支持向量机近似模型的参数选取及其在结构优化中的应用

摘要/Abstract

摘要：

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化，建立了具有最优参数的SVM近似模型，并与以训练集数据建立常规的SVM、二阶响应面（RSM）和径向基神经网络(RBFNN)近似模型进行对比.结果表明：以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力；可以避免RSM和RBFNN近似模型中的过拟合现象，具有更优的推广能力.最后，将最优参数的SVM近似模型用于船舶结构优化中，取得了具有良好工程实用性的优化结果.

关键词: 支持向量机, 参数选取, 非线性结构响应, 近似模型, 结构优化

Abstract:

To select proper parameters for the support vector machine (SVM) regression model used for the prediction of nonlinear structural response, the particle swarm optimizer was introduced into parameter optimization. To make comparisons, the SVM regression model with regular parameters, the RSM and RBFNN regression models were also developed based on the training data set. The results show that the SVM regression model based on optimized parameters has a better prediction ability than the regular SVM and can solve the overfitting problem in the regression model developed by the response surface method and radial based function neural network, thus possessing better generalization ability. The application of the SVM with optimimized parameters in structural optimizations proves that it has good engineering practicability.

Key words: support vector machine(SVM), parameter selection, nonlinear structural response, regression model, structure optimization

中图分类号:

U 662.2

何小二,王德禹. 支持向量机近似模型的参数选取及其在结构优化中的应用[J]. 上海交通大学学报（自然版）, 2014, 48(04): 464-468.

HE Xiaoer,WANG Deyu. Parameter Selection for Support Vector Machine and Its Application in Structural Optimization[J]. Journal of Shanghai Jiaotong University, 2014, 48(04): 464-468.

参考文献

［1］王安麟,董亚宁,周鹏举,等. 面向液压滑阀卡滞问题的健壮性设计［J］.上海交通大学学报, 2011,45(11):16371642.

WANG Anlin, DONG Yaning, ZHOU Pengju，et al . Robust design method for the seizure problem of hydraulic slide valve［J］. Journal of Shanghai Jiaotong University, 2011,45(11): 16371642.

［2］段雪厚,王石刚,徐威,等. 基于径向基神经网络的薄板平整轧制力预报模型［J］.上海交通大学学报,2011,45(6):924928.

DUAN Xuehou, WANG Shigang, XU Wei， et al. A model to predict temper rolling force of thin gauge strip with RBF neural networks［J］. Journal of Shanghai Jiaotong University, 2011,45(6): 924928.

［3］Sun Li, Wang Deyu. Optimal structural design of the midship of a VLCC based on the strategy integrating SVM and GA［J］. J Marine Sci Appl, 2011, 11:5967.

［4］Dong Yinfeng, Li Yingmin, Lai Ming，et al. Nonlinear structural response prediction based on support vector machines［J］. Journal of Sound and Vibration, 2008, 311(35):886897.

［5］Haykin S. Neural networks: A comprehensive foundation［M］. NJ,USA: Prentice Hall PTR, 1994.

［6］Yuan Xiaofeng, Wang Yaonan. Parameter selection of support vector machine for function approximation based on chaos optimization［J］. Journal of System Engineering and Electronics, 2008,19(1):191197.

［7］Ihan Aydin, Mehmet Karakose, Erhan Akin. A multiobjective artificial immune algorithm for parameter optimization in support vector machine［J］. Applied Soft Computing, 2011, 11: 120129.

［8］魏俊, 周步祥, 林楠, 等. 基于蚁群支持向量机的短期负荷预测［J］. 电力系统保护与控制, 2009, 37(4): 3640.

WEI Jun，ZHOU Buxiang，LIN Nan，et al. Shortterm load forecasting based on MGCACO and SVM method［J］. Power System Protection and Control, 2009,37(4):3640.

［9］邵信光, 杨慧中, 陈刚. 基于粒子群优化算法的支持向量机参数选择及其应用［J］. 控制理论与应用, 2006, 23(5): 740743.

SHAO Xinguang, YANG Huizhong, CHEN Gang. Parameter selection and application of support vector machines based on particle swarm optimization algorithm［J］. Control Theory & Applications, 2006, 23(5): 740743.

