关键词： 独角兽企业   机器学习   模型融合  

摘要： 近年来,机器学习飞速,作为目前为许多人工智能问题提供解决方法的先进技术,其具体思路为赋予电子计算机像人一样学习知识并处理问题的能力,使机器模仿人类的沟通、交流过程,并在捕捉新的信息或资源的基础上,不断重组升级已具备的知识内容并提高自身性能。作为人工智能的核心,机器学习起源于20世纪初,自从机器学习作为一个相对独立的的研究方向至今,也有40余年的发展历程。在一代代科学家的努力下,机器学习衍生出许多经典的方法,如支持向量机、神经网络等。到了 21世纪,深度学习凭借其在处理海量数据、学习复杂数据方面的优势,目前已被广泛应用于金融、医疗、互联网等一系列领域,为推动社会进步发展起到了重大作用。在风投领域,“独角兽企业”是一个相对较新的概念,通常泛指估值超过10亿美元的初创企业。近年来,独角兽企业的数量与规模以近趋线性的方式快速发展,由2013年全球仅13家增加至2019年的近500家,其中,中国独角兽企业数量超200家,数量与总估值均居世界首位。在当下这个万众创业的时代,独角兽既受到广泛欢迎、被视为社会创新力的表现,又饱受诟病、被认为是估值虚高的标志。许多独角兽企业被捧上高坛,又在一夜之间跌下神坛。因此,独角兽企业如何预警财务危机,并及时进行应对处理,在发生财务危机伊始就加以遏止,值得进一步探讨和深究。同时,相比普通企业,独角兽企业在科技研发方面的大量资金投入与研发创新成果变现的高度不确定性导致其发生财务危机的概率更高。因此,为帮助独角兽企业在面对激烈的市场竞争时应对财务风险、防御财务危机,从而促使企业稳健发展,针对高新技术企业财务危机预警的相关探索至关重要。结合独角兽企业的自身特点,本文选取相应的财务指标进行财务预警分析。以ST(被特别处理)和非ST(正常)独角兽企业2019年的截面数据作为研究样本,在初步处理研究指标后,运用K-S检验、Mann-Whitney U检验等检验方法筛选预警指标,而后通过机器学习中的包装法进行最终的指标筛选,选取了特征筛选的七个指标建立起简约有效的独角兽企业财务危机预警研究体系。本文选择支持向量机、随机森林、神经网络等一系列机器学习研究方法进行初步的模型预测效果分析,进而建立以逻辑回归为次级模型,其他机器学习模型为初级模型的独角兽企业财务危机预警模型。在此过程中,通过smote方法处理不平衡数据集,并通过网格搜索和五折交叉验证的方法改进模型参数。模型的最终结果表明,在各单一模型中,神经网络模型效果最好;在堆叠模型中,SVM-logistic模型效果最优。根据建模过程以及检验结果,发现企业若想规避这类问题,首先,必须要提高盈利能力,其次要格外重视营业净利率和总资产净利率两个财务指标。除此之外,本文得出独角兽企业可以通过SVM-logistic模型进行财务预警分析,如果数据量较小,可以采用神经网络进行财务预警分析的结论。根据研究结论,提出独角兽企业应该着重关注财务风险控制、顺应时势发展、提高科技创新能力和拓宽营运资金来源等一系列相关建议。

