文献类型：期刊文章

作　　者：孙艳丽[1] 杨娜[2] 张正涛[3] 戚蕊[3] 刘尚来[4] 徐亚丰[3] 夏宝晖[1] 董文天[1] 邱明浩[1]

SUN Yanli;YANG Na;ZHANG Zhengtao;QI Rui;LIU Shanglai;XU Yafeng;XIA Baohui;DONG Wentian;QIU Minghao(School of Bussiness,Shenyang Jianzhu University,Shenyang 110168,China;Guangdong Technical Teachers College Tianhe College,Guangzhou 510540,China;School of Civil Engineering,Shenyang Jianzhu University,Shenyang 110168,China;San Mateo Community College,San Mateo,California.USA 94403)

机构地区：[1]沈阳建筑大学商学院,辽宁沈阳110168 [2]广东技术师范学院天河学院,广东广州510540 [3]沈阳建筑大学土木工程学院,辽宁沈阳110168 [4]美国圣马特奥社区学院,美国加利福尼亚州圣马特奥94403

出　　处：《应用基础与工程科学学报》

基　　金：国家科技部135重点专项课题(2016YFC0701402);辽宁省自然科学基金(201801491);辽宁省社科规划基金(L18BJY030);辽宁省教育厅项目(WJZ2016005);沈阳市社科规划基金(17107);辽宁省财政基金项目(2017120401)

年　　份：2018

卷　　号：26

期　　号：4

起止页码：888-900

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提取有效的损伤特征并提出实用的损伤识别方法,本文利用核主元分析（KPCA）良好的非线性特征提取和支持向量机（SVM）在非线性映射、分类方面的优秀性能,提出了一种基于非线性特征提取的支持向量机损伤识别方法.首先采用粒子群算法（PSO）来优化KPCA的核参数,然后运用优化后的KPCA进行损伤特征提取,最后用SVM进行模式分类并输出识别结果.为了验证所提方法的有效性,通过一个12层钢混框架模型进行损伤识别,并重点研究了KPCA的核参数优化模型及可分性分析、噪声程度、不同特征提取方法、神经网络模型对该方法性能的影响.研究发现：本文所提出的方法不仅能有效地提取损伤特征和降低数据维数,而且具有较高的损伤识别和抗噪能力、泛化能力,且鲁棒性很强.

关 键 词：非线性特征  核主元分析 支持向量机 粒子群算法 损伤识别

分 类 号：TP277]