• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)的橋梁健康監(jiān)測數(shù)據(jù)有效性分析

    2021-03-15 12:33:00梁宗保納守勇馬天立
    關(guān)鍵詞:監(jiān)測數(shù)據(jù)神經(jīng)元標(biāo)簽

    梁宗保,柴 潔, 納守勇,馬天立,唐 玉

    (1. 重慶交通大學(xué) 信息科學(xué)與工程學(xué)院,重慶 400074; 2. 重慶忠萬高速公路有限公司,重慶 401147)

    0 引 言

    建立四通八達(dá)的現(xiàn)代化交通網(wǎng),大力發(fā)展交通運輸事業(yè),對發(fā)展國民經(jīng)濟,促進(jìn)文化交流和鞏固國防等方面都具有非常重要的作用。橋梁是交通的重要組成部分,橋梁安全問題是在役橋梁的核心問題。通過橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)可以實時了解橋梁結(jié)構(gòu)狀態(tài),對橋梁進(jìn)行有效維護(hù),延長橋梁的使用壽命。

    橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)包含信息獲取與安全評價兩個環(huán)節(jié)[1],信息獲取環(huán)節(jié)以多種類型的傳感器及相關(guān)儀器組成的硬件系統(tǒng)為主。橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)中數(shù)據(jù)有效性問題大多是由信息獲取環(huán)節(jié)的硬件設(shè)備造成的。監(jiān)測設(shè)備出現(xiàn)故障,無法為后續(xù)的安全評價提供正確的原始信息,從而對評價結(jié)果產(chǎn)生嚴(yán)重影響,導(dǎo)致橋梁結(jié)構(gòu)事故預(yù)兆的漏報或誤報。因此,傳感器采集的原始信息有效性問題是橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)面臨的重大科學(xué)技術(shù)問題。

    國內(nèi)外相關(guān)研究都集中在異常數(shù)據(jù)分析、橋梁安全評估等方面,對橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)有效性分析的研究較少。胡順仁等[2]采用主成分分析法,結(jié)合關(guān)聯(lián)穩(wěn)態(tài)模型分析,通過統(tǒng)計過程控制限和T2控制限的計算發(fā)現(xiàn)失效數(shù)據(jù)點;黃曉微等[3]提出了一種基于K最近鄰的傳感器有效度算法,并將該算法應(yīng)用于攀枝花倮果大橋健康監(jiān)測系統(tǒng)的撓度數(shù)據(jù)分析;袁慎芳等[4]利用超球面一類支持向量機,結(jié)合核主成分分析,成功識別常規(guī)監(jiān)測數(shù)據(jù)和特殊事件數(shù)據(jù)。但這些方法都是根據(jù)數(shù)據(jù)的統(tǒng)計特性識別單點失真數(shù)據(jù),需要大量的領(lǐng)域知識,不能直接用于判斷數(shù)據(jù)的有效性。

    近年來,深度學(xué)習(xí)(deep learning, DL)在人工智能領(lǐng)域取得了重大成果。DL由G. E. HINTON等[5]在2006年提出,DL模型由多層非線性運算單元組合而成,將較低層的輸出作為更高一層的輸入,通過這種方式自動地從大量訓(xùn)練數(shù)據(jù)中學(xué)習(xí)抽象的特征表示,發(fā)現(xiàn)數(shù)據(jù)的分布特征。 DL因在特征提取與處理方面的優(yōu)勢在計算機視覺[6]、語音識別[7-8]與自然語言處理[9]等領(lǐng)域應(yīng)用廣泛。DL在橋梁健康監(jiān)測系統(tǒng)中也發(fā)揮著重要作用。梁宗保等[10]提出了一種基于DL的橋梁結(jié)構(gòu)健康診斷方法,將自編碼器、支持向量機(support vector machine, SVM)相結(jié)合,采用5層網(wǎng)絡(luò)對橋梁結(jié)構(gòu)健康進(jìn)行診斷;馮微等[11]針對車撞橋墩過程中橋墩受損等級不易被實時監(jiān)測和預(yù)警的問題,構(gòu)建了基于DL的橋墩損傷等級判別模型;S. CHEN等[12]提出了一種多分辨率自適應(yīng)圖濾波分類方法,通過半監(jiān)督學(xué)習(xí)標(biāo)記信號并將該方法間接應(yīng)用于橋梁結(jié)構(gòu)健康監(jiān)測。但在監(jiān)測數(shù)據(jù)有效性分析中,DL尚未得到廣泛應(yīng)用,鑒于DL具備從復(fù)雜數(shù)據(jù)中提取數(shù)據(jù)特征、學(xué)習(xí)數(shù)據(jù)分布的能力,可以將DL應(yīng)用于橋梁健康監(jiān)測數(shù)據(jù)有效性分析。

