專利名稱：橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法
技術(shù)領(lǐng)域：
本發(fā)明提供一種橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)數(shù)據(jù)的分析評估方法，具體涉及一種利用少量已標(biāo)記和大量未標(biāo)記的橋梁結(jié)構(gòu)靜態(tài)數(shù)據(jù)的半監(jiān)督協(xié)同方法，屬于橋梁結(jié)構(gòu)健康評估分析領(lǐng)域。
背景技術(shù)：
橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)一般安裝于重要的獨立大橋或者健康等級較低具有一定危險性的橋梁，通過監(jiān)測、分析不同的參數(shù)可以判斷橋梁整體損傷和局部損傷狀況以評估橋梁的結(jié)構(gòu)健康狀態(tài)。橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)主要由傳感器子系統(tǒng)、數(shù)據(jù)采集子系統(tǒng)、數(shù)據(jù)通信與傳輸子系統(tǒng)、數(shù)據(jù)分析和處理子系統(tǒng)、狀態(tài)評估與預(yù)測等子系統(tǒng)構(gòu)成。橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)主要對兩大類橋梁結(jié)構(gòu)參數(shù)進(jìn)行監(jiān)測一類是包括橋梁關(guān)鍵控制截面的應(yīng)變、變形等結(jié)構(gòu)靜態(tài)響應(yīng)參數(shù)的監(jiān)測；另一類是包括振動頻率、模態(tài)特性、疲勞特性等動力特性參 數(shù)的分析。目前，已有的基于模式識別的橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)分析評估方法，主要是利用監(jiān)督學(xué)習(xí)算法，通過對大量的橋梁結(jié)構(gòu)數(shù)據(jù)已標(biāo)記樣本建立橋梁結(jié)構(gòu)健康監(jiān)測分類模型并對測試數(shù)據(jù)進(jìn)行分類預(yù)測，進(jìn)一步評估判斷橋梁結(jié)構(gòu)的健康狀況。隨著現(xiàn)代橋梁設(shè)計理論和施工技術(shù)的提高，考慮到橋梁結(jié)構(gòu)的安全性和穩(wěn)定性，監(jiān)測點部署的傳感器數(shù)量有了大幅度增加，使得單一參數(shù)單位工作日內(nèi)采集數(shù)據(jù)的數(shù)量級已經(jīng)超過 ο3。在這種情況下，利用傳統(tǒng)的監(jiān)督學(xué)習(xí)方法對橋梁結(jié)構(gòu)參數(shù)的數(shù)據(jù)進(jìn)行分類和評估，需要大量的標(biāo)記樣本來進(jìn)行模型的訓(xùn)練。但是標(biāo)記對橋梁結(jié)構(gòu)健康數(shù)據(jù)需要耗費很大的人力和物力。此外由于數(shù)據(jù)更新速度快，且更新數(shù)量大，即使花費大量的精力來標(biāo)記一定數(shù)量的數(shù)據(jù)作為已標(biāo)記樣本，采集到的新數(shù)據(jù)不一定與原始標(biāo)記樣本具有相同的分布特點，這會使得模型的分類性能并不理想；倘若使用新的數(shù)據(jù)來更新已有模型，勢必花費更多的精力來對新數(shù)據(jù)進(jìn)行標(biāo)記，且會因無法對靜態(tài)結(jié)構(gòu)參數(shù)數(shù)據(jù)做出及時的分類，影響模型的實時性和有效性。由于橋梁結(jié)構(gòu)健康數(shù)據(jù)已標(biāo)記樣本中的標(biāo)記代表樣本類別，且該類別反映的是樣本采集時刻橋梁結(jié)構(gòu)健康程度，若想及時了解整個橋梁的運行狀態(tài)及其結(jié)構(gòu)健康狀況，必須采用半監(jiān)督學(xué)習(xí)來充分利用最新的未標(biāo)記數(shù)據(jù)輔助已標(biāo)記數(shù)據(jù)訓(xùn)練分類模型，以便做出合理的判斷和決策。