鲍跃全2024年最新论文：一种基于深度对抗自编码器的充分降维神经网络进行高维可靠性分析的主动学习方法
论论资讯 ｜ 2024-04-29 ｜
47热度
Reliability Engineering and System Safety
Explore content
About the journal
Publish with us
An active learning method using deep adversarial autoencoder-based sufficient dimension reduction neural network for high-dimensional reliability analysis
Bao Y.; Sun H.; Guan X.; Tian Y.
Published：2024-07-01
DOI：10.1016/j.ress.2024.110140
研究背景
随着社会的发展，我们面临着越来越多的高维度和非线性问题，尤其在可靠性分析中。传统的可靠性分析往往需要耗费大量时间，尤其是在处理高维度和非线性问题时。为了解决这一挑战，研究人员经常使用代理模型方法。然而，如何在高维度可靠性分析中选择信息丰富的样本以显著提高代理模型的准确性一直是一个关键问题。
研究内容
这篇论文介绍了一种新颖的方法，通过基于深度对抗自动编码器的充分降维神经网络（AAE-SDR）的主动学习方法，促进高维度可靠性分析中代理模型的构建和信息丰富样本的选择。AAE-SDR神经网络作为代理模型，将复杂的高维变量转化为与目标相关的易处理的低维嵌入。这些嵌入呈高斯分布，具有明显的潜在极限状态边界。论文提出了一种新的采样策略，通过迭代地识别接近潜在极限状态边界的候选样本，并根据潜在高斯分布从候选样本数据集中均匀采样，选择信息丰富的被误分类样本。该方法的有效性通过两个高维数值示例和一个斜拉桥案例研究得到了证实。结果表明，该方法简化了复杂的高维度可靠性问题，并在有限数量的样本下提供了相对准确的故障概率估计。
研究意义
这项研究的创新点在于提出了一种新颖的主动学习方法，可显著提高高维度可靠性分析中代理模型的准确性，从而为解决复杂问题提供了新的思路。这对于工程领域和其他需要进行可靠性分析的领域具有重要意义，有助于简化问题复杂度，提高分析效率，同时也为未来研究提供了有价值的参考。
希望这篇文章能够帮助你更好地了解这项有趣的研究！
学术热榜
查看全部
相关资讯
换一批