非平衡集成迁移学习模型及其在桥梁结构健康监测中的应用
2013-11-26于重重吴子珺谭励涂序彦田蕊
智能系统学报 2013年1期
于重重,吴子珺,谭励,涂序彦,田蕊
(1.北京工商大学计算机与信息工程学院,北京100048;2.北京科技大学 计算机与通信工程学院,北京100083)
随着智能监测方法与评估技术的不断发展,桥梁结构健康监测及状态评估的研究逐渐成为热点.为了对桥梁的安全和维护提供有力保障,通常需要连续监测桥梁静应变、沉降等数据,同时必须保证监测数据的真实可靠.但通常存在一些干扰因素,如传感器损坏、异常受力、天气条件恶劣等,会造成监测数据的间断性异常或缺损,从而无法对所获得的监测数据进行有效的数据分析[1-2].因此,利用相似的辅助测点数据,实现对有效数据量少的目标测点的建模与分析,是解决上述问题的重要思路.
迁移学习是一种强调在相似但不完全相同的领域、任务和分布之间实现知识转化的学习方式.本文针对桥梁监测数据的间断性异常或缺损的特点,将迁移学习引入到桥梁结构健康监测领域,通过建模分析,解决目标测点实测有效数据过少时的数据分类和预测问题.文中提出了一个改进的迁移模型,首先通过对原始监测数据进行预处理,得到能够表征数据变化规律的训练数据集,然后再利用相似性度量函数,完成对具有相似数据变化规律的测点聚类,最后运用非平衡集成迁移学习算法(the unbalanced integrated transfer learning algorithm,UBITLA)[3]建立桥梁结构健康监测的分类模型,利用过往监测数据模型的迁移对新数据进行预测,以达到对监测数据的类别……
登录APP查看全文