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)數(shù)據(jù)的半監(jiān)督協(xié)同方法，通過利用少量的已標(biāo)記靜態(tài)數(shù)據(jù)和大量的未標(biāo)記靜態(tài)數(shù)據(jù)建立起橋梁結(jié)構(gòu)健康半監(jiān)督模型，既解決了橋梁結(jié)構(gòu)數(shù)據(jù)的大量人工標(biāo)記問題，又有效地保證了分類的準(zhǔn)確率，通過橋梁結(jié)構(gòu)健康數(shù)據(jù)的警戒狀態(tài)分類來對橋梁結(jié)構(gòu)健康狀況進(jìn)行分析與評估。本發(fā)明的原理是實時采集的橋梁結(jié)構(gòu)健康靜態(tài)數(shù)據(jù)如變形、靜應(yīng)變、裂縫的參數(shù)的原始數(shù)據(jù)文件經(jīng)過預(yù)處理形成橋梁結(jié)構(gòu)特征樣本集。特征樣本集中的已標(biāo)記樣本集經(jīng)自助采樣得到三個已標(biāo)記樣本子集，利用三個樣本子集訓(xùn)練出三個基于不同監(jiān)督學(xué)習(xí)算法的初始基分類器，然后通過三個分類器之間的協(xié)同作用來實現(xiàn)對特征樣本集中未標(biāo)記樣本的標(biāo)記，并同時不斷更新分類器。協(xié)同訓(xùn)練迭代結(jié)束后，三個基分類器通過將各自對測試樣本的標(biāo)記結(jié)果進(jìn)行加權(quán)投票來得到最終的分類結(jié)果，分類結(jié)果可分為正常狀態(tài)、預(yù)警狀態(tài)、報警狀態(tài)和極值狀態(tài)，后三種作為異常狀態(tài)(警示狀態(tài))處理。樣本的分類結(jié)果即為對樣本采集時刻的橋梁結(jié)構(gòu)健康狀態(tài)的評估結(jié)果。模型工作流程如圖I所示。本發(fā)明提供的技術(shù)方案如下—種橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié) 同評估方法，包括如下步驟I)輸入橋梁結(jié)構(gòu)的靜態(tài)數(shù)據(jù)，對之進(jìn)行屬性量化預(yù)處理，形成橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)樣本集，其中包含已標(biāo)記樣本集L和未標(biāo)記樣本集U ;2)通過對已標(biāo)記樣本集L進(jìn)行自助米樣(Booststrap)產(chǎn)生SpS2和S3三個子集，在此基礎(chǔ)上，選擇三種不同的監(jiān)督學(xué)習(xí)算法進(jìn)行訓(xùn)練，建立初始分類器Iiph2和h3 ；3)分別對三個分類器進(jìn)行訓(xùn)練，每個分類器訓(xùn)練數(shù)據(jù)集中的新標(biāo)記樣本由其它兩個分類器協(xié)同提供，并通過模型更新策略進(jìn)行模型更新；4)采用基于標(biāo)記準(zhǔn)確率的加權(quán)投票法對三個分類器進(jìn)行集成，從而建立分類器模型來對測試樣本集進(jìn)行預(yù)測；5)利用建立的分類器模型對橋梁結(jié)構(gòu)健康數(shù)據(jù)進(jìn)行分類，分類結(jié)果分別對應(yīng)于橋梁結(jié)構(gòu)健康的四種不同狀態(tài)，即正常狀態(tài)、預(yù)警狀態(tài)、報警狀態(tài)和極值狀態(tài)，后三種作為警示狀態(tài)處理；6)如果出現(xiàn)警示狀態(tài)，說明橋梁結(jié)構(gòu)健康狀況異常，需進(jìn)行橋梁診斷或維護(hù)處理。所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟I)所述橋梁結(jié)構(gòu)的靜態(tài)數(shù)據(jù)包括橋梁的變形、靜應(yīng)變、裂縫等數(shù)據(jù)。