南華大學機械工程學院何有為博士團隊在國際知名期刊Engineering Applications of Artificial Intelligence發(fā)表最新研究成果

  新湖南客戶端   2025-04-02 16:51:17

近日，南華大學機械工程學院何有為博士團隊在計算機科學領(lǐng)域中國科學院一區(qū)top期刊Engineering Applications of Artificial Intelligence上發(fā)表了題為“An efficient boundary prediction method based on multi-fidelity Gaussian classification process for class-imbalance”的研究論文。該論文介紹了一種基于多保真度高斯分類過程的邊界預測方法，旨在利用多保真度建模范式降低邊界預測模型的建模代價和提升類不平衡時邊界預測模型的建模精度。

邊界預測是工程設(shè)計過程中不可避免的問題，失效與安全極限狀態(tài)之間的這類邊界預測是其中最熱門的研究課題之一。囿于物理實驗成本高昂、周期長的局限性，基于代理模型的邊界預測方法常被用于邊界的快速預測。在眾多代理模型中，高斯分類過程（GPC）被廣泛使用。但是，其僅可利用獲取代價高昂的高可信度數(shù)據(jù)，導致建模數(shù)據(jù)的獲取代價高昂。為降低建模數(shù)據(jù)獲取代價，基于多可信度建模范式發(fā)展了多可信度高斯分類過程（MGPC）。它使用大量的廉價低可信度樣本點來捕捉工程系統(tǒng)的整體趨勢，進一步使用少量昂貴高可信度樣本點對其進行校正，從而在保證較高建模精度的同時降低模型時間。其次，現(xiàn)有GPC主要利用馬爾可夫鏈蒙特卡洛采樣（MCMC）方法開展模型訓練，導致其建模過程計算量大且收斂速度較慢。為此，提出了基于斯坦因變分梯度下降（SVGD）訓練方法的改進MGPC模型（MGPC-SVGD）。再次，在工程邊界預測問題中，MGPC還會受到因樣本點難以獲取或邊界劃分不均勻等誘發(fā)的類別不平衡現(xiàn)象，對模型精度造成損害。針對該問題，植入了合成少數(shù)類過采樣方法與編輯最近鄰耦合的混合采樣方法，降低建模數(shù)據(jù)的類不平衡率，建立了基于MGPC的邊界預測方法，流程如下圖所示。

基于多保真度高斯分類過程的邊界預測方法流程

將所提方法應用于近零泊松比結(jié)構(gòu)的失效邊界和壓氣機轉(zhuǎn)子安全運行邊界的預測。預測結(jié)果如下兩圖顯示。所提方法的建模精度和速度均優(yōu)于現(xiàn)有模型，驗證了所發(fā)展方法的有效性和工程實用性。所提方法還能為多可信度貝葉斯優(yōu)化算法提供新型的可行域邊界預測途徑。

基于多保真度高斯分類過程的邊界預測應用

該研究在湖南省自然科學基金青年項目、湖南省教育廳科學研究基金重點項目、南華大學博士啟動基金項目的資助下完成。研究生劉凌志和談寬為參與作者，何有為博士為通訊作者，南華大學機械工程學院為論文署名單位。（何有為）

責編：張芷瑜

一審：張芷瑜

二審：張馬良

三審：周韜

來源：新湖南客戶端

我要問