[发明专利]实时桥梁结构损伤状态识别方法及系统

权利要求书

1.一种实时桥梁结构损伤状态识别方法，其特征在于，所述方法包括：

步骤S1，获取监测桥梁结构损伤状态的待测试数据；

步骤S2，以第一压缩比对待测试数据进行压缩处理获得第一压缩数据，利用第一分类算法对第一压缩数据进行分类获得第一分类结果，所述第一分类结果为损伤或健康，若第一分类结果为损伤，进入步骤S3，若第一分类结果为健康，结束；

步骤S3，以第二压缩比对待测试数据进行压缩处理获得第二压缩数据，利用第二分类算法对第二压缩数据进行分类获得第二分类结果，所述第二分类结果为不同的损伤程度等级；

或者所述方法包括所述步骤S1、所述步骤S2、所述步骤S3，以及步骤S4；

所述步骤S4为：以第三压缩比对待测试数据进行压缩处理获得第三压缩数据，利用第三分类算法对第三压缩数据进行分类获得第三分类结果，所述第三分类结果为不同的损伤程度子等级；

所述第一压缩比大于第二压缩比和第三压缩比，第二压缩比大于第三压缩比。

2.如权利要求1所述的实时桥梁结构损伤状态识别方法，其特征在于，在所述步骤S1中，还包括对待测试数据进行预处理的步骤，所述预处理包括数据清洗、数据集成、数据规约和数据变换。

3.如权利要求1所述的实时桥梁结构损伤状态识别方法，其特征在于，所述第一分类算法的过程包括：

将第一压缩数据输入训练好的第一分类模型，获得第一分类结果；

所述第二分类算法的过程包括：

将第二压缩数据输入训练好的第二分类模型，获得第二分类结果；

所述第三分类算法的过程包括：

将第三压缩数据输入训练好的第三分类模型，获得第三分类结果。

4.如权利要求3所述的实时桥梁结构损伤状态识别方法，其特征在于，第一分类模型、第二分类模型和第三分类模型的训练过程包括：

步骤A，获取多个监测桥梁结构损伤状态的原始数据作为训练集，并对训练集样本进行聚类优化处理，通过第一压缩比对聚类优化处理后的训练集进行压缩处理获得第一原始压缩数据；利用第一原始压缩数据对数据分类模型进行训练，获得第一分类模型；

步骤B，将聚类优化处理后的训练集以第二压缩比进行压缩处理获得第二原始压缩数据，利用第二原始压缩数据对数据分类模型进行训练，获得第二分类模型；

步骤C，将聚类优化处理后的训练集以第三压缩比进行压缩处理获得第三原始压缩数据，利用第三原始压缩数据对数据分类模型进行训练，获得第三分类模型。

5.如权利要求4所述的实时桥梁结构损伤状态识别方法，其特征在于，所述聚类优化处理的步骤包括：

步骤a，在训练集中选取k个训练样本作为初始聚类中心，k为大于等于2的正整数；

步骤b，计算训练集中其它训练样本分别与k个聚类中心的距离，将其它训练样本分别分配给距离最近的聚类；

步骤c，重新获取k个聚类的聚类中心，若标准测度函数收敛，聚类结束，将训练样本数量最多的聚类作为优化后的训练集，若标准测度函数没有收敛，返回步骤b。

6.如权利要求4所述的实时桥梁结构损伤状态识别方法，其特征在于，所述聚类优化的步骤包括：

步骤I，设置k个高斯模型，一个高斯模型代表一个类别，将训练集中的训练样本在每个高斯模型上进行投影找到使对数似然函数最大的高斯模型参数，利用获取的高斯模型参数根据高斯分布函数得到训练样本属于每个类别的概率，选取概率最大的类别作为训练样本的类别；

步骤II，将训练样本数量最多的类别作为优化后的训练集；

通过如下公式计算对数似然函数值：

其中，z_ki表示第i个训练样本x_i是否属于第k个高斯模型分布的变量，K表示混合成分的数量；σ_p表示第p个属性的方差；μ_k′p表示第k′个混合成分第p个属性的均值；P表示属性的数量；π_k′表示第k′个混合成分的先验概率；x_ip表示第i个样本的第p个属性值；L_c(Θ)表示似然函数；n表示样本的数量。