买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜广西大学申请的专利一种基于自适应序列蒙特卡罗的建筑结构贝叶斯系统识别及模型选择方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117473629B 。

龙图腾网通过国家知识产权局官网在2025-05-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311640896.5，技术领域涉及：G06F30/13；该发明授权一种基于自适应序列蒙特卡罗的建筑结构贝叶斯系统识别及模型选择方法是由阳佳桦;刘雯月;安永辉;林向晖设计研发完成，并于2023-12-04向国家知识产权局提交的专利申请。

本一种基于自适应序列蒙特卡罗的建筑结构贝叶斯系统识别及模型选择方法在说明书摘要公布了：本发明属于建筑结构防灾减灾技术领域，公开了一种基于自适应序列蒙特卡罗的建筑结构贝叶斯系统识别及模型选择方法。本发明的方法以统一的方式解决建筑结构贝叶斯系统识别和模型类选择问题，提出的模型类证据值的新公式可高效计算传统方法无法计算的高维积分，这些公式能够分别量化模型类的数据拟合度和信息增益以选择最优模型类，在保证模型精确度的同时不致过于复杂。本发明可高效解决真实复杂建筑结构的贝叶斯系统识别和模型类选择的问题，以进行不同荷载下结构行为的精准预测，为后期建筑结构防灾减灾提供精确模型及理论支撑。

本发明授权一种基于自适应序列蒙特卡罗的建筑结构贝叶斯系统识别及模型选择方法在权利要求书中公布了：1.一种基于自适应序列蒙特卡罗的建筑结构贝叶斯系统识别及模型选择方法，其特征在于，将贝叶斯系统识别和贝叶斯模型类选择统一集成到自适应序列蒙特卡罗方法中，识别建筑结构的刚度参数，选择建筑结构最优模型类；具体通过对建筑结构刚度参数的后验概率密度采样来实现，采样结束后即可得到建筑结构最优模型类及精确结构模型；提出多层级自适应采样方法，取连接每个层级的桥接概率密度函数pi为： 式中，ci为正规化常数；Jθ为量化实验与预测模态参数间的误差，其具体表达式在等式1中给出；为桥接概率密度函数的方差参数；多层级自适应采样方法步骤如下：步骤一、初始化令采样层级数i＝1；设置桥接概率密度函数的方差参数通过随机取样获得建筑结构刚度参数θ中的一个样本，将该样本代入等式1，求得Jθ，令其中，Jθ表达式如下： 式中，和分别为实验得到的第m个模态的自然频率和振型；ωmθ和𝛟mθ分别为模型预测的第m个模态的自然频率和振型；Nm为可用的实验模态数量；设置每层生成的样本数量Ns；使用MH算法对建筑结构刚度参数样本进行抽样，设置抽样概率密度函数为均匀分布，目标概率密度函数为第一层桥接概率密度函数p1；MH算法为每个样本分配相等的权重，即步骤二、更新下一个层级i＝i+1桥接概率密度函数pi的方差参数通过最小化等式2，获得 其中，ESS为有效样本数量，用于量化生成的样本是否同等重要；α是ESS折减系数，取为0.99；为正规化权重，满足通过等式4，计算得到： 式中，是在样本处的权重增量；步骤三、在当前层级i取样，使用基于MH算法的马尔可夫链蒙特卡罗核；对于j＝1至Ns，1从上一层样本中抽一个样本：其中，代表样本的狄拉克测度；2从以为中心的正态分布中选取候选样本X:其中，代表均值为协方差矩阵为Ci-1的正态分布概率密度函数，Ci-1是用估算的样本协方差矩阵；3X有的概率被接受，即X有1-r的概率被拒绝而采用前一个样本，即其中q·为采样概率密度函数，具体形式为以前一层级各样本为均值，样本协方差矩阵为其协方差矩阵的混合高斯分布；步骤四、检查终止准则如果则进行步骤五；否则返回步骤二；步骤五、基于核密度估计，利用最终层级的样本估算建筑结构刚度参数的后验概率密度函数： 其中，实验数据集包括实验自然频率和振型NL为最终层的样本数量；是用最终层的NL个样本估算的经验协方差矩阵；步骤六、选择最优模型类基于产生的建筑结构刚度参数样本，提出选择最优建筑结构模型类的新方法，即在给定相同测量数据的情况下，计算多个候选建筑结构模型种类的证据值，在这些候选建筑结构模型种类中选择具有最大证据值的模型类即最优建筑结构模型类；其中数据拟合度反映建筑结构模型重现实验数据的精确性，信息增益反映建筑结构模型提取信息的模型复杂程度，通过独立量化这两个物理量，保证了建筑结构模型结构足够精确的同时又不至于太复杂导致过大的计算量及不确定性；用等式6～8，分别计算每个模型类的数据拟合度、信息增益和模型类证据值： 式中，Mk指模型类；lnpθ|Mk与样本无关，是一个常数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广西大学，其通讯地址为：530004 广西壮族自治区南宁市西乡塘区大学东路100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。