所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟2)中所述三種不同的監(jiān)督學(xué)習(xí)算法為基于決策樹理論的J48、基于神經(jīng)網(wǎng)絡(luò)理論的RBF和基于概率的NaiveBayes三種算法。所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟3)所述模型更新策略如下用J表示分類器在第t輪迭代的分類錯誤率，Lt表示第t輪迭代時分類器的已標(biāo)記樣本集，ILtI表示Lt的容量大小；a)對已標(biāo)記樣本集L進(jìn)行標(biāo)記，計算本輪的樣本標(biāo)記錯誤率θ1 ；b)比較本輪與上一輪的樣本標(biāo)記錯誤率P的大小，若J > 該分類器更新結(jié)束；否則轉(zhuǎn)向c)；c)判斷本輪與上一輪新標(biāo)記的樣本容量的大小，若ILtI ( ILt-1I，該分類器更新結(jié)束；否則轉(zhuǎn)向d)；d)若JlLtI CeHIir1I，則將新標(biāo)記的樣本集Lt與已標(biāo)記樣本集L 一起加入到分類器的訓(xùn)練集中來對分類器進(jìn)行訓(xùn)練，更新模型；否則轉(zhuǎn)向e)；e)對Lt進(jìn)行分層抽樣，產(chǎn)生樣本子集Ltsub,使其滿足J | Ltsub | < e"11 L^11，將新標(biāo)記樣本子集Ltsub與已標(biāo)記樣本集L 一起加入到分類器的訓(xùn)練集中來對分類器進(jìn)行訓(xùn)練，更新模型。所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟e)所述分層抽樣的方法為對于已標(biāo)記樣本集L和抽樣子集的樣本容量ns 統(tǒng)計已標(biāo)記樣本集L中的標(biāo)記類別數(shù)量H;將L分為H層；對于樣本集中的每一層根據(jù)該層的樣本數(shù)量Ni計算抽樣數(shù)量A = Ni*;從該層隨機抽取ni個樣本形成子集Si,將Si添加到S中；S即為從L中得到的抽樣子集。所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟4)中，利用權(quán)重生成策略為分類器賦權(quán)，三個分類器分別賦予不同的決策權(quán)值形成半監(jiān)督協(xié)同分類器；對于各分類器的權(quán)重分配采用基于標(biāo)記準(zhǔn)確率的加權(quán)投票法利用三個分類器h1； h2，h3分別對已標(biāo)記樣本集L進(jìn)行分類，計算得到分類錯誤率e1; e2, e3;則分類器權(quán)重
w.，其中i = 1，2，3 ;這樣分類錯誤率低的分類器得到了較高的權(quán)值，分類錯
誤率高的得到了較低的權(quán)值。本發(fā)明同時提供一種基于靜態(tài)數(shù)據(jù)的橋梁結(jié)構(gòu)健康監(jiān)測方法，其特征是，步驟5)中，當(dāng)分類結(jié)果為正常狀態(tài)時，認(rèn)為橋梁結(jié)構(gòu)健康狀態(tài)良好。當(dāng)分類結(jié)果為警示狀態(tài)時，應(yīng)予以重視，并針對不同情況做出不同的處理。當(dāng)處于預(yù)警或報警狀態(tài)時，應(yīng)采用儀器設(shè)備進(jìn)行細(xì)致的橋梁診斷，找出具體影響因素。當(dāng)分類結(jié)果為極值狀態(tài)時，應(yīng)對橋梁的使用進(jìn)行限制，如有需要甚至可停用以進(jìn)行全面檢測。所述的橋梁結(jié)構(gòu)健康監(jiān)測方法，其特征是，監(jiān)測的靜態(tài)數(shù)據(jù)包括橋梁的變形、靜應(yīng)