    橋梁由不同的結(jié)構(gòu)體組成,斜拉橋同一結(jié)構(gòu)體各測量點間呈現(xiàn)位置上的關(guān)聯(lián)[2],同一時刻受到同一外部作用時,同截面和相鄰測量點的數(shù)據(jù)保持高度關(guān)聯(lián)。針對上述特性,提出了一種灰色關(guān)聯(lián)度與DL相結(jié)合的方法,通過灰色關(guān)聯(lián)分析(grey relation analysis, GRA)對數(shù)據(jù)進(jìn)行預(yù)處理,自動給定數(shù)據(jù)標(biāo)簽并進(jìn)行標(biāo)簽正確性驗證,結(jié)合DL模型深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)、深度信念網(wǎng)絡(luò)(deep belief network, DBN)對數(shù)據(jù)有效性進(jìn)行分析,提高模型預(yù)測效率,實現(xiàn)了監(jiān)測數(shù)據(jù)有效性的智能分析。

    1 DNN與DBN

    1.1 DNN

    DNN是輸入層和輸出層之間有多個隱藏層的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN),DNN通過學(xué)習(xí)來存儲輸入與輸出間的復(fù)雜映射關(guān)系。DNN中單個神經(jīng)元為感知機模型,模型結(jié)構(gòu)如圖1。感知機模型是生物神經(jīng)細(xì)胞的簡單抽樣,模型輸出是輸入經(jīng)過線性變換與函數(shù)激活的結(jié)果。神經(jīng)元上的計算為:

    (1)

    式中:x為模型輸入;w為權(quán)重;b為偏置;Z為線性運算結(jié)果;f()為激活函數(shù),通常為tanh()或sigmoid()函數(shù);y為神經(jīng)元輸出。DNN的學(xué)習(xí)是基于損失函數(shù)最小化的,通過反向傳播算法最小化假設(shè)函數(shù)與實際值間的距離,迭代優(yōu)化w與b。

    圖1 感知機模型

    DNN通過疊加多層感知機,解決了淺層神經(jīng)網(wǎng)絡(luò)非線性擬合不佳的問題。對于非線性的復(fù)雜數(shù)據(jù),DNN能自動提取數(shù)據(jù)特征,具有較高的預(yù)測精度。

    1.2 DBN

    受限玻爾茲曼機(restricted boltzmann machines, RBM)是包含一層可見單元和一層隱藏單元的無向概率圖模型,層間全連接,層內(nèi)無連接,其結(jié)構(gòu)如圖2。DBN是由多個RBM累疊所得,且具有若干隱藏變量層的生成模型。作為自編碼器,DBN可以在盡量保留數(shù)據(jù)特征的情況下降低數(shù)據(jù)維度;作為分類器,DBN可以有效減少分類錯誤率。DBN的一種高效訓(xùn)練方式是將復(fù)雜模型看作是一組簡單模型的組合序列,采用逐層無監(jiān)督的方法學(xué)習(xí)參數(shù)[13]。

    圖2 RBM模型

    DBN允許序列中的RBM接收不同的數(shù)據(jù)表示,且保持前一個RBM的輸出為后一個RBM的輸入,因此能夠更好的學(xué)習(xí)數(shù)據(jù)分布,具有較高的分類性能。

    2 數(shù)據(jù)有效性預(yù)測模型設(shè)計

    DNN、DBN模型可以學(xué)習(xí)到刻畫數(shù)據(jù)本質(zhì)屬性的特征,對數(shù)據(jù)分類任務(wù)有很大幫助[14]。以下利用DNN與DBN,建立用于分析橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)傳感器數(shù)據(jù)有效性的模型。

    2.1 DNN模型結(jié)構(gòu)

    建立用于橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)有效性分析的DNN模型主要需要確定以下超參數(shù):模型層數(shù)、輸入層神經(jīng)元個數(shù)、輸出層神經(jīng)元個數(shù)、隱藏層神經(jīng)元個數(shù)。模型輸入層神經(jīng)元個數(shù)一般等于輸入的數(shù)據(jù)序列長度,輸出層神經(jīng)元個數(shù)為分類任務(wù)的類別數(shù)。參考Kolmogorov定理,結(jié)合對比實驗,確定模型層數(shù)及神經(jīng)元個數(shù)。模型結(jié)構(gòu)如圖3,圖中數(shù)據(jù)為該層內(nèi)神經(jīng)元個數(shù)。