关键词： 虚拟云桌面   性能优化分析   机器学习   卡顿检测  

摘要： 随着计算机技术与互联网的发展,计算机的使用已经深入人们工作、生活的方方面面。相比独立计算机,虚拟云桌面拥有成本低、管理方便以及数据安全等众多优势,从而被政府、高校、企业等选用。虽然虚拟云桌面在初始化时可以灵活地为用户配置硬件资源,但是分配策略上还是存在问题。从节约成本的角度考虑,静态分配给用户的资源有可能在某一时间段不能满足用户的要求。而如果根据峰值负载来静态分配资源就会造成资源的严重浪费。所以,只要能正确识别虚拟云桌面用户的卡顿状况再进行硬件资源动态分配就可以提升用户体验以及节约成本。传统的虚拟云桌面优化方法通常作用于底层,如在内存部分,通过引入全局地址空间和逻辑地址空间映射机制来构建高效、可靠的内存资源抽象。传统的方法虽然效果不错,但是由于从底层架构着手,具有成本高、难度大等缺点。本文研究了一种基于应用层的虚拟云桌面卡顿检测方法,通过采集虚拟云桌面的运行时状态信息,经过数据分析和处理后使用机器学习方法训练分类模型,从而对计算机是否处于卡顿状态做出判断。本文从应用层着手,大大降低了经济、人工、时间成本,使得其研究使用范围可以更加广阔。在数据采集阶段,在多台虚拟云桌面上部署了采集程序,采集了CPU、内存、网络等运行时状态信息,然后针对数据的特殊性做特征分析和预处理。在实验阶段,使用了逻辑回归、支持向量机、反向传播神经网络等模型来训练数据。经过多次实验比较,其结果显示反向传播神经网络效果更好,且不管是在测试集中检测以及在实际情况的验证中准确率都较高,可以较好地检测出计算机是否处于卡顿状态。在卡顿模型的基础上,本实验还搭建了一个卡顿检测管理系统,能最大程度上发挥了卡顿检测模型的功能。由于本实验室基于应用层来进行卡顿检测的,因此并不能完美解决虚拟云桌面底层的资源分配问题。如果目标是从根本上对虚拟云桌面进行优化,那么必须要深入底层原理,从内存分配、网络传输以及虚拟化协议方面进行深入研究。此外,本文设计的是一个卡顿检测检测系统,想提升虚拟云桌面的使用体验还需要在取得检测结果后对资源做动态分配。这些都是将来的研究方向。

关键词： 函数型混合效应模型   重尾过程   核函数   FPCA   交通流量数据  

摘要： 本文针对一维的函数型数据提出函数型混合效应模型,并对其进行建模。现实中的数据往往会由于某些原因导致误差从而产生异常值,传统的模型一般都是基于高斯过程的假设,然而当数据中存在异常值的情况时,高斯过程的参数估计结果并不稳健。为了提高推断结果的鲁棒性,本文采用正态尺度混合分布去构造重尾分布,并提出了随机效应项与随机误差项独立的假设,同时使用参数化和非参数化两种方法去刻画重复观测值之间非线性相关性。重尾分布模型是复杂且多层次的,本文采用贝叶斯方法进行参数估计,最后通过详细的数值模拟和英国交通流量数据的实例分析验证了本模型的鲁棒性和高效性。本文的主要研究如下:第一章对函数型混合效应模型的研究背景、研究现状和本文主要工作进行介绍,同时对函数型数据的概念进行描述,并给出了正态尺度混合分布、MCMC以及模型选择的方法介绍。第二章首先介绍了基于高斯过程的函数型混合效应模型GPFR,并基于此提出了基于重尾过程下的HPFR模型。接着,用样条基函数将固定效应项展开,选择非线性的核函数刻画随机效应项的协方差。在随机效应项和随机误差项独立的假定下,设定各参数的共轭先验分布,推导出每个参数的满条件后验分布。对于核函数中的参数,通过隐MCMC的方法更新其参数。然后,本文将此模型推广为分类模型,通过结合分类概率与条件分布提出混合预测的方法,最后对此模型的信息相合性进行了证明。在数值模拟中,本文设计两种不同类型的异常值来检验模型的效果,结果表明:当数据中存在异常值或者错误的分布假设时,HPFR具有更稳健的结果。最后,本文采用英国高速公路交通流量数据进行实例分析,得到了与数值模拟相似的结果,证明了此模型的实用性。第二章提出用非线性核函数来刻画协方差,但是在核函数选择,以及所选择的核函数是否可以有效的刻画数据的非线性结构等方面会出现问题。为了解决这些问题,第三章使用一种基于函数型主成分分析(Functional Principle Components Anal-ysis,FPCA)的数据驱动方法来近似参数化的核函数。接着,依旧假设随机效应项和随机误差项之间相互独立,并在贝叶斯框架下进行参数估计。同时,对Wishart分布中超参数的选择进行详细的讨论。在数值模拟中,本文对包括异常值种类、生成随机效应种类和随机误差项分布种类不同在内的情况,针对随机效应项的扰动模式等,共设计出14种情境,结果表明:先验协方差的选择对参数估计无明显影响。另一方面,本文证明了数据存在异常值以及分布错误假定的情况下HPFR的稳健性。相较于传统的FPCA方法,本章提出的方法更为准确,程序运行速度相比上一章的方法也大大提高。最后,本文使用英国高速公路交通流量数据进行实例分析,通过预测结果证明了我们的结论。第四章对模型的方法、结果等进行总结,并对以后的工作方向进行了展望。