變、裂縫等。 本發(fā)明的有益效果利用本發(fā)明提供的技術(shù)方案，可以有效地利用未標(biāo)記數(shù)據(jù)輔助有標(biāo)記數(shù)據(jù)建立橋梁結(jié)構(gòu)靜態(tài)參數(shù)的數(shù)據(jù)分類模型，既可以減少對于橋梁結(jié)構(gòu)健康數(shù)據(jù)的標(biāo)注需求，降低人工標(biāo)記成本，又可以提高橋梁結(jié)構(gòu)健康數(shù)據(jù)的分類準(zhǔn)確率，通過橋梁結(jié)構(gòu)健康數(shù)據(jù)的警戒狀態(tài)分類結(jié)果達(dá)到對橋梁結(jié)構(gòu)健康狀況的分析與評估。


圖I橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)數(shù)據(jù)半監(jiān)督協(xié)同分類模型工作流程2半監(jiān)督協(xié)同方法基本流程3半監(jiān)督協(xié)同方法樣本標(biāo)記策略圖4單分類器模型更新策略圖5杭州灣跨海大橋北航道橋變形監(jiān)測點分布示意6與監(jiān)督學(xué)習(xí)模型相比平均分類性能提高比率統(tǒng)計圖
具體實施例方式I.輸入橋梁結(jié)構(gòu)的靜態(tài)數(shù)據(jù)，對之進(jìn)行屬性量化預(yù)處理，形成橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)樣本集，其中包含已標(biāo)記樣本集L和未標(biāo)記樣本集U ;屬性量化的方法為根據(jù)監(jiān)測位置和時間特征的分布對稱性，將具有相似性位置特征和時間特征的數(shù)據(jù)進(jìn)行聚類分組，得到的分組結(jié)果進(jìn)行數(shù)值量化作為樣本集，其中已標(biāo)記樣本集L是已有人工標(biāo)記的樣本集,未標(biāo)記樣本集U是沒有進(jìn)行標(biāo)記的樣本集。2.通過對已標(biāo)記樣本集L進(jìn)行自助米樣(Booststrap)產(chǎn)生SpS2和S3三個子集，在此基礎(chǔ)上，選擇三種不同的監(jiān)督學(xué)習(xí)算法進(jìn)行訓(xùn)練建立初始分類器Iiph2和匕。三種監(jiān)督學(xué)習(xí)算法分別采用J48、RBF和NaiveBayes算法。該算法中的三種分類器可任意選擇，只需保證三個分類器不同即可，但上 述三種是經(jīng)實驗驗證對比得到的最好組合。3.在協(xié)同訓(xùn)練過程中，每個分類器訓(xùn)練數(shù)據(jù)集中的新標(biāo)記樣本由其它兩個分類器協(xié)同提供，并通過模型更新策略進(jìn)行分類器更新或迭代終止。以分類器Ii1的樣本標(biāo)記過程為例，半監(jiān)督協(xié)同方法的樣本標(biāo)記策略如圖3，其中Ui為分類器1^(1 = 1,2,3)的未標(biāo)記樣本集,標(biāo)記步驟如下I)從未標(biāo)記樣本集Ui中取未標(biāo)記樣本X，X e U1 ;2)用分類器h2和h3分別對X e U1進(jìn)行標(biāo)記，得到h2 (x)，h3 (x)；3)判斷標(biāo)記的一致性:若h2(x) Φ h3(x),轉(zhuǎn)回步驟I);否則轉(zhuǎn)步驟4)；4)將新標(biāo)記樣本(X, hj (X))加入已標(biāo)記樣本集L L = L U {(x, h」(x))} (i = 2或3)；5)將X從未標(biāo)記樣本集U1中移除=U1 = U1-Kx, hjx))}。同樣以分類器Ii1為例，模型更新策略如下用et和分別表示分類器在第t輪和第t-Ι輪迭代的分類錯誤率，Lt表示第t輪迭代時分類器的已標(biāo)記樣本集，ILtI和ILt-1I分別為在第t輪和第t-i輪迭代時分類器的已標(biāo)記樣本集容量大小。I)對已標(biāo)記樣本集L進(jìn)行標(biāo)記，計算本輪的樣本標(biāo)記錯誤率et ；2)比較本輪與上一輪的樣本標(biāo)記錯誤率P的大小，若et > 該分類器更新結(jié)束；否則轉(zhuǎn)向3)；3)判斷本輪與上一輪新標(biāo)記的樣本容量的大小，若ILtI ( IlT1I，該分類器更新結(jié)束；否則轉(zhuǎn)向4)；4)若et I Lt I < I Lw I，則將新標(biāo)記的樣本集Lt與已標(biāo)記樣本集L 一起加入分類器訓(xùn)練，更新模型；否則轉(zhuǎn)向5)；5)對Lt進(jìn)行基于標(biāo)記類別的分層抽樣，產(chǎn)生樣本子集Ltsub,使其滿足JlLtsubI< eH I Lw |，將新標(biāo)記樣本子集Ltsub與已標(biāo)記樣本集L 一起加入分類器訓(xùn)練，更新模型；其中，基于標(biāo)記類別的分層樣本抽樣方法過程如下