    圖3 DNN模型結(jié)構(gòu)

    模型損失函數(shù)采用交叉熵函數(shù):

    h0(xi)]

    (2)

    式中:h0(xi)為輸入xi時DNN的輸出;yi為樣本標(biāo)簽;N為樣本個數(shù)。

    反向傳播過程中計算公式為:

    (3)

    式中:α為學(xué)習(xí)率。

    模型輸出與數(shù)據(jù)段類型對應(yīng)關(guān)系如表1。模型訓(xùn)練過程:利用權(quán)重系數(shù)矩陣w與偏置向量b和輸入向量x進(jìn)行前向傳播得到模型輸出;計算模型輸出與標(biāo)簽間的損失函數(shù);通過反向傳播算法最小化損失函數(shù),優(yōu)化模型參數(shù),提高模型性能。

    表1 模型輸出結(jié)果對應(yīng)關(guān)系

    2.2 DBN模型結(jié)構(gòu)

    建立用于橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)有效性分析的DBN模型,模型由兩個RBM堆疊而成。模型輸入層神經(jīng)元個數(shù)與輸入序列長度一致,模型結(jié)構(gòu)如圖4,圖中括號內(nèi)為單層神經(jīng)元個數(shù)。模型訓(xùn)練過程采用對比散度算法[15],詳細(xì)流程如1)至4):

    圖4 DBN模型結(jié)構(gòu)

    1)將輸入賦值給可見層v,計算隱藏層中每個神經(jīng)元被激活的概率p(h1|v1)。隱藏層中神經(jīng)元hj被激活的概率為:

    (4)

    式中:hj=1為神經(jīng)元處于激活狀態(tài);f()為激活函數(shù);bj為j的偏置;vi為可見層神經(jīng)元i的輸入;wij為i與j間的權(quán)重。

    2)利用Gibbs采樣,從已得到的概率分布中抽取一個樣本:h1~p(h1|v1)。

    3)通過h1實現(xiàn)可見層的重構(gòu),利用隱藏層反推可見層中神經(jīng)元被激活的概率p(v2|h1)??梢妼又猩窠?jīng)元vi被激活的概率為:

    (5)

    式中:ci為i的偏置。

    4)同2),抽取一個樣本v2~p(v2|h1),用v2計算隱藏層神經(jīng)元激活概率p(h2|v2)并更新參數(shù)為:

    (6)

    式中:w為權(quán)重;b、c分別是可見層和隱藏層的偏置;λ為學(xué)習(xí)率。

    模型訓(xùn)練過程如下:將輸入層和隱藏層H1作為第1個RBM,訓(xùn)練RBM的參數(shù),然后固定參數(shù),將H1作為可見層,H2作為隱藏層,訓(xùn)練第2個RBM,逐層訓(xùn)練每一個RBM,最后通過有監(jiān)督的反向傳播算法微調(diào)網(wǎng)絡(luò)中每層之間的權(quán)重,進(jìn)一步優(yōu)化網(wǎng)絡(luò)。

    3 無效數(shù)據(jù)段特征分析與數(shù)據(jù)集構(gòu)建

    對橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)進(jìn)行特征分析的主要目的是研究數(shù)據(jù)的分布特征,進(jìn)一步對數(shù)據(jù)進(jìn)行分析與處理。目前橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)的特征分析大多針對單點數(shù)據(jù),但在實際應(yīng)用中,單點與數(shù)據(jù)段之間存在一定的關(guān)聯(lián),一個無效數(shù)據(jù)段必然包含無效數(shù)據(jù)點,單個數(shù)據(jù)點的失效也會導(dǎo)致數(shù)據(jù)段的失效,因此在數(shù)據(jù)特征分析的基礎(chǔ)上針對數(shù)據(jù)段進(jìn)行處理,主要方法如下:首先根據(jù)無效數(shù)據(jù)段常見特征標(biāo)記數(shù)據(jù)段,然后結(jié)合橋梁撓度傳感器節(jié)點布置情況根據(jù)GRA[16]對數(shù)據(jù)有效性進(jìn)行分類,構(gòu)建數(shù)據(jù)集。

    3.1 無效數(shù)據(jù)段特征分析

    數(shù)據(jù)段失效可能是連續(xù)的數(shù)據(jù)點失效,也可能是單個數(shù)據(jù)點異常。無效數(shù)據(jù)一般存在兩種情況:超過閾值且無法恢復(fù)的數(shù)據(jù);因傳感器故障而產(chǎn)生震蕩的數(shù)據(jù)。