关键词： 光伏发电功率   独立性检验   随机森林   支持向量机   长短期记忆神经网络   遗传算法  

摘要： 随着现代化进程的加快,大规模开采使用化石能源不仅导致能源资源日益稀缺而且伴随大量污染物排放.可再生能源,尤其是有独特优势的太阳能开发受到各国政府的高度重视,但太阳能光伏系统的功率输出受气象因素的影响,存在随机波动性,妨碍电网的正常运行.因此,准确地预测光伏发电功率,可以帮助电力部门做出科学的用电调度和计划安排.基于相关研究,本文提出了一种基于遗传算法优化机器学习模型应用于预测光伏发电的方法,并通过真实案例,将数据划分为不同季节,建立不同季节下的预测模型,并比较了几种不同预测方法在不同季节条件下预测结果与真实值间的误差值,验证了本文所用GA-SVM模型能有效提高光伏发电功率预测的精确度,且在冬季的预测效果最佳.本文的主要研究内容及结果如下:(1)分析气象因素对光伏功率输出的影响.根据已获得的光伏电站历史数据,通过相关系数法和皮尔逊卡方检验等统计方法确定辐照度、温度、湿度是影响光伏功率的主要气象因素.(2)对原始数据存在的缺失和异常等问题进行预处理,并按月份划分为四个季节,分别建立随机森林模型(RF)、支持向量机(SVM)模型和长短期记忆(LSTM)神经网络模型预测测试集的发电功率,同时输出RMSE、MAPE和五折交叉验证的RMSE值,并比较三种模型的预测能力.(3)通过网格搜索法对随机森林模型进行调参,通过遗传算法(GA)优化支持向量机和长短期记忆神经网络参数,建立GA-SVM模型和GA-LSTM模型,最后综合评估四个季节五种模型的预测效果,得出结论:GA-SVM模型对光伏发电功率的预测效果最好以及冬季时模型对光伏发电功率的预测效果比其他季节更好.

关键词： 阿尔兹海默症   正则化迭代PCA插补法   随机森林插补法   SAEM  

摘要： 阿尔兹海默症是一种常出现老年群体中的神经性脑疾病,是全球第四大死亡原因。我国2019年的研究显示,中国老年人群痴呆患病率接近6%,约有1000-1100万人正在经受着疾病带来的痛苦,一项2019年的研究显示,预计在不久的将来发病总人数会有显著增加。阿尔兹海默症病症情况较多且复杂,诊断需要大量的检查,检查费用高昂,另外还存在我国人民群众对医疗需求日益加深和医疗资源分配不均之间的矛盾,因此阿尔兹海默症在诊断阶段上会遇到许多困难。根据资料调查显示,我国的阿尔兹海默症患者诊断时超过半数的人都已经是中重度患者,而阿尔兹海默症越早治疗康复起来就越快,因此如何早期诊断出阿尔兹海默症具有重要研究意义。近几年来,人工智能在医疗领域发挥了重要意义。医学辅助诊断能够通过机器学习方法对医学影像进行识别,这样可以快速发现病症所在,提高医疗效率。因此将阿尔兹海默症诊断诉诸于人工智能,通过机器学习算法实现智慧辅助诊疗,就能够在一定程度上提前诊断出阿尔兹海默症,使得患者在病情早期阶段就能被诊断,大大提高了治愈率。综上,本文基于以上阿兹海默症受众广、危害大、诊断复杂的背景出发,使用ADNI数据库中的生物标志物、人口统计学、认知评估等数据,利用多种机器学习算法实现阿尔兹海默症的病情诊断预测。以下为本文的研究框架。首先对数据进行哑变量处理、归一化后再进行构建模型。在正式建模之前,首先选择代价权重比值,用以计算使得模型加权错判率最低的分类阈值,从而降低模型的漏诊率。建模总共分为四个部分。第一部分,使用正则化迭代PCA插补法、随机森林插补法分队对缺失数据集进行插补,得到两个完整的数据集Logistic回归模型。再利用向前选择法,找出对阿尔兹海默症诊断解释力最强的变量。第二部分,利用上述两个插补完成的数据集建立支持向量机模型。第三部分,构建插补法随机森林模型,并给出特征重要性分数。第四部分,利用SAEM法,选择使模型收敛速度最快的参数,一次性完成数据的插补和Logistic回归模型的建立。最后对模型结果进行比较,并给出对于阿尔兹海默症病情诊断解释性强的变量。为减小偶然性带来的建模结果影响,本文将上述过程重复10次,用10次建模得到的平均准确率、精确率、灵敏度、特异度、AUC等指标进行模型间的比较。结果显示,预测能力最好的模型的AUC值能够达到98.05%,准确率和召回率分别可以达到91.62%和98.78%。

