[發(fā)明專利]迭代重加權(quán)最小二乘法極限學(xué)習(xí)機響應(yīng)面可靠性分析方法

有效

• 申請?zhí)枺?/td>: 202110546969.9
• 申請日: 2021-05-19
• 公開（公告）號: CN113343559B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計）人: 趙衛(wèi);任琦
• 申請（專利權(quán)）人: 暨南大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N7/00;G06F111/08;G06F119/02
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 詹麗紅

1.一種迭代重加權(quán)極限學(xué)習(xí)機響應(yīng)面可靠性分析方法，其特征在于，所述可靠性分析方法包括以下步驟：

S1、指定待分析領(lǐng)域的產(chǎn)品結(jié)構(gòu)、待分析領(lǐng)域中反映結(jié)構(gòu)或產(chǎn)品正常工作能力或安全工作臨界狀態(tài)的功能函數(shù)、隨機變量特征參數(shù)，其中，所述待分析領(lǐng)域包括土木工程、機械電子和航空航天；

S2、按照蒙特卡羅仿真或擬蒙特卡羅仿真方法產(chǎn)生N個極限學(xué)習(xí)機訓(xùn)練樣本；

S3、設(shè)置神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)L，正則化參數(shù)C，極限學(xué)習(xí)機訓(xùn)練最大迭代次數(shù)t_max；

S4、隨機生成第1到第L個神經(jīng)元的輸入權(quán)重w_i和隱含層偏置b_i，i＝1,…,L，計算隱含層輸出矩陣H，將加權(quán)矩陣W初始化為單位陣；

S5、計算隱含層節(jié)點和輸出節(jié)點間的輸出權(quán)重矩陣近似值

S6、計算偏差ξ^(j),j＝1,…,N、規(guī)模估計參數(shù)MAR為絕對殘差中位數(shù)，更新加權(quán)矩陣W；

S7、檢查第t-1步和第t步的輸出權(quán)重矩陣近似值是否滿足或是否達(dá)到最大訓(xùn)練次數(shù)t_max，若滿足或者達(dá)到最大訓(xùn)練次數(shù)，則輸出權(quán)重矩陣近似值得到最終的極限學(xué)習(xí)機響應(yīng)面模型，否則，返回步驟S5繼續(xù)迭代訓(xùn)練新的極限學(xué)習(xí)機模型，其中ε是一個事先設(shè)置的取值10^-6～10^-5的正參數(shù)；

S8、在獲得的極限學(xué)習(xí)機模型基礎(chǔ)上，按照隨機變量的概率分布進行蒙特卡羅仿真，計算結(jié)構(gòu)失效概率；

其中，所述步驟S5中，若按照L2范數(shù)正則化方法提高極限學(xué)習(xí)機的魯棒性，權(quán)重矩陣近似值按下面表達(dá)式計算

其中I為單位矩陣，為第t-1步得到的加權(quán)矩陣，T為訓(xùn)練樣本響應(yīng)值矩陣，w(·)為避免過擬合的權(quán)函數(shù)，分別為將帶入權(quán)函數(shù)w(·)計算得到的權(quán)重大小；若按照L1范數(shù)正則化方法提高極限學(xué)習(xí)機的魯棒性，權(quán)重矩陣近似值按下面表達(dá)式計算

其中I為單位矩陣，W_L＝diag(w(β₁),w(β₂),...,w(β_L))，β₁,β₂,…,β_L為隱含層神經(jīng)元節(jié)點輸出權(quán)重，分別為將帶入權(quán)函數(shù)w(·)計算得到的權(quán)重大小，為第t-1步得到的加權(quán)矩陣，T為訓(xùn)練樣本響應(yīng)值矩陣，w(·)為避免過擬合的權(quán)函數(shù)。

2.根據(jù)權(quán)利要求1所述的迭代重加權(quán)極限學(xué)習(xí)機響應(yīng)面可靠性分析方法，其特征在于，若按照L1正則化方法選取避免過擬合的權(quán)函數(shù)w(z)，則按如下表達(dá)式計算

其中τ為取值10^-6～10^-5的正值，z＝β₁,β₂,…,β_L和時，分別計算得到矩陣W_L和W_N。

3.根據(jù)權(quán)利要求1所述的迭代重加權(quán)極限學(xué)習(xí)機響應(yīng)面可靠性分析方法，其特征在于，若按照L2正則化方法選取避免過擬合的權(quán)函數(shù)w(z)，則取為1。