    無效數(shù)據(jù)段常見的特征如下:①漂移失效:在斜拉橋監(jiān)測中,正常情況下,測點數(shù)據(jù)在一段時間內(nèi)的幅值變化具有一定規(guī)律,如果某段時間內(nèi),數(shù)據(jù)幅值呈現(xiàn)連續(xù)小幅恒定增加或小幅恒定減小的漂移變化,則此段數(shù)據(jù)為漂移失效;②數(shù)據(jù)頻率異常:正常情況下橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)按照一定的頻率波動,無效數(shù)據(jù)可能出現(xiàn)波動異常;③恒值失效:傳感器因故停止工作或輸出不變,可能導(dǎo)致某一時間段內(nèi)數(shù)據(jù)為恒定值;④數(shù)據(jù)段跳變:相比原有數(shù)據(jù),某段數(shù)據(jù)的波動特征變化不明顯,但幅值出現(xiàn)較為明顯的增加或減少。

    3.2 數(shù)據(jù)集構(gòu)建

    根據(jù)3.1節(jié)中無效數(shù)據(jù)段常見特征能夠?qū)?shù)據(jù)段進(jìn)行可視化標(biāo)記,但很大一部分無效數(shù)據(jù)段的變化處于合理的范圍內(nèi),沒有表現(xiàn)出可視化的常見無效特征,因此不能直接標(biāo)記。鑒于斜拉橋同截面與相鄰節(jié)點的數(shù)據(jù)存在高度關(guān)聯(lián)的特性,可利用關(guān)聯(lián)性分析來標(biāo)記無效數(shù)據(jù)段。

    關(guān)聯(lián)性分析是一種能夠可視化地定量地說明事物或參數(shù)之間相互關(guān)系的方法,主要思路是通過比較一個樣本數(shù)據(jù)序列和其他若干序列在不同維度上的相似程度來衡量序列間的緊密性。GRA是一種經(jīng)典的多因素關(guān)聯(lián)分析方法,主要研究對象是離散的數(shù)據(jù)狀態(tài)變量,比如橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)。在系統(tǒng)發(fā)展過程中,如果兩個因素的變化趨勢具有一致性,即同步程度較高,則認(rèn)為兩者關(guān)聯(lián)較大;反之,則兩者關(guān)聯(lián)較小。斜拉橋結(jié)構(gòu)特性表明,其相鄰節(jié)點在荷載作用下的效應(yīng)數(shù)據(jù)之間的關(guān)聯(lián)性較強,而節(jié)點數(shù)據(jù)失效則會影響這種關(guān)聯(lián)性。因此灰色關(guān)聯(lián)度可以運用在斜拉橋撓度數(shù)據(jù)分析中,根據(jù)參考序列和比較序列間的動態(tài)關(guān)聯(lián)關(guān)系判斷監(jiān)測數(shù)據(jù)是否有效。GRA標(biāo)記數(shù)據(jù)的步驟如下:

    1)確定數(shù)據(jù)列:將撓度傳感器數(shù)據(jù)以天為單位切分為數(shù)據(jù)段,需要判斷有效性的數(shù)據(jù)段為參考數(shù)據(jù)列,相鄰和同截面節(jié)點的數(shù)據(jù)列為比較數(shù)據(jù)列。

    2)數(shù)據(jù)標(biāo)準(zhǔn)化:對數(shù)據(jù)序列進(jìn)行無量綱處理,轉(zhuǎn)化為方差為0,標(biāo)準(zhǔn)差為1的數(shù)據(jù)序列。

    3)計算關(guān)聯(lián)系數(shù):假設(shè)參考數(shù)據(jù)列X0和m個比較數(shù)據(jù)列X{Xi|i=1,2,……m}均有n維分量,關(guān)聯(lián)系數(shù)的計算公式為:

    ξoi(k)=

    (7)

    式中:ρ為分辨系數(shù),取值一般在區(qū)間(0, 1);k為第k維分量。

    4)計算關(guān)聯(lián)度:計算參考數(shù)據(jù)列在各個分量上的關(guān)聯(lián)系數(shù)均值為:

    (8)