关键词： 原油期货价格预测   CEEMDAN   机器学习模型   游程判定法  

摘要： 原油期货作为最重要的能源衍生品,与政治、金融市场的稳定以及人民的生活息息相关。随着改革开放进程的推进,我国越来越重视能源安全的问题。我国原油期货市场自建立以来,不断发展,逐渐并入国际轨道,国际原油期货价格的波动对我国原油市场乃至整个国民经济都有着极大的影响。然而,原油期货价格受众多因素的影响,呈现出高噪音、非平稳以及非线性特征,这使得对原油期货价格的预测难度极大。随着计算机技术的发展,基于机器学习类方法的价格预测逐渐变得流行起来,其在对非线性、非平稳的数据预测上有着显著的优势,成为时间序列预测最主要的方法。近年来,能够充分挖掘序列更深层次信息的时序分解技术逐渐应用到了金融领域。本文采用性能优良的自适应噪声完备集合经验模态分解CEEMDAN技术结合机器学习的方法对原油期货价格进行预测,对我国能源政策的制定以及厂商和投资者的决策有着重要现实意义。本文以1988年-2020年的布伦特原油期货日度收盘价为样本数据,采用分解集成的方法对布伦特原油期货价格进行预测,共分为五部分。导论之后,第一章从原油的定价体系以及原油期货市场的发展进行阐述,并对历史上原油市场的波动原因进行分析,发现原油期货价格受供需、地缘政治等多种因素的影响,存在着较强的非线性、非平稳特征。第二章介绍本文预测中使用的分解集成模型,在对序列进行分解之后,选取了SVM、随机森林、XGboost、BP神经网络以及LSTM网络等模型对序列进行预测。第三章为本文的实证研究部分,在采用CEEMDAN对原油期货价格序列进行分解之后,使用游程判定的方法将本征模态函数重构高频部分以及低频部分,接着采用机器学习类方法对各部分进行预测,将各部分预测结果加总集成作为最终预测结果。最后是本文的结论与展望。本文的实验结果表明,在布伦特原油期货价格的预测上,分解集成方法下模型的预测性能要远高于单一模型,特别是在预测原油期货价格波动方向方面。其中,CEEMDAN-LSTM模型在所有模型中的价格预测误差最低,预测价格波动方向的准确性最高。分解集成方法下,制约着模型预测性能的是对高频部分的预测,各模型在低频以及残余项的预测上,预测误差相差不大,而本文在重构高频部分时先对噪音进行了处理,大大降低了高频部分的预测误差。此外,SVR模型虽然在模型预测误差上表现一般,但是其在预测价格波动方向具有着较好的效果。