權(quán)利要求
1.一種橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，包括如下步驟 1)輸入橋梁結(jié)構(gòu)的靜態(tài)數(shù)據(jù)，并對之進(jìn)行屬性量化預(yù)處理，形成橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)樣本集，其中包含已標(biāo)記樣本集L和未標(biāo)記樣本集U ； 2)通過對已標(biāo)記樣本集L進(jìn)行自助采樣產(chǎn)生SpS2和S3三個子集，在此基礎(chǔ)上，選擇三種不同的監(jiān)督學(xué)習(xí)算法進(jìn)行訓(xùn)練，建立初始分類器Iiph2和h3 ； 3)分別對三個分類器進(jìn)行訓(xùn)練，每個分類器訓(xùn)練數(shù)據(jù)集中的新標(biāo)記樣本由其它兩個分類器協(xié)同提供，并通過模型更新策略進(jìn)行模型更新； 4)采用基于標(biāo)記準(zhǔn)確率的加權(quán)投票法對三個分類器進(jìn)行集成，從而建立分類器模型來對測試樣本集進(jìn)行預(yù)測； 5)利用建立的分類器模型對橋梁結(jié)構(gòu)健康數(shù)據(jù)進(jìn)行分類，分類結(jié)果分別對應(yīng)于橋梁結(jié)構(gòu)健康的四種不同狀態(tài)，即正常狀態(tài)、預(yù)警狀態(tài)、報警狀態(tài)和極值狀態(tài)，后三種作為警示狀態(tài)處理； 6)如果出現(xiàn)警示狀態(tài)，說明橋梁結(jié)構(gòu)健康狀況異常，需進(jìn)行橋梁診斷或維護(hù)處理。
2.如權(quán)利要求I所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟2)中所述三種不同的監(jiān)督學(xué)習(xí)算法為基于決策樹理論的J48、基于神經(jīng)網(wǎng)絡(luò)理論的RBF和基于概率的NaiveBayes三種算法。
3.如權(quán)利要求I所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟3)所述模型更新策略如下 用J表示分類器在第t輪迭代的分類錯誤率，Lt表示第t輪迭代時分類器的已標(biāo)記樣本集，I Lt I表示Lt的容量大??； a)對已標(biāo)記樣本集L進(jìn)行標(biāo)記,計算本輪的樣本標(biāo)記錯誤率θ1； b)比較本輪與上一輪的樣本標(biāo)記錯誤率J—1的大小，若J> 該分類器更新結(jié)束；否則轉(zhuǎn)向c)； c)判斷本輪與上一輪新標(biāo)記的樣本容量的大小，若ILtI( I IT11，該分類器更新結(jié)束；否則轉(zhuǎn)向d)； d)若JlLtI<eH I Lw |，則將新標(biāo)記的樣本集Lt與已標(biāo)記樣本集L 一起加入到分類器的訓(xùn)練集中來對分類器進(jìn)行訓(xùn)練，更新模型；否則轉(zhuǎn)向e)； e)對Lt進(jìn)行分層抽樣，產(chǎn)生樣本子集Ltsub,使其滿足JI Ltsub I < P I L"11，將新標(biāo)記樣本子集Ltsub與已標(biāo)記樣本集L 一起加入到分類器的訓(xùn)練集中來對分類器進(jìn)行訓(xùn)練，更新模型。
