江西省教育厅科技计划项目(GJJ10437)
- 作品数：3 被引量：5H指数：2
- 相关作者：谢建宏胡兆吉更多>>
- 相关机构：江西财经大学南昌大学更多>>
- 发文基金：江西省教育厅科技计划项目江西省自然科学基金更多>>
- 相关领域：自动化与计算机技术一般工业技术电气工程更多>>
- 基于数据依赖核LS-SVM的压电智能结构冲击损伤检测被引量：2
- 2012年
- 基于支持向量机与信息几何的统计学关联性,从信息几何学的角度通过共形变换构造了数据依赖核函数,并与LS-SVM相结合,从而形成数据依赖核LS-SVM方法。基于一阶剪切变形理论及有限单元方法,对压电智能复合材料层板进行了低速冲击压电响应数值仿真,并进行了特征提取。基于各压电传感器响应信号特征,采用数据依赖核LS-SVM方法,对压电智能复合材料层板进行了冲击损伤检测,并与静态高斯核函数(RBF)的LS-SVM方法进行了对比。结果表明:在同等条件下,相比于静态RBF核LS-SVM,数据依赖核LS-SVM具有更高的损伤检测精度及更强的推广能力。
- 谢建宏
- 关键词：压电智能结构
- 基于再生核LS-SVM的压电智能结构冲击定位分析被引量：1
- 2012年
- 根据支持向量机核函数的构造条件及Hilbert空间再生核理论,构造了一种新型核函数,并与改进的最小二乘支持向量机(LS-SVM)相结合,从而形成再生核LS-SVM学习方法。采用一阶剪切变形理论及有限单元方法,对压电智能复合材料层板进行低速冲击压电响应数值仿真,并进行了特征提取。基于各压电传感器响应信号特征,采用再生核LS-SVM方法,对压电智能复合材料层板进行了冲击定位分析,并与高斯核函数(RBF)的LS-SVM法进行对比。结果表明,在同等条件下,相比于RBF核LS-SVM,再生核LS-SVM具有更高的冲击损伤定位精度及更强的推广能力,该仿真方法可为实际结构的冲击损伤位置自诊断提供指导。
- 谢建宏胡兆吉
- 关键词：压电智能结构
- 基于并行量子遗传神经网络的自诊断智能结构传感器的优化配置被引量：2
- 2012年
- 针对压电智能复合材料层板,基于损伤检测问题,采用最小二乘小波支持向量机(LS-WSVM)网络建立损伤检测目标函数,运用量子遗传算法对目标函数进行优化,并将LS-WSVM以并行方式与量子遗传算法相结合,从而构造并行量子遗传神经网络方法,实现对智能结构损伤检测传感器的优化配置。仿真结果表明,采用该方法实现的不同数目传感器的最优布置符合工程判断,综合考虑成本与效益的因素,该方法可确定传感器对应于其初始布置模式下的最优配置数目。对于更多传感器的初始布置模式,采用该方法可有效减少传感器的数量,从而降低成本。相比于传统遗传算法,该方法中量子遗传算法具有较好的寻优能力和收敛速度。
- 谢建宏
- 关键词：传感器优化配置
