一种桥梁结构健康监测静态参数的半监督协同评估方法。实时采集的桥梁结构健康静态数据经过预处理形成桥梁结构特征样本集。其中的已标记样本集经自助采样得到三个已标记样本子集，利用三个样本子集训练出三个基于不同监督学习算法的初始基分类器，然后通过三个分类器之间的协同作用来实现对特征样本集中未标记样本的标记，并同时更新分类器。协同训练迭代结束后，三个基分类器通过将各自对测试样本的标记结果进行加权投票来得到最终的分类结果。本发明专利技术既可以减少对于桥梁结构健康数据的大量标注需求，降低人工标记成本，又可以提高桥梁结构健康数据的分类准确率，通过桥梁结构健康数据的分类结果来实现对桥梁结构健康状况的分析与评估。
【技术实现步骤摘要】
本专利技术提供一种桥梁结构健康监测静态数据的分析评估方法，具体涉及一种利用少量已标记和大量未标记的桥梁结构静态数据的半监督协同方法，属于桥梁结构健康评估分析领域。
技术介绍
桥梁结构健康监测系统一般安装于重要的独立大桥或者健康等级较低具有一定危险性的桥梁，通过监测、分析不同的参数可以判断桥梁整体损伤和局部损伤状况以评估桥梁的结构健康状态。桥梁结构健康监测系统主要由传感器子系统、数据采集子系统、数据通信与传输子系统、数据分析和处理子系统、状态评估与预测等子系统构成。桥梁结构健康监测系统主要对两大类桥梁结构参数进行监测一类是包括桥梁关键控制截面的应变、变形等结构静态响应参数的监测；另一类是包括振动频率、模态特性、疲劳特性等动力特性参 数的分析。目前，已有的基于模式识别的桥梁结构健康监测数据分析评估方法，主要是利用监督学习算法，通过对大量的桥梁结构数据已标记样本建立桥梁结构健康监测分类模型并对测试数据进行分类预测，进一步评估判断桥梁结构的健康状况。随着现代桥梁设计理论和施工技术的提高，考虑到桥梁结构的安全性和稳定性，监测点部署的传感器数量有了大幅度增加，使得单一参数单位工作日内采集数据的数量级已经超过 ο3。在这种情况下，利用传统的监督学习方法对桥梁结构参数的数据进行分类和评估，需要大量的标记样本来进行模型的训练。但是标记对桥梁结构健康数据需要耗费很大的人力和物力。此外由于数据更新速度快，且更新数量大，即使花费大量的精力来标记一定数量的数据作为已标记样本，采集到的新数据不一定与原始标记样本具有相同的分布特点，这会使得模型的分类性能并不理想；倘若使用新的数据来更新已有模型，势必花费更多的精力来对新数据进行标记，且会因无法对静态结构参数数据做出及时的分类，影响模型的实时性和有效性。由于桥梁结构健康数据已标记样本中的标记代表样本类别，且该类别反映的是样本采集时刻桥梁结构健康程度，若想及时了解整个桥梁的运行状态及其结构健康状况，必须采用半监督学习来充分利用最新的未标记数据辅助已标记数据训练分类模型，以便做出合理的判断和决策。
技术实现思路
本专利技术的目的是提供一种桥梁结构健康监测静态参数数据的半监督协同方法，通过利用少量的已标记静态数据和大量的未标记静态数据建立起桥梁结构健康半监督模型，既解决了桥梁结构数据的大量人工标记问题，又有效地保证了分类的准确率，通过桥梁结构健康数据的警戒状态分类来对桥梁结构健康状况进行分析与评估。本专利技术的原理是实时采集的桥梁结构健康静态数据如变形、静应变、裂缝的参数的原始数据文件经过预处理形成桥梁结构特征样本集。特征样本集中的已标记样本集经自助采样得到三个已标记样本子集，利用三个样本子集训练出三个基于不同监督学习算法的初始基分类器，然后通过三个分类器之间的协同作用来实现对特征样本集中未标记样本的标记，并同时不断更新分类器。协同训练迭代结束后，三个基分类器通过将各自对测试样本的标记结果进行加权投票来得到最终的分类结果，分类结果可分为正常状态、预警状态、报警状态和极值状态，后三种作为异常状态(警示状态)处理。样本的分类结果即为对样本采集时刻的桥梁结构健康状态的评估结果。模型工作流程如图I所示。