    式中:roi為關(guān)聯(lián)度,反映了序列間的變化相似度。

    5)判定參考數(shù)據(jù)列有效性:參照關(guān)聯(lián)度常用強度判定[17],結(jié)合斜拉橋結(jié)構(gòu)力學(xué)理論分析及橋梁行業(yè)一般認(rèn)定[2],對數(shù)據(jù)序列進(jìn)行有效性判定的標(biāo)準(zhǔn)如下:關(guān)聯(lián)度0.8~1.0屬于強關(guān)聯(lián),判定為有效數(shù)據(jù)段;0.8~0.6屬于較強關(guān)聯(lián),判定為一般有效數(shù)據(jù)段;0.6以下屬于弱關(guān)聯(lián),判定為無效數(shù)據(jù)段。判定結(jié)果標(biāo)簽設(shè)定如表2。

    表2 數(shù)據(jù)處理結(jié)果對應(yīng)關(guān)系

    其中,有效數(shù)據(jù)段即能夠真實反映橋梁節(jié)點結(jié)構(gòu)狀況的數(shù)據(jù)段,可直接用于后續(xù)的橋梁健康診斷。無效數(shù)據(jù)段即無法真實反映橋梁節(jié)點結(jié)構(gòu)狀況的數(shù)據(jù)段,不可用于橋梁健康診斷。而一般有效數(shù)據(jù)段即能夠大致反映橋梁節(jié)點結(jié)構(gòu)情況的數(shù)據(jù)段,需要進(jìn)一步處理以確認(rèn)其是否可用。例如通過修復(fù)其中的異常數(shù)據(jù)點,重新計算關(guān)聯(lián)度來確定其是否為有效數(shù)據(jù)段。

    采用上述判定標(biāo)準(zhǔn)對參考數(shù)據(jù)列與比較數(shù)據(jù)列的關(guān)聯(lián)度均值進(jìn)行判定,完成數(shù)據(jù)集的構(gòu)建。

    6)驗證數(shù)據(jù)標(biāo)簽可信度:使用統(tǒng)計算法3σ、孤立森林和LOF算法對傳感器數(shù)據(jù)進(jìn)行單點異常分析,通過異常點在數(shù)據(jù)段所占比例驗證標(biāo)簽可信度。

    根據(jù)上述方法結(jié)合傳感器布置位置對馬桑溪大橋主梁撓度傳感器數(shù)據(jù)進(jìn)行特征分析與處理,構(gòu)建數(shù)據(jù)集。馬桑溪大橋撓度傳感器節(jié)點布置如圖5,圖中節(jié)點標(biāo)號與關(guān)聯(lián)度計算中數(shù)據(jù)列標(biāo)號對應(yīng)。圖6為數(shù)據(jù)段關(guān)聯(lián)度計算結(jié)果示例。表3為數(shù)據(jù)集標(biāo)簽可信度驗證結(jié)果。

    圖5 橋梁主梁傳感器節(jié)點布置

    4 實驗與結(jié)果分析

    4.1 數(shù)據(jù)集、度量方式與實現(xiàn)細(xì)節(jié)

    在橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)有效性分析中,使用第3部分的數(shù)據(jù)列構(gòu)建數(shù)據(jù)集,判定結(jié)果為數(shù)據(jù)標(biāo)簽,表1為模型輸出與數(shù)據(jù)標(biāo)簽間對應(yīng)關(guān)系。將數(shù)據(jù)集以6∶2∶2的比例切分為訓(xùn)練集、驗證集與測試集。采用交叉熵函數(shù)和準(zhǔn)確度作為衡量指標(biāo)。模型構(gòu)建主要基于Keras與TensorFlow框架,選定規(guī)模為32的小批量RMSprop作為模型優(yōu)化器,即反向傳播算法。

    表3 數(shù)據(jù)標(biāo)簽可信度

    圖6 關(guān)聯(lián)度計算結(jié)果示例

    4.2 實驗與實驗結(jié)果

    基于Keras框架構(gòu)建DNN模型,模型架構(gòu)如圖3,隱藏層選擇修正線性單元(rectified linear unit, RLU)作為激活函數(shù);輸出層激活函數(shù)為Softmax函數(shù);損失函數(shù)使用交叉熵函數(shù);學(xué)習(xí)率0.05;迭代次數(shù)100。根據(jù)圖4構(gòu)建DBN模型,激活函數(shù)、損失函數(shù)、評價指標(biāo)、迭代次數(shù)、學(xué)習(xí)率與DNN相同。

    使用決策樹(decision tree)、隨機森林(random forest)、 SVM等機器學(xué)習(xí)分類方法進(jìn)行對比實驗,實驗效果如表4。