［10］刘昌平, 范明钰, 王光卫, 等. 基于梯度算法的支持向量机参数优化方法［J］. 控制与决策, 2008, 23(11):12911295.

LIU Changping, FAN Mingyu, WANG Guangwei, et al. Optimizing parameters of support vector machine based on gradient algorithm［J］. Control and Decision, 2008, 23(11):12911295.

［11］袁小芳, 王耀南. 基于混沌优化算法的支持向量机参数选取方法［J］. 控制与决策, 2006, 21(1):111113.

YUAN Xiaofang, WANG Yaonan. Selection of SVM parameters using chaos optimization algorithm［J］. Control and Decision, 2006, 21(1):111113.

［12］Chang ChihChung, Lin ChihJen. LIBSVM: A library for support vector machines［J］. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2(3): 127.

［13］Birge B. PSOta particle swarm optimization toolbox for use with Matlab［C］∥Swarm Intelligence Symposium, Proceedings of the 2003 IEEE. Indianapolis, Indiana, USA: IEEE, 2003: 182186.

[1]	施裕升, 王晓科, 周宇泰, 蒋国韬, 徐天洋. 基于卡方检验与SVM的多雷达抗欺骗干扰方法[J]. 空天防御, 2022, 5(1): 108-114.
[2]	肖冉, 魏子清, 翟晓强. 基于支持向量机的办公建筑逐时能耗预测[J]. 上海交通大学学报, 2021, 55(3): 331-336.
[3]	朱东, 姜萍萍, 颜国正, 王志武, 韩玎, 赵凯, 华芳芳, 姚盛健, 丁紫凡, 周泽润. 人工肛门括约肌系统便意感知重建[J]. 上海交通大学学报, 2020, 54(8): 771-777.
[4]	陶正瑞, 党嘉强, 徐锦泱, 安庆龙, 陈明, 王力, 任斐. 基于支持向量机回归的曲面零件涡流测距标定方法[J]. 上海交通大学学报, 2020, 54(7): 674-681.
[5]	徐彬彬, 洪榛, 赵磊, 俞立. 网络化倒立摆系统的偏差攻击及其检测方法[J]. 上海交通大学学报, 2020, 54(7): 697-704.
[6]	PENG Pai, CHEN Cong , YANG Yongsheng . Particle Swarm Optimization Based on Hybrid Kalman Filter and Particle Filter [J]. J Shanghai Jiaotong Univ Sci, 2020, 25(6): 681-688.
[7]	胡晓强，仲训昱，张霄力，彭侠夫，何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156.
[8]	王江卓,徐文聪,李建勋,贺丰收,曹兰英,缪礼锋. 基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法[J]. 上海交通大学学报, 2019, 53(9): 1091-1099.
[9]	马志宏，贡亮，林可，毛雨晗，吴伟，刘成良. 基于稻穗几何形态模式识别的在穗籽粒数估测[J]. 上海交通大学学报（自然版）, 2019, 53(2): 239-246.
[10]	李春祥，裴杨从琪，殷潇. 基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测[J]. 上海交通大学学报, 2019, 53(10): 1249-1258.
[11]	王庆, 刘钊, 黄平华, 朱平. 白车身激光焊接过程的变形预测及几何补偿方法[J]. 上海交通大学学报, 2019, 53(1): 62-68.
[12]	李春祥,殷潇. 基于小波支持向量机的非高斯空间风压内外插预测[J]. 上海交通大学学报（自然版）, 2018, 52(11): 1516-1523.
[13]	徐峰1，范春菊1，徐勋建2，李丽2，倪佳筠3. 基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测[J]. 上海交通大学学报（自然版）, 2018, 52(10): 1388-1395.
[14]	马天亮，徐添翼，高益，蔡萍. 基于支持向量机的热轧主电机风冷变频策略[J]. 上海交通大学学报（自然版）, 2017, 51(5): 542-.
[15]	弓鹏伟1，费燕琼1,3，宋立博2. 基于多传感器信息融合的轮履混合移动机器人路况识别方法[J]. 上海交通大学学报（自然版）, 2017, 51(4): 398-.