文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续...文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。展开更多
文摘文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。
