[发明专利]一种基于广义回归神经网络和响应面法的可靠度分析方法

权利要求书

1.一种基于广义回归神经网络和响应面法的可靠度分析方法，其特征在于：包括以下步骤：

第一步、生成样本数据及其响应值：根据试验设计方法和相关函数在中心点处生成样本数据，将这些样本作为结构系统的输入数据，通过数值计算或试验获得系统在这些样本数据处的响应值；

第二步、训练广义回归神经网络：利用生成的样本数据及其响应值训练广义回归神经网络，并对网络的光滑因子的取值进行优化，训练好的神经网络用于近似结构系统的真实极限状态函数，获得近似响应面函数；

第三步、求解可靠指标β及设计点X*；

第四步、进行收敛判断，具体是：若同时满足公式8)和公式9)，则认定为收敛，可靠度计算结束；若不满足公式8)和公式9)中的至少一项，则生成新的抽样中心点，返回第一步；

|β_k+1-β_k|≤0.0001 8)；

||Xk+1*-Xk*||2≤10-6---9).]]>

2.根据权利要求1所述的基于广义回归神经网络和响应面法的可靠度分析方法，其特征在于：所述试验设计方法包括全因子设计、部分因子设计、中心复合设计、Box-Behnken设计、均匀设计、重要抽样设计以及拉丁超立方抽样设计中的至少一种；

所述相关函数为MATLAB中fullfact函数、ccdesign函数、bbdesign函数或lhsdesign函数。

3.根据权利要求1所述的基于广义回归神经网络和响应面法的可靠度分析方法，其特征在于：所述网络的光滑因子的取值的优化方法是：采用缺一交叉验证的方式结合粒子群算法或者模拟退火算法进行一维优化。

4.根据权利要求3所述的基于广义回归神经网络和响应面法的可靠度分析方法，其特征在于：在利用缺一交叉验证优化网络平滑因子的取值时，具体步骤为：

步骤a、对平滑因子取初始值；

步骤b、从n个样本数据中取出一个样本(Xⁱ,Yⁱ)作为测试样本，其余作为训练样本，训练广义回归神经网络；

步骤c、用步骤b中训练好的网络估算被取出的测试样本的预测值计算

步骤d、重复步骤b和步骤c，直到所有的样本都曾被设置为测试样本，以均方误差作为平滑因子一维优化问题的目标函数：

fmse(σ)=1nΣi=1n(Y^i(Xi)-Yi)2---1);]]>

公式1)采用粒子群算法或模拟退火算法进行优化求解。