科研之友
微信
新浪微博
Facebook
分享链接
摘要
高斯过程作为一种机器学习方法，能够有效拟合外部环境对结构状态的影响。不同于传统的机器学习方法，高斯过程模型允许通过自适应的方式获得合理的超参数，这使得该类方法更易于实现。此外，得益于贝叶斯模型方法的特性，高斯过程能有效考虑数据不确定性的影响并具备更好的泛化性能和可解释性，已被广泛应用于结构状态评估中。但随着训练数据的增大，高斯过程的运算时间会显著增加。为解决这个问题，本研究提出了一种基于稀疏高斯过程框架的代表性监测数据选取策略，用数据尺寸更小的代表性监测数据集代替全体监测数据集以降低运算时间，实现在线结构状态预测。本研究提出了新颖度和冗余度两种基于统计学特性的评价指标，以保证代表性数据集的有效性。本方法被应用于一座大跨径悬索桥的结构健康监测数据，结果表明所提出方法可以在保证精度的情况下，显著提高运算速率，且能较好的拟合环境因素影响，表明该策略在实际工程中具有较高的可靠性与适用性。
- 单位
