基于格上SIS(Short Integral Solution)问题的困难性假设,在盆景树模型下,利用盆景树签名构造了一个格上的环签名。环签名的安全性是基于格上SIS问题的困难性。方案实现了签名者身份的完全匿名性,在标准模型下(无随机预言机)证明环签名...基于格上SIS(Short Integral Solution)问题的困难性假设,在盆景树模型下,利用盆景树签名构造了一个格上的环签名。环签名的安全性是基于格上SIS问题的困难性。方案实现了签名者身份的完全匿名性,在标准模型下(无随机预言机)证明环签名方案满足存在性不可伪造。展开更多
机器学习方法能通过建立以建筑信息、地震动参数为输入,韧性指标为输出的非线性映射关系,对建筑结构进行抗震韧性评估,但当训练数据规模较大时,其训练过程由于涉及求解大规模逆矩阵致使计算效率低下且极其占用计算机内存。为此,提出基...机器学习方法能通过建立以建筑信息、地震动参数为输入,韧性指标为输出的非线性映射关系,对建筑结构进行抗震韧性评估,但当训练数据规模较大时,其训练过程由于涉及求解大规模逆矩阵致使计算效率低下且极其占用计算机内存。为此,提出基向量引导的支持向量机(basis vectors-guided support vector machines for regression, BVLS-SVMR)模型,从大规模训练样本中提取小规模子样本,并将其映射到高维特征空间里作为基向量,替代大规模原基向量用于建立预测模型。为了验证BVLS-SVMR模型的准确性和高效性,基于9 356个钢筋混凝土(RC)框架(教学楼)抗震韧性的数据,分别与支持向量机(least squares support vector machines for regression, LS-SVMR)模型和传统有限元法(FEM)进行对比。结果表明:BVLS-SVMR模型的测试集预测精度与LS-SVMR模型的测试集预测精度(决定系数R~2)相差0.011,但计算时间是LS-SVMR模型的1/10,是传统FEM的1/21 709;BVLS-SVMR模型能准确且快速地预测教学楼的抗震韧性指标。展开更多
文摘机器学习方法能通过建立以建筑信息、地震动参数为输入,韧性指标为输出的非线性映射关系,对建筑结构进行抗震韧性评估,但当训练数据规模较大时,其训练过程由于涉及求解大规模逆矩阵致使计算效率低下且极其占用计算机内存。为此,提出基向量引导的支持向量机(basis vectors-guided support vector machines for regression, BVLS-SVMR)模型,从大规模训练样本中提取小规模子样本,并将其映射到高维特征空间里作为基向量,替代大规模原基向量用于建立预测模型。为了验证BVLS-SVMR模型的准确性和高效性,基于9 356个钢筋混凝土(RC)框架(教学楼)抗震韧性的数据,分别与支持向量机(least squares support vector machines for regression, LS-SVMR)模型和传统有限元法(FEM)进行对比。结果表明:BVLS-SVMR模型的测试集预测精度与LS-SVMR模型的测试集预测精度(决定系数R~2)相差0.011,但计算时间是LS-SVMR模型的1/10,是传统FEM的1/21 709;BVLS-SVMR模型能准确且快速地预测教学楼的抗震韧性指标。
