预测砌体墙板破坏模式的支持向量机方法

论文摘要

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的机器学习方法,它基于结构风险最小化原则,能有效地解决学习问题,具有良好的推广性能和较好的分类精确性。本文研究了利用支持向量机技术来实现预测砌体结构的破坏模式的技术。由于砌体的各向异性,砌块与砂浆材料性质相差较大,二者间接触面作用机理复杂,以及制作带来的变异性等,使得砌体结构的破坏模式规律性难寻。难以用有限元等传统分析方法来精确分析砌体结构的破坏机理及破坏模式,本文采用支持向量机技术,来对砌体墙板在面外横向均布荷载作用下的破坏模式进行预测。本文建议的支持向量机模型,通过探寻试验板裂缝分布规律与利用已知破坏模式的先验知识对破坏模式进行数值化定义,来获取简化模型破坏模式的特征值,然后将其作为支持向量机的训练样本及检测样本的输入数据,实现了支持向量机技术在预测砌体墙板破坏模式上的应用。同时,发展了应用细胞自动机(CA)与支持向量机二者联合预测砌体墙板破坏模式的方法,进一步开辟了智能技术在砌体结构中的应用的途径。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题意义及国内外研究现状
• 1.1.1 课题研究的意义
• 1.1.2 国内砌体结构理论发展现状
• 1.1.3 国外砌体结构理论发展现状
• 1.2 课题研究内容
• 1.3 本章小结
• 第2章 支持向量机概述
• 2.1 引言
• 2.2 支持向量机产生的理论背景
• 2.2.1 支持向量机算法的发展历史和现状
• 2.2.2 系统辨识和模式识别问题一般描述及存在问题
• 2.3 支持向量机的基本思想
• 2.3.1 统计学习理论基本思想
• 2.3.2 统计学习理论的核心结论
• 2.3.3 支持向量机的特点
• 2.3.4 分类超平面
• 2.4 支持向量机算法
• 2.4.1 线性可分情况
• 2.4.2 近似线性可分情况
• 2.4.3 非线性可分情况
• 2.4.4 支持向量机分类算法特点
• 2.4.5 支持向量机回归模型
• 2.5 本章小结
• 第3章 由支持向量机直接预测砌体墙板破坏模式
• 3.1 引言
• 3.2 输入输出模型的建立
• 3.2.1 特征值的提取
• 3.2.2 用先验知识简化模型
• 3.3 预测砌体墙板破坏模式的支持向量机模型建立及分析
• 3.3.1 支持向量机输入输出模式的建立
• 3.3.2 已有的一组实验数据
• 3.3.3 破坏模式特征值的提取
• 3.3.4 用支持向量机预测
• 3.3.5 预测值与实验值对比
• 3.4 支持向量机性能的评价
• 3.5 本章小结
• 第4章 细胞自动机（CA）与支持向量机（SVM）的结合
• 4.1 前言
• 4.2 细胞自动机简介
• 4.2.1 细胞自动机
• 4.2.2 细胞自动机定义
• 4.2.3 细胞自动机的构成
• 4.2.4 细胞自动机的一般特征
• 4.3 砌体墙板CA 模型的建立
• 4.3.1 砌体墙板的单元划分
• 4.3.2 传递函数
• 4.4 用支持向量机（SVM）建立匹配准则
• 4.4.1 类似区域的概念
• 4.4.2 预测方法的适用条件
• 4.4.3 匹配准则的建立
• 4.5 用细胞自动机与支持向量机的综合法进行预测
• 4.5.1 建立基础板的破坏模式
• 4.5.2 用细胞自动机建立基础板及预测板的状态值
• 4.5.3 用支持向量机进行预测
• 4.5.4 预测值与实际值的比较
• 4.6 算例分析
• 4.6.1 基础板破坏模式的建立
• 4.6.2 用细胞自动机建立基础板及预测板的状态值
• 4.6.3 用支持向量机进行预测
• 4.6.4 预测值与实际值的比较
• 4.7 本章小结
• 结论
• 参考文献
• 致谢