[发明专利]一种基于深度学习的桥梁超重车动态识别方法

权利要求书

1.一种基于深度学习的桥梁超重车动态识别方法，其特征在于，包括以下步骤：

1)获取桥梁结构响应数据，为每个采样时间标注超重车标签；

2)构建并训练基于时间卷积网络的超重车动态识别网络；

3)将待识别的结构响应数据输入至已训练的超重车动态识别网络中，输出超重车识别结果。

2.根据权利要求1所述的一种基于深度学习的桥梁超重车动态识别方法，其特征在于：在步骤1)中，所述结构响应数据是指通过桥梁健康监测系统的传感器采集的数据，包括位移响应数据和应变响应数据；所述超重车标签是指0代表无超重车、1代表有超重车的二元标签。

3.根据权利要求1所述的一种基于深度学习的桥梁超重车动态识别方法，其特征在于：在步骤2)中，构建以步骤1)中的结构响应数据为输入的超重车识别网络，包括以下步骤：

2.1)神经网络的输入为一个时间序列X_t，包括了t-l+1时刻到t时刻连续l个采样时刻测得的结构响应数据，通过下式表示：

其中，上标表示传感器序号，下标表示采样时刻，n表示传感器的总数；j＝0,1,...,l-1表示第i个传感器在t-j采样时刻测得的响应，即X_t的第i列，表示第i个传感器在连续l个采样时刻测得的时间序列响应数据，即X_t的第t-j行，表示在t-j采样时刻所有传感器测得的响应数据；

2.2)将步骤2.1)中的时间序列X_t输入到特征映射层中，首先使用注意力机制学习时间序列X_t每个时间步的重要性得分，通过s＝softmax(v^T·tanh(WX_t))＝(s₁,...,s_a,...,s_l)，其中s是一个l维向量，s_a是时间序列X_t中第t-l+a个时间步的重要性得分，W与v是神经网络中待训练的参数，然后，使用每个时间步的重要性得分对原始时间序列X_t进行放缩，通过接着，使用卷积核大小为1，卷积核数量为k的一维卷积层处理放缩后的时间序列映射到高维特征空间得到输出时间序列Y_t；

2.3)将步骤2.2)中的输出时间序列输入时间特征提取模块中提取时间特征，模块包含层叠的、padding方式为causal的一维卷积层，每一层的输出时间序列长度特征数量保持与输入时间序列长度l、特征数量k一致，取最后一层一维卷积层的输出时间序列的最后一个时间步的向量作为时间特征提取模块的输出；

2.4)将步骤2.3)中的输出向量输入到一个激活函数为sigmoid的全连接层中，计算网络的输出，通过其中w与b是待训练的神经网络参数，若score＞0.5，则预测结果为有超重车，用标签1表示，否则预测结果为无超重车，用标签0表示；

2.5)使用交叉熵作为损失函数，将步骤2.4)得到的预测结果与真实标签比对计算损失，通过adam优化算法更新模型参数。