谢建宏

(江西财经大学软件与通信工程学院，南昌 330013)

智能结构是一类仿生结构，泛指将传感器、驱动器以及有关的信号处理和控制电路集成在材料结构中，通过机、热、光、化、电、磁等激励和控制，不仅具有承受载荷的能力，而且具有识别、分析、处理及控制等多种功能，能进行自诊断、自适应、自学习、自修复的新型材料结构。其中，实现损伤自诊断功能是智能结构研究的主要内容之一［1］，而损伤检测方法是关联损伤自诊断功能的一个重要问题，这个问题的研究，对智能结构的应用具有重要的理论意义和实用价值。

当前，结构损伤检测的方法很多，除了外观的目测方法外，还有声发射法、超声波法、磁场法、放射法、热力场法等实验方法以及专家系统、神经网络、遗传算法等智能损伤检测技术［2］。基于智能结构的多传感器体系结构，传感器大量分布于结构体之中，且传感网络信号具有高度非线形、大数量、并行等特点，因此采用神经网络方法来实现结构损伤自诊断是一个理想的选择［3］。人工神经网络的优越性虽然明显，但以BP为代表的前向神经网络由于缺泛严格的理论依据，而存在一定的固有缺陷。近年来发展起来的基于核学习的方法——以支持向量机(Support Vector Machine，SVM)的形式出现，是从统计学习理论中发展出来的新的研究方法，它有效解决了传统神经网络方法的局部极小化和不完全统计分析的缺点，而且特别适用于高维、小样本学习问题。目前，基于核的支持向量机方法已成为模式识别及非线性回归的理想网络模型，并在智能结构损伤检测应用方面成为研究的热点［4－5］。……