关键词： 非财务信息   债券违约   机器学习  

摘要： 随着债券“违约潮”的来临,近几年信用债违约现象越来越严重,违约债券数量呈现指数型增长。自2014年首次出现违约以来,截至到2019年,违约债券数量已经达到2014年的50倍,由此可见信用债违约风险不容忽视。学术界广泛使用的债券违约风险预测模型多使用财务数据,对于非财务数据的使用较少。财务数据在使用过程中经常出现披露不及时、财务数据造假等现象,在应用中存在一定局限性。事实上,非财务数据中包含大量有关企业经营管理的信息,这部分信息没有被利用,但在预测债券违约风险时能起到重要作用。非财务信息包括很多种类,公告是非财务信息的重要来源之一,是发债主体向外界传递信息最直接的通道。公告中包含人事变动、会议决策、重大事项、处罚等对公司经营管理产生巨大影响的信息,这些信息能够体现公司的经营管理情况,反应管理层对公司的信心,是财务数据无法反应出来的。因此,本文利用非财务信息中的公告对信用债违约风险进行预测。本文的第一部分是综述部分。首先论述了债券违约风险相关研究背景和研究意义。然后是文献综述部分,从违约风险模型和情感分析技术两个方面总结国内外已有文献,为建模提供理论基础和研究方向,并在此基础上提出本文的创新点。本文的第二部分对违约债券的数量、分布、行业及其公告类型角度进行描述性统计分析,将公告全方位、多维度进行分类,为后续建模提供数据支持。第三部分是模型的构建部分。首先将能够进行情感分析的公告进行情感分析,对于不能进行情感分析的公告,直接统计数量输入模型建模。其次,本文根据样本数据特点和逻辑特点选择两个机器学习模型:决策树模型和支持向量机模型。为了选择最优模型,对两个备选模型分别进行训练和评价,选出准确率更高的模型。最后,将调参后的模型代入测试集测试,经比较最终选择支持向量机模型进行实证。第四部分是本文的实证分析部分。本文选取了 2014年至2019年全部违约信用债券进行预处理后的数据作为原始违约数据。为了解决违约债券数量和未违约债券数量的不平衡的问题,本文按照1:5的比例随机选取未违约债券共同作为原始数据。对原始数据进行处理后输入模型,得到最终模型的准确率可达到95.06%,AUC值达到0.92,表明相较于传统违约风险预测模型,本文的模型预测能力更强,适用性更强。第五部分是本文的总结。首先是本文的结论。基于本文共得出以下四个结论:1.优化后的支持向量机模型能够很好地预测信用债违约风险。2.本文模型对未违约债券的预测准确率高于违约债券。3.引起违约债券预测误差的主要原因是违约主体公告信息披露的过少或不及时。4.非财务数据在债券违约风险预测中有较好的应用。其次是文章的不足和展望。最后基于投资者、监管者和评级机构的角度提出的建议。本文有以下两个创新点:第一、本文利用非财务信息对信用债违约风险预测,建模采用的数据是对公告进行文本分析得到的,对比传统用财务数据预测风险,具有创新性。第二、现有关于公告情感分析的研究都是用公告数据和其他财务数据共同作为自变量,这样会使公告变量的权重降低,削弱公告对违约风险的预测能力。本文将公告拆分成多个定类变量和定比变量,只探究公告对违约风险预测能力,不加入任何财务数据,相较于现有研究,具有一定的创新性。

关键词： 物流网点   机器学习   爬虫   大数据   GIS  

摘要： 随着互联网的高速发展,人工智能技术,机器学习方法等字眼逐渐走进人们的生活,人们得以耳濡目染新技术。同时AI潜移默化地走进很多领域,不断地影响人们的生活,提高人们的生活质量。传统的物流选址方法存在一些问题,比如某些地方物流网点密度过稀,使得一些区域不能得到覆盖;或者密度过高,使得选址覆盖重合造成资源浪费等问题。合理有效的选址,需要用合理的科学方法。既要考虑到地区的人口密度,交通状态,也要考虑到当地的经济水平,地理位置等因素。随着机器学习理论的不断发展和完善,以及大数据时代的到来,我们可以拥有更多的数据来做研究,可以不断地去验证相关理论的可行性。让大数据技术结合相关的机器学习方法,有助于实现合理的城市规划,方便人们的生活。但机器学习相关理论的实践,在物流方面的应用还存在一定的空白。本文采用爬虫,大数据分析以及机器学习的技术,给出上海市的物流站点与其他类型的服务设施之间的量化关系。首先,使用爬虫手段,获取高德地图里提供的各种位置信息,提取出相应的经济,地理,交通,人口等相关因素。其次,再创新性地使用GIS网格化技术将上述的数据切割成大小合适的网格小块,统计每一个网格小块内的数据点数,得到样本总体。对于所有数据,使用机器学习方法得到各种设施和物流点数量之间的回归关系。再使用随机森林,Ada Boost,GBDT,XGBoost提升方法,对基本模型实现准确度的提升,从而建成全套的物流点数量和其他类型设施数量关系的机器学习模型。

