基于机器学习支持向量机模型的桥梁健康监测数据分析

摘要

针对大数据时代下桥梁健康监测数据分析的诸多难点，结合机器学习日渐成熟的各类算法，本文采用机器学习理论技术为基础，对桥梁结构健康监测领域中的数据预处理和结构损伤识别关键模型进行分析。采用随机森林算法（random forest）、主成分分析法（PCA）用于桥梁振动加速度数据的预处理，构建了基于支持向量机（SVM）和K最近邻算法（KNN）的桥梁结构损伤识别模型，并在美国金门大桥的监测数据集上验证了模型的可行性和有效性。　　本文主要研究内容如下：　　首先，对桥梁健康监测系统的现状和机器学习的基础理论进行了深入的研究分析。鉴于当前桥梁健康监测系统在大体量监测数据分析上的局限性和低效率，本文指出将机器学习算法应用于桥梁健康监测的数据分析，对支持向量机模型的原问题、拉格朗日函数表达、最优解求解等进行了详细的公式推导，为后续的模型实现奠定了理论基础。　　其次，针对结构输出响应信息噪音大、量纲不一致、数据体量大等问题，本文创新性使用随机森林（Random forest）算法完成了缺失值的填充，其结果表明相比传统的统计值填充，该算法在桥梁监测数据集上表现优异。本文采用主成分分析法PCA对数据进行降噪处理，最后基于K均值算法（KMeans）聚类分析和统计分析指标，实现了桥梁结构损伤指标的自确定过程。　　最后，依托美国金门大桥（Golden Gate Bridge）的实时监测数据，对基于KNN算法和SVM算法的结构损伤识别模型进行了验证，其结果表明：基于SVM算法的桥梁结构损伤识别模型以93.2%的高准确率优胜于KNN模型。此外，考虑到SVM的处理效率受数据体量的影响较小，故本文最终推荐SVM模型作为日后桥梁结构健康监测数据分析的参考模型。

目录

1 绪论

1.1 研究意义

1.2 研究现状及发展趋势

1.3 本文主要研究内容

1.4 本章小结

2 桥梁健康监测与机器学习

2.1 桥梁健康监测

2.1.1 桥梁响应数据处理

2.1.2 桥梁结构损伤识别参数

2.1.3 桥梁损伤识别方法

2.2.1 学习理论

2.2.2 发展阶段

2.3 本章小结

3 支持向量机与K最近邻算法

3.1 支持向量机SVM

3.1.1 原问题假设

3.1.2 拉格朗日函数及其对偶问题

3.1.3 最优解

3.1.4 软间隔

3.2.1 理论基础

3.2.2 工作机制

3.2.3 KNN的优化

3.3 本章小结

4 数据预处理

4.1 数据源

4.2 重复值处理

4.3 缺失值处理

4.4 本章小结

5 桥梁结构损伤识别参数

5.1 PCA降噪

5.1.1 主成分分析PCA

5.1.2 降噪过程

5.2.1 簇与质心

5.2.2 簇内平方和

5.2.3 聚类分析结果

5.3.1 统计性分析

5.3.2 结构损伤指标

5.4 本章小结

6 桥梁损伤识别模型

6.1 模型评估指标

6.1.1 混淆矩阵

6.1.2 ROC曲线

6.2.1 KNN初始值

6.2.2 模型优化

6.3.1 非线性SVM

6.3.2 多分类问题

6.3.3 核函数（Kernel Function）

6.4 本章小结

7 总结与展望

7.1 全文总结

7.2 未来展望

参考文献

附录

附录A：PCA降噪过程

附录B：SVM模型

附录C：学位论文数据集

致谢