基于支持向量機的結構損傷識別研究*

吳思瑤 姜紹飛 傅大寶

?

基于支持向量機的結構損傷識別研究*

吳思瑤 姜紹飛 傅大寶

福州大學土木工程學院

支持向量機(SVM)是一種針對分類和回歸問題的統計學習理論，能有效地解決模式識別中的分類問題。該文提出了基于支持向量機的結構損傷識別方法：以歸一的頻率變化比()和歸一的損傷指標()作為特征參數，訓練支持向量機進行損傷識別。用一個12層鋼混框架有限元數值模型進行驗證，同時分析了影響SVM模型性能的主要因素。結果表明，本文提出的方法具有較高的損傷識別能力，而核參數的選擇對識別精度有較大影響。

支持向量機 損傷識別 核函數 參數選擇

近年來，建筑物使用性能的退化和各種災害的頻繁發生，使得對大型結構進行健康監測和安全性評估成為國內外研究的熱點。結構健康監測系統的研發雖然為之提供了保障，但是如何利用海量、不確定的數據，進而尋求有效的損傷識別方法仍是急需解決的難題。

由Vapnik的統計學習理論[1]發展而來的支持向量機克服了人工神經網絡的局限性且具有結構簡單、推廣能力好等優點，能夠解決非線性、高維數問題，已被成功地應用于模式識別的眾多領域，如交通異常診斷[2]、文本識別[3]、人臉檢測[4]等。基于此，本文提出了一種基于支持向量機的損傷識別方法，并用一個數值算例驗證了所提方法的有效性，探討了噪聲、核函數及核參數的選擇對SVM模型性能的影響。

1 基本原理

支持向量機(SVM)[5]是一種針對分類和回歸問題的統計學習理論，能有效解決模式識別中的分類問題。……