4.如權(quán)利要求3所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是,步驟e)所述分層抽樣的方法為對于已標(biāo)記樣本集L和抽樣子集的樣本容量ns 統(tǒng)計已標(biāo)記樣本集L中的標(biāo)記類別數(shù)量H ;將L分為H層；對于樣本集中的每一層 根據(jù)該層的樣本數(shù)量Ni計算抽樣數(shù)量A = Ni*;從該層隨機抽取ni個樣本形成子集Si, 將Si添加到S中；S即為從L中得到的抽樣子集。
5.如權(quán)利要求I所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟I)所述橋梁結(jié)構(gòu)的靜態(tài)數(shù)據(jù)包括橋梁的變形、靜應(yīng)變、裂縫數(shù)據(jù)。
6.如權(quán)利要求I所述的橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法，其特征是，步驟4)中，利用權(quán)重生成策略為分類器賦權(quán)，三個分類器分別賦予不同的決策權(quán)值形成半監(jiān)督協(xié)同分類器； 對于各分類器的權(quán)重分配采用基于標(biāo)記準(zhǔn)確率的加權(quán)投票法利用三個分類器h1;h2，匕分別對于已標(biāo)記樣本集L進(jìn)行分類，計算得到分類錯誤率e1; e2, e3;則分類器權(quán)重 +:;=+—，其中i = 1，2，3 ;這樣分類錯誤率低的分類器得到了較高的權(quán)值，分類錯誤率高的得到了較低的權(quán)值。
7.一種基于靜態(tài)數(shù)據(jù)的橋梁結(jié)構(gòu)健康監(jiān)測方法，其特征是，權(quán)利要求I所述的步驟5)中，當(dāng)分類結(jié)果為正常狀態(tài)時，認(rèn)為橋梁結(jié)構(gòu)健康狀態(tài)良好；當(dāng)分類結(jié)果為警示狀態(tài)時，需針對不同情況做出不同的處理當(dāng)處于預(yù)警或報警狀態(tài)時，應(yīng)采用儀器設(shè)備進(jìn)行細(xì)致的橋梁診斷，找出具體影響因素；當(dāng)分類結(jié)果為極值狀態(tài)時，應(yīng)對橋梁的使用進(jìn)行限制或停用以進(jìn)行全面檢測。
8.如權(quán)利要求7所述的橋梁結(jié)構(gòu)健康監(jiān)測方法，其特征是，所述靜態(tài)數(shù)據(jù)包括橋梁的變形、靜應(yīng)變、裂縫數(shù)據(jù)。
全文摘要
一種橋梁結(jié)構(gòu)健康監(jiān)測靜態(tài)參數(shù)的半監(jiān)督協(xié)同評估方法。實時采集的橋梁結(jié)構(gòu)健康靜態(tài)數(shù)據(jù)經(jīng)過預(yù)處理形成橋梁結(jié)構(gòu)特征樣本集。其中的已標(biāo)記樣本集經(jīng)自助采樣得到三個已標(biāo)記樣本子集，利用三個樣本子集訓(xùn)練出三個基于不同監(jiān)督學(xué)習(xí)算法的初始基分類器，然后通過三個分類器之間的協(xié)同作用來實現(xiàn)對特征樣本集中未標(biāo)記樣本的標(biāo)記，并同時更新分類器。協(xié)同訓(xùn)練迭代結(jié)束后，三個基分類器通過將各自對測試樣本的標(biāo)記結(jié)果進(jìn)行加權(quán)投票來得到最終的分類結(jié)果。本發(fā)明既可以減少對于橋梁結(jié)構(gòu)健康數(shù)據(jù)的大量標(biāo)注需求，降低人工標(biāo)記成本，又可以提高橋梁結(jié)構(gòu)健康數(shù)據(jù)的分類準(zhǔn)確率，通過橋梁結(jié)構(gòu)健康數(shù)據(jù)的分類結(jié)果來實現(xiàn)對橋梁結(jié)構(gòu)健康狀況的分析與評估。
文檔編號G06F19/00GK102663264SQ201210132970
公開日2012年9月12日 申請日期2012年4月28日 優(yōu)先權(quán)日2012年4月28日
發(fā)明者于重重, 商利利, 王競燕, 譚勵, 馬萌 申請人:北京工商大學(xué)