

改进Dempster-Shafer证据与概率模型集成的变压器故障诊断

针对单个变压器故障诊断模型准确率有限的问题,提出基于kappa系数改进Dempster-Shafer(D-S)证据理论与概率模型集成的变压器故障诊断方法。首先,分别构建基于概率输出的支持向量机、贝叶斯神经网络、深度信念网络的变压器故障诊断概率模型,拟合诊断模型在样本上的基本概率分配函数。然后,建立D-S证据理论信息集成框架,提出基于kappa系数与准确率权重的证据修正方法,从子模型与故障类型两个角度对证据进行修正,进而融合概率模型诊断结果。最后,通过仿真验证本文所提方法的有效性。

Bayesian可靠性评估中多源信息融合的概率模型方法

在Bayesian可靠性评估理论中,验前分布的获取和表示是一个关键问题。针对工程实践中遇到的验前信息的多源性,给出了一种基于概率模型的多源异总体验前分布的融合方法,并通过仿真实例证明了该方法的有效性。

基于信息扩散的隧道突水岩层安全厚度概率模型研究

通过虚功原理和莫尔库伦强度准则建立隧道最小安全岩层厚度力学模型,并推导计算公式,从公式看出最小安全岩层厚度受隧道半径、岩石内摩擦角度、掌子面前溶腔水压和黏聚力等因素影响。针对小样本信息不完备特点,基于信息扩散原理建立岩石力学参数(黏聚力、内摩擦角、弹性模量)和最小安全岩层厚度概率估计模型,以宜万铁路5个隧道的样本数据为基础,获取了岩石力学参数和最小安全厚度概率密度分布函数,并且绘制了图形。依据信息扩散原理建立的隧道最小安全岩层厚度概率模型能很好地利用样本数据信息。建立的最小安全岩层厚度概率模型可以应用到岩溶隧道突涌水灾害的风险评价中,对设计和施工有一定参考价值。

掌握概率模型 准确求解概率

与过去的教材相比,新版的高中数学人教A版教材中,增加了概率模型的种类,并且难度也变得更难,很多学生在学习这部分新增内容时感觉非常困难.为了更好地帮助学生掌握这部分知识,文中提出了几点教学策略,希望可以帮助学生更好地理解和掌握这部分内容.

基于区间非概率模型的热驱动柔顺机构可靠性拓扑优化

为了满足热驱动器可靠性要求,提出一种基于区间非概率模型的热驱动柔顺机构可靠性拓扑优化方法。采用区间非概率模型描述热载荷的不确定性,以输出位移构建可靠性功能函数,在可靠性指标约束条件下寻求机构体积最小化,建立基于区间非概率模型的热驱动柔顺机构可靠性拓扑优化模型,利用移动渐近线算法更新设计变量。与确定性优化结果相比,可靠性拓扑优化获得的热驱动柔顺机构体积有所增加,能够有效地满足可靠性指标约束,可靠性设计的热驱动柔顺机构输出位移上、下限理论值与有限元分析结果误差均小于5%,验证了设计方法有效性;并且分析了不同输出刚度和热载荷区间对热驱动柔顺机构可靠性拓扑优化结果的影响。

基于时序数据和概率模型的智能交通网络关键节点安全保护方法

为了解决智能交通网络中关键节点因缺乏离散程度分析导致的保护效果不佳问题,提出基于时序数据和概率模型的智能交通网络关键节点安全保护方法。结合交通流的时序数据以及节点连通概率模型,对交通网络关键特征参数进行选定,明确网络内部离散程度以及连通性能;将关键性特征参数作为中心性指标,对节点的重要度进行求解,从而实现关键节点辨识;构建关键节点的交通流量平衡模型,对节点流量负载状态进行平衡,从而实现节点安全保护。实验结果表明,采用提出的方法对交通网络关键节点进行安全保护后,节点的交通流量负载比明显降低,具备较为理想的安全保护效果。

基于归一化流概率模型的水电机组异常声音检测

为推进水电机组智能化运维的发展,提出了一种自注意多阶统计量池化(SAMOSP)归一化流条件概率模型(NFCPM)用于水电机组的无监督异常声音检测。文中首次提出了自注意多阶统计量池化模块。该模块首先用一维压缩卷积层和瓶颈压缩激励部分自注意到时间帧的权重向量。权重向量用来计算多阶统计池化向量。然后再分频段的自注意到多阶统计池化量的不同权重,并按其提取不同频段的重要统计量信息,从而得到时频图的自注意统计池化特征向量。接着用归一化流条件概率模型对从水轮机组正常音频信号中提取到的自注意统计池化特征向量进行正常数据的概率建模。不同时间段的测试样本在该正常数据概率模型中进行测试,并得到相应的分数。分数越低表示概率密度越低,则异常程度越大,从而实现水电机组音频信号的无监督异常检测。

去噪扩散概率模型在人工智能医疗器械影像数据增广中的应用

医疗器械影像数据增广是一种通过生成新的数据样本来扩展现有数据集的方法,对提高人工智能(AI)医疗器械相关模型性能和临床应用效果具有重要意义。传统的数据增广方法通常受限于生成样本质量、真实感和多样性。去噪扩散概率模型(DDPM)是一种基于噪声扩散过程的生成模型,其主要思想是通过将目标分布的采样过程建模为从噪声分布中逐步去噪的过程,从而生成具有高质量的样本。综述DDPM基本原理和工作机制,分析该方法在AI医疗器械数据增广中的应用场景,探讨其优势、挑战和未来发展方向,为AI医疗器械数据增广领域提供参考。