本专利技术提供的技术方案如下—种桥梁结构健康监测静态参数的半监督协 同评估方法，包括如下步骤I)输入桥梁结构的静态数据，对之进行属性量化预处理，形成桥梁结构健康监测静态样本集，其中包含已标记样本集L和未标记样本集U ;2)通过对已标记样本集L进行自助米样(Booststrap)产生SpS2和S3三个子集，在此基础上，选择三种不同的监督学习算法进行训练，建立初始分类器Iiph2和h3 ；3)分别对三个分类器进行训练，每个分类器训练数据集中的新标记样本由其它两个分类器协同提供，并通过模型更新策略进行模型更新；4)采用基于标记准确率的加权投票法对三个分类器进行集成，从而建立分类器模型来对测试样本集进行预测；5)利用建立的分类器模型对桥梁结构健康数据进行分类，分类结果分别对应于桥梁结构健康的四种不同状态，即正常状态、预警状态、报警状态和极值状态，后三种作为警示状态处理；6)如果出现警示状态，说明桥梁结构健康状况异常，需进行桥梁诊断或维护处理。所述的，其特征是，步骤I)所述桥梁结构的静态数据包括桥梁的变形、静应变、裂缝等数据。所述的，其特征是，步骤2)中所述三种不同的监督学习算法为基于决策树理论的J48、基于神经网络理论的RBF和基于概率的NaiveBayes三种算法。所述的，其特征是，步骤3)所述模型更新策略如下用J表示分类器在第t轮迭代的分类错误率，Lt表示第t轮迭代时分类器的已标记样本集，ILtI表示Lt的容量大小；a)对已标记样本集L进行标记，计算本轮的样本标记错误率θ1 ；b)比较本轮与上一轮的样本标记错误率P的大小，若J > 该分类器更新结束；否则转向c)；c)判断本轮与上一轮新标记的样本容量的大小，若ILtI ( ILt-1I，该分类器更新结束；否则转向d)；d)若JlLtI CeHIir1I，则将新标记的样本集Lt与已标记样本集L 一起加入到分类器的训练集中来对分类器进行训练，更新模型；否则转向e)；e)对Lt进行分层抽样，产生样本子集Ltsub,使其满足J | Ltsub | < e"11 L^11，将新标记样本子集Ltsub与已标记样本集L 一起加入到分类器的训练集中来对分类器进行训练，更新模型。所述的，其特征是，步骤e)所述分层抽样的方法为对于已标记样本集L和抽样子集的样本容量ns 统计已标记样本集L中的标记类别数量H;将L分为H层；对于样本集中的每一层根据该层的样本数量Ni计算抽样数量A = Ni*;从该层随机抽取ni个样本形成子集Si,将Si添加到S中；S即为从L中得到的抽样子集。所述的，其特征是，步骤4)中，利用权重生成策略为分类器赋权，三个分类器分别赋予不同的决策权值形成半监督协同分类器；对于各分类器的权重分配采用基于标记准确率的加权投票法利用三个分类器h1； h2，h3分别对已标记样本集L进行分类，计算得到分类错误率e1; e2, e3;则分类器权重w.，其中i = 1，2，3 ;这样分类错误率低的分类器得到了较高的权值，分类错误率高的得到了较低的权值。本专利技术同时提供一种基于静态数据的桥梁结构健康监测方法，其特征是，步骤5)中，当分类结果为正常状态时，认为桥梁结构健康状态良好。当分类结果为警示状态时，应予以重视，并针对不同情况做出不同的处理。当处于预警或报警状态时，应采用仪器设备进行细致的桥梁诊断，找出具体影响因素。当分类结果为极值状态时，应对桥梁的使用进行限制，如有需要甚至可停用以进行全面检测。所述的桥梁结构健康监测方法，其特征是，监测的静态数据包括桥梁的变形、静应变、裂缝等。 本专利技术的有益效果利用本专利技术提供的技术方案，可以有效地利用未标记数据辅助有标记数据建立桥梁结构静态参数的数据分类模型，既可以减少对于桥梁结构健康数据的标注需求，降低人工标记成本，又可以提高桥梁结构健康数据的分类准确率，通过桥梁结构健康数据的警戒状态分类结果达到对桥梁结构健康状况的分析与评估。附图说明图I桥梁结构健康监测静态参数数据半监督协同分类模型工作流程2半监督协同方法基本流程3半监督协同方本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：于重重，谭励，王竞燕，商利利，马萌，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。