关键词： 航班延误   Logistic回归   决策树   随机森林   XGBoost   支持向量机  

摘要： 出行是我们日常生活中不可避免的一部分,随着人们对于航空出行接受程度的提高,由于航班延误造成的经济损失成为了人们热议的话题.根据美国联邦航空管理局公布的统计数据,美国2018年仅由于航班延误带来的损失就高达280亿美元,无论对于航空公司还是乘客来说,这都是一笔巨大的损失.随着经济的迅速发展,我国在民航市场的需求也在不断增加,2020年我国全年机场完成旅客吞吐量8.57亿人次,完成飞机起降904.92万架次,已达到美国同年的水平,目前也同样面临着由于航班延误带来的经济损失问题.本文的出发点是通过分析美国的航班延误数据,采用多种不同的方法构建相应的航班延误预测模型,并通过对比各方法从中选出最优模型.进而可以在之后的工作中把文中所用的多种方法推广到我国航班延误的相关分析中,通过技术手段规避相应的风险,减少不必要的损失.本文数据取自美国运输统计局,是2019年美国主要航空公司的航班数据.由于航班的延误情况具有相似性和共通性,所以文章中对于美国航班延误情况的分析方法可以推广并运用到对于中国航班延误情况的分析中.本文首先对数据进行预处理,补充缺失数值并创建新变量.接着分别分析了数据中主要变量与航班延误情况的相关性并将其可视化,直观地展现出来.在经过变量处理后的新数据集中,使用Logistic回归、基于CART算法的决策树、基于C4.5算法的决策树、随机森林算法、XGBoost算法、仅采用XGBoost生成的新特征作为变量的Logistic回归、合并XGBoost生成的新特征与原始特征作为变量的Logistic回归以及基于高斯核函数的支持向量机对航班延误的情况进行分类,并结合准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值和AUC值评价各方法的分类效果.在本文的八种方法中,综合表现最优的方法为基于高斯核函数的支持向量机,它在识别航班延误时效果显著.在选择最优方法时主要比较AUC值,并且由于将延误航班错判为准时航班会给航空公司带来较大的损失,所以也需要格外重视召回率.Logistic回归在召回率方面的效果最为突出,但与基于高斯核函数的支持向量机相比,在AUC值、准确率、精确率和F1值上效果不佳.随机森林和XGBoost将多棵决策树进行集成,比起单一的基于CART算法的决策树和基于C4.5算法的决策树有更加优秀的分类性能.两种组合XGBoost与Logistic回归的方法能够生成变量间的非线性关系,并且结合了二者的思想,但并没有取得预期的效果,这说明优秀的方法不一定适合所有数据,需要具体问题具体分析.在航班延误的分类研究中,需要综合采用多种方法,分析影响航班延误的关键性因素并进行预测.同时在实际工作中积极做好应对准备,采取有效的措施,最大程度上减轻航班延误带来的不利影响。

