原文传递
基于机器学习与深度学习的桥梁数据监测研究
| 论文题名： | 基于机器学习与深度学习的桥梁数据监测研究 |
| 关键词： | 桥梁监测;机器学习;深度学习;数据处理 |
| 摘要： | 随着计算机技术的不断发展和硬件处理能力的不断提高，人工智能技术被广泛的应用在各种领域，尤其在异常数据分析方面表现出显著效果。因此，本文尝试将机器学习算法和深度学习算法引入到桥梁健康监测数据的分析中，对监测目标的健康状况进行评估，提高桥梁监测系统的可靠性和监测效率。本文的主要工作如下： 本文首先提出了机器学习与深度学习结合下的桥梁检测数据研究的整体框架设计，该框架由数据采集模块、数据存储模块和数据分析模块组成。其中数据采集模块依靠传感器网络实现，数据传输方式采用无线传输；数据存储模块用于存储和查询采集的测量数据和分析数据；数据分析模块由机器学习异常检测算法和深度学习图像识别算法构成，也是本文的主要研究内容。 机器学习异常检测算法部分，利用传感器测量到的各类数据对桥梁结构的健康状况进行预测评估。本文采用欠采样的数据采集方法平衡数据样本，并对交叉验证法进行改进，通过实验分别对比了多种经典机器学习算法在二分类异常检测和多分类损伤识别问题中的预测性能。实验结果对比得出，神经网络算法在预测准确度和预测效率方面表现最好。此外，将神经网络模型迁移到不同目标域进行重新训练后，模型能够进行快速训练调整，取得理想的预测效果。 在深度学习图像识别算法部分，构建了卷积神经网络并使用粒子群算法进行参数优化得到了PSO-CNN模型，该模型在其公开裂纹数据集上具有较好的识别性能。此外，针对复杂裂纹图像构建了深层卷积神经网络，使用图像增广技术对原始数据集进行扩增，充分训练后的模型具有较强的泛化能力，并且在跨数据集实验中表现出了较高的识别准确率。利用迁移学习技术将预训练网络的模型参数迁移到实验模型中，测试参数迁移程度不同的模型在两个公开裂纹数据集上的表现，发现使用迁移学习技术在大幅度减少深层模型训练时间的同时，还得到了较好的预测识别性能。 |
| 作者： | 徐峥匀 |
| 专业： | 机械电子工程 |
| 导师： | 钱松荣 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
