(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202210621432.9
(22)申请日 2022.06.02
(71)申请人 厦门大学
地址 361000 福建省厦门市思明南路42 2号
申请人 厦门市政百城建 设投资有限公司
(72)发明人 陈志为 叶代成 赵龙 陈茂榕
陈建峰 张尧
(74)专利代理 机构 厦门市首创君 合专利事务所
有限公司 3 5204
专利代理师 连耀忠
(51)Int.Cl.
G06F 30/23(2020.01)
G06F 30/17(2020.01)
G06F 119/10(2020.01)
G06F 111/10(2020.01)G06F 119/02(2020.01)
G06F 111/08(2020.01)
(54)发明名称
基于贝叶斯正则化的桥梁影响线识别与不
确定性量化方法
(57)摘要
本发明提出的基于贝叶斯正则化的桥梁影
响线识别与不确定性量化方法, 包括: 基于桥梁
影响线识别模型建立贝叶斯系统识别中的预测
误差; 利用预测误差的分布特性, 构造似然函数
和模型参数先验概率; 根据似然函数和模型参数
先验概率, 基于贝叶斯层次模型建立后验概率密
度函数, 且通过后验概率密度函数, 将桥梁影响
线识别转化为目标函数优化; 计算桥梁影响线的
最优值(MPVs); 量化桥梁影响线最优 值的后验不
确定性信息; 计算标准化置信 区间指标, 评估不
同类型桥梁影 响线之间的识别质量, 本发明方法
可以快速、 准确、 自动地确定正则化系数进行桥
梁影响线的识别, 并且该方法能够不依赖基准影
响线, 仅通过影 响线识别的后验不确定性信息定
性评价识别质量。
权利要求书3页 说明书11页 附图14页
CN 115017767 A
2022.09.06
CN 115017767 A
1.基于贝叶斯 正则化的桥梁影响线识别与不确定性 量化方法, 其特 征在于, 包括:
基于桥梁影响线识别模型建立贝叶斯系统识别中的预测误差;
利用预测误差的分布特性, 构造似然函数和模型参数 先验概率;
根据似然函数和模型参数先验概率, 基于贝叶斯层次模型建立后验概率密度函数, 且
通过后验概 率密度函数, 将桥梁影响线识别转 化为目标函数优化;
计算桥梁影响线的最优值;
量化桥梁影响线最优值的后验不确定性信息;
计算标准 化置信区间指标, 评估不同类型桥梁影响线之间的识别质量。
2.根据权利要求1所述的基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法,
其特征在于, 所述基于桥梁影响线识别模型建立贝叶斯系统识别中的预测误差, 具体为:
设车辆沿着给定的直线在桥梁上行驶, 且给定车辆的各个轴独立作用于桥梁上, 则桥
梁响应近似为所有单轴荷载作用的总和:
Rs=AX
其中, Rs是特定位置的准静态响应向量; A是基于车辆信息构建的荷载矩阵; X表示桥梁
影响线系数向量;
采用分段多 项式插值 函数拟合 桥梁影响线:
X=Φf=Ωc
其中Ω为拟合矩阵; c为插值 函数系数, Rs=AX改写为:
Rs=AΩc
将桥梁影响线识别模型嵌入贝叶斯框架, 建立桥梁测量响应Rm与准静态响应Rs之间的
预测误差 τ, 可如下 所示:
τ =Rm‑AΩc
3.根据权利要求2所述的基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法,
其特征在于, 利用预测误差的分布特性, 构造似然函数和模型参数 先验概率, 具体为:
设定预测误差 τ 服从零均值的高斯分布, 似然函数 可以表示 为:
其中是σ 测量数据中包含的噪声和误差的标准差, Ng是响应采样点的数量, c为插值函数
系数;
先验概率分布函数表示如下:
式中, μ2是表征插值函数系数c变化的尺度方差, Ns是插值函数系数的数量, 参数σ2和 μ2
的概率密度函数由共 轭先验原理确定, 并由逆伽马分布 表示:
权 利 要 求 书 1/3 页
2
CN 115017767 A
2其中( α0, β0)和( α1, β1)是逆伽马分布的超参数。
4.根据权利要求3所述的基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法,
其特征在于, 根据似然函数和模型参数先验概率, 基于贝叶斯层次模型建立后验概率密度
函数, 且通过后验概 率密度函数, 将桥梁影响线识别转 化为目标函数优化; 具体为:
根据似然函数和先验分布, 建立贝叶斯层次模型, 构造系统的后验概 率密度函数:
P(c, σ2, μ2|Rm)∝P(Rm|c, σ2)P( σ2)P(c| μ2)P( μ2)
进一步得到后验概 率密度函数P(c, σ2, μ2|Rm)的表达式:
其中, ||·||表示欧几里 得范数;
基于后验概 率分布函数, 将桥梁影响线识别问题转 化为目标函数优化;
P(c, σ2, μ2|Rm)的负对数如下 所示:
5.根据权利要求4所述的基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法,
其特征在于, 计算 桥梁影响线的最优值, 具体为:
对如下公式进行最小化,
得到c, σ 和 μ 的一阶导数, 令 c, σ 和 μ 的一阶导数均为0, 获得最优值方程组:
σ2=(2( α0+1)+Ng)‑1(||AΩc‑Rm||2+2β0)
μ2=(2( α1+1)+Ns)‑1(||c||2+2β1)
其中,
可以被描述 为最小化过程中的正则化系数;
采用序贯贝叶斯学习迭代算法获得参数
和
并确定最优正则化系数, 得到桥梁
影响线的最优值。
6.根据权利要求5所述的基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法,
其特征在于, 所述 量化桥梁影响线最优值的后验不确定性信息, 具体为:
使用L对c, σ 和 μ 的二阶导数获得Hes sian矩阵:
取L的二阶导数, 得到 c的Hessian矩阵:
权 利 要 求 书 2/3 页
3
CN 115017767 A
3
专利 基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法
安全报告 >
其他 >
文档预览
中文文档
29 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共29页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 04:59:53上传分享