关键词： 机器学习   代理模型   自适应采样   贝叶斯学习   结构健康监测  

摘要： 现代工程结构日益大型化、轻柔化,其安全服役和动力灾变问题越来越突出。结构可靠度分析和结构健康监测是保障工程结构长期服役和安全运营的两个重要研究内容:一方面,结构可能直接承受作用强度远超其设计极限的极端自然灾害,导致结构体系失效,因此有必要对结构进行动力可靠度分析;另一方面,在漫长的服役期内,结构会因环境侵蚀和材料老化等因素的影响出现功能退化,致使服役性能不断下降,因此需要利用损伤识别等手段为结构安全评估提供依据。然而,现阶段结构动力可靠度分析及结构损伤识别都还面临诸多挑战,尤其是如何提高计算效率和精度方面仍然具有很大的探索空间。近年来,以神经网络为代表的机器学习技术在土木工程领域受到了广泛关注,其强大的非线性拟合能力、特征提取能力和高度灵活的结构形式使得其已经渗透到土木工程各个研究方向,被用以解决传统方法难以处理的问题,展现出了很好的工程应用潜力。正是基于这样的考虑,论文以机器学习方法在结构动力可靠度分析和结构健康监测中的应用为着眼点,以提高可靠度分析和结构损伤识别的效率和精度为目标,建立了基于径向基神经网络的桥梁颤振可靠度分析方法以及基于贝叶斯卷积神经网络和振动传递比的结构损伤识别方法,通过数值模拟和实验对所提方法的准确性和有效性进行了验证。本文主要工作和结论如下:1.论文对人工神经网络和深度学习的基本概念、基本原理和若干常用数学模型进行了较为系统地梳理,并讨论了两者的联系及适用范围;重点阐述了本文将采用的径向基神经网络和卷积神经网络核心网络层的功能和算法。针对卷积神经网络存在容易过拟合的缺点,论文进一步介绍了贝叶斯卷积神经网络,该方法通过对权重的概率建模来正则化神经网络,引入贝叶斯统计推断的框架量化参数的不确定性,能够有效提升模型的泛化性能。2.在基于机器学习方法的动力可靠度分析方面,论文针对颤振失稳功能函数计算成本高、隐式表达和高维非线性的特点,使用径向基神经网络作为代理模型来替代计算复杂耗时的颤振临界风速搜索过程,结合蒙特卡洛技术,建立了一种高效的桥梁颤振失效概率求解方法。为进一步提高分析效率,论文还提出了一种基于动态距离约束和加权抽样的自适应采样策略,将使用径向基神经网络在变量设计空间全域拟合颤振失稳功能函数的问题转换为拟合极限状态面的问题,降低了计算的复杂度。为实现自适应采样的迭代过程,论文基于全模态颤振分析理论,使用MATLAB和ANSYS协同分析技术,建立了参数化颤振临界风速分析有限元模型,实现了颤振分析过程的“自动化”和“在线化”。3.为了验证本文提出的桥梁颤振失效概率求解方法的效率和精度,论文通过非线性无阻尼单自由度系统和二维小失效概率模型数值算例验证了所提自适应采样策略的适用性和有效性,结果表明,相较于已有自适应采样方法,该策略在精度相当的前提下具有更高的计算效率;通过理想平板断面简支梁桥算例对所提桥梁颤振可靠度分析方法的可行性进行了验证,分析结果表明,该方法具有良好的适用性,具备较高的计算精度和计算效率。4.在基于深度学习的结构损伤识别方面,论文充分发挥振动传递比函数能够有效消除未知激励的影响以及贝叶斯卷积神经网络对数据特征自动提取的优势,采用神经网络有监督学习思路,建立了传递比函数驱动的贝叶斯-CNN损伤识别方法。该方法通过采集各损伤工况结构加速度响应信号来构造传递比数据集,并直接将其作为输入对贝叶斯卷积神经网络模型进行训练,用于提取数据中对损伤敏感的特征,最终实现对未知损伤工况的识别。为了提高贝叶斯卷积神经网络的推理效率,论文引入了一种高效的随机梯度变分贝叶斯推理方法:变分随机失活,来构造贝叶斯卷积神经网络模型,其通过局部重参数技巧将全局不确定性转换成局部不确定性,能够较大幅度地减少随机梯度的方差和训练的计算量。5.为了验证基于贝叶斯深度学习的结构损伤识别算法的有效性,论文以IASCASCE SHM Benchmark结构数值模型和悬臂梁实验模型为研究对象,对论文所提损伤识别方法进行了验证。结果表明,该方法具备较高的识别正确率;由于传递比函数反映的是结构输出-输出之间的关系,能够有效消除荷载的影响,将其作为卷积神经网络的输入特征,损伤识别效果要优于结构加速度响应功率谱;相较于普通卷积神经网络,贝叶斯卷积神经网络在测试集和训练集的精度更为接近,说明其具备更好的泛化性能,损伤识别能力更好。