    表4 模型預(yù)測結(jié)果對比

    4.3 實驗分析

    將決策樹、隨機森林、SVM等多種經(jīng)典機器學(xué)習(xí)算法與DNN、DBN模型進(jìn)行對比實驗,實驗結(jié)果如表4。在相同數(shù)據(jù)集上,相比于決策樹模型,DBN提高約14.12%的預(yù)測精度。實驗證明,深度模型具備較強的數(shù)據(jù)分析與處理能力,更適用于橋梁健康監(jiān)測數(shù)據(jù)有效性分析。

    但DNN、DBN模型中存在大量參數(shù),且參數(shù)初始值隨機設(shè)定,因此在訓(xùn)練過程中容易陷入局部最優(yōu),影響網(wǎng)絡(luò)模型訓(xùn)練及測試精度。結(jié)合人工螢火蟲群優(yōu)化算法(glowworm swarm optimization, GSO[18],進(jìn)一步優(yōu)化DBN。GSO具有較好的解決優(yōu)化問題的能力,將損失函數(shù)作為目標(biāo)函數(shù),采用GSO對RBM的初始參數(shù)進(jìn)行優(yōu)化,提高模型泛化性及測試精度。實驗結(jié)果如表5,表中DBN-R表示參數(shù)隨機初始化,DBN-GSO表示使用螢火蟲算法優(yōu)化初始參數(shù)。實驗證明使用GSO算法進(jìn)行模型參數(shù)初始化可以提高模型預(yù)測精度。

    表5 模型優(yōu)化結(jié)果

    5 結(jié) 論

    數(shù)據(jù)有效性分析對橋梁健康監(jiān)測系統(tǒng)具有重要意義。基于斜拉橋結(jié)構(gòu)特性,使用GRA對橋梁撓度傳感器數(shù)據(jù)段有效性進(jìn)行判斷,結(jié)合多種異常檢測算法對判斷結(jié)果進(jìn)行驗證。以判定結(jié)果為數(shù)據(jù)標(biāo)簽,利用DNN、DBN模型進(jìn)行訓(xùn)練,結(jié)合GSO與DBN,得出以下結(jié)論:

    1)采用GRA衡量數(shù)據(jù)段間的相關(guān)性,能夠自動給定數(shù)據(jù)標(biāo)簽并進(jìn)行驗證,為預(yù)測模型提供數(shù)據(jù)集。

    2) 基于DL的數(shù)據(jù)有效性分析模型效果優(yōu)于經(jīng)典機器學(xué)習(xí)方法。相比于決策樹,DBN模型預(yù)測準(zhǔn)確度提高了14.12%,具有更高的預(yù)測精度與應(yīng)用價值。

    3)基于DBN-GSO的橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)有效性分析模型預(yù)測精度達(dá)到了94.47%,驗證了所提方法的有效性。

    猜你喜歡
    監(jiān)測數(shù)據(jù)神經(jīng)元標(biāo)簽
    《從光子到神經(jīng)元》書評
    自然雜志(2021年6期)2021-12-23 08:24:46
    GSM-R接口監(jiān)測數(shù)據(jù)精確地理化方法及應(yīng)用
    無懼標(biāo)簽 Alfa Romeo Giulia 200HP
    車迷(2018年11期)2018-08-30 03:20:32
    躍動的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
    不害怕撕掉標(biāo)簽的人,都活出了真正的漂亮
    海峽姐妹(2018年3期)2018-05-09 08:21:02
    標(biāo)簽化傷害了誰
    基于二次型單神經(jīng)元PID的MPPT控制
    基于多進(jìn)制查詢樹的多標(biāo)簽識別方法
    計算機工程(2015年8期)2015-07-03 12:20:27
    毫米波導(dǎo)引頭預(yù)定回路改進(jìn)單神經(jīng)元控制
    GPS異常監(jiān)測數(shù)據(jù)的關(guān)聯(lián)負(fù)選擇分步識別算法
    开远市| 安图县| 视频| 曲沃县| 沁阳市| 安平县| 曲靖市| 岳池县| 云龙县| 辉县市| 平果县| 文水县| 彰武县| 正阳县| 安宁市| 仪征市| 双鸭山市| 大姚县| 白朗县| 南丰县| 屏山县| 洮南市| 成安县| 九寨沟县| 上蔡县| 西藏| 偏关县| 新乡县| 马龙县| 平远县| 玉环县| 台州市| 滨海县| 山西省| 芦山县| 宜州市| 江陵县| 涞源县| 罗定市| 饶河县| 屯留县|