针对频响函数的似然函数推导复杂以及马尔科夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)算法不易收敛、样本拒绝率高的问题,提出一种基于小波变换和改进MCMC算法的贝叶斯模型修正法。首先,引入模态参与变异系数准则选取激励点位置、...针对频响函数的似然函数推导复杂以及马尔科夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)算法不易收敛、样本拒绝率高的问题,提出一种基于小波变换和改进MCMC算法的贝叶斯模型修正法。首先,引入模态参与变异系数准则选取激励点位置、模态动能法选取测点位置;然后,构造Kriging模型,计算加速度频响函数并进行小波变换,提取小波总能量作为Kriging模型输出,并通过粒子群算法优化Kriging模型相关系数;最后,为提高采样效率,以延缓拒绝策略为基础,当候选样本被拒绝时,引入天牛须搜索算法产生新的候选样本,以此估计待修正参数的后验概率分布。分别使用车辆三自由度系统和空间桁架模型验证所提方法,结果表明:修正后获得的马尔科夫链整体性能较好,样本接受率提高,各参数的相对误差基本保持在1%以内且具有良好的抗噪性。展开更多
文摘针对频响函数的似然函数推导复杂以及马尔科夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)算法不易收敛、样本拒绝率高的问题,提出一种基于小波变换和改进MCMC算法的贝叶斯模型修正法。首先,引入模态参与变异系数准则选取激励点位置、模态动能法选取测点位置;然后,构造Kriging模型,计算加速度频响函数并进行小波变换,提取小波总能量作为Kriging模型输出,并通过粒子群算法优化Kriging模型相关系数;最后,为提高采样效率,以延缓拒绝策略为基础,当候选样本被拒绝时,引入天牛须搜索算法产生新的候选样本,以此估计待修正参数的后验概率分布。分别使用车辆三自由度系统和空间桁架模型验证所提方法,结果表明:修正后获得的马尔科夫链整体性能较好,样本接受率提高,各参数的相对误差基本保持在1%以内且具有良好的抗噪性。
