[發明專利]一種基于廣義回歸神經網絡和響應面法的可靠度分析方法

在審

• 申請號: 201710542796.7
• 申請日: 2017-07-05
• 公開（公告）號: CN107180148A
• 公開（公告）日: 2017-09-19
• 發明（設計）人: 劉建文;雷明鋒;彭立敏;施成華
• 申請（專利權）人: 中南大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 長沙七源專利代理事務所(普通合伙)43214
• 代理人: 鄭雋,周曉艷

1.一種基于廣義回歸神經網絡和響應面法的可靠度分析方法，其特征在于：包括以下步驟：

第一步、生成樣本數據及其響應值：根據試驗設計方法和相關函數在中心點處生成樣本數據，將這些樣本作為結構系統的輸入數據，通過數值計算或試驗獲得系統在這些樣本數據處的響應值；

第二步、訓練廣義回歸神經網絡：利用生成的樣本數據及其響應值訓練廣義回歸神經網絡，并對網絡的光滑因子的取值進行優化，訓練好的神經網絡用于近似結構系統的真實極限狀態函數，獲得近似響應面函數；

第三步、求解可靠指標β及設計點X*；

第四步、進行收斂判斷，具體是：若同時滿足公式8)和公式9)，則認定為收斂，可靠度計算結束；若不滿足公式8)和公式9)中的至少一項，則生成新的抽樣中心點，返回第一步；

|β_k+1-β_k|≤0.0001 8)；

||Xk+1*-Xk*||2≤10-6---9).]]>

2.根據權利要求1所述的基于廣義回歸神經網絡和響應面法的可靠度分析方法，其特征在于：所述試驗設計方法包括全因子設計、部分因子設計、中心復合設計、Box-Behnken設計、均勻設計、重要抽樣設計以及拉丁超立方抽樣設計中的至少一種；

所述相關函數為MATLAB中fullfact函數、ccdesign函數、bbdesign函數或lhsdesign函數。

3.根據權利要求1所述的基于廣義回歸神經網絡和響應面法的可靠度分析方法，其特征在于：所述網絡的光滑因子的取值的優化方法是：采用缺一交叉驗證的方式結合粒子群算法或者模擬退火算法進行一維優化。

4.根據權利要求3所述的基于廣義回歸神經網絡和響應面法的可靠度分析方法，其特征在于：在利用缺一交叉驗證優化網絡平滑因子的取值時，具體步驟為：

步驟a、對平滑因子取初始值；

步驟b、從n個樣本數據中取出一個樣本(Xⁱ,Yⁱ)作為測試樣本，其余作為訓練樣本，訓練廣義回歸神經網絡；

步驟c、用步驟b中訓練好的網絡估算被取出的測試樣本的預測值計算

步驟d、重復步驟b和步驟c，直到所有的樣本都曾被設置為測試樣本，以均方誤差作為平滑因子一維優化問題的目標函數：

fmse(σ)=1nΣi=1n(Y^i(Xi)-Yi)2---1);]]>

公式1)采用粒子群算法或模擬退火算法進行優化求解。