目前商用桥梁动态称重系统(weigh-in-motion systems,BWIM)大多基于Moses算法,虽然能高效快速地识别行驶于桥梁的车辆轴重,但轴重识别精度偏低。为解决这一问题,提出基于迭代加权最小二乘的桥梁动态称重(iteratively reweighted least s...目前商用桥梁动态称重系统(weigh-in-motion systems,BWIM)大多基于Moses算法,虽然能高效快速地识别行驶于桥梁的车辆轴重,但轴重识别精度偏低。为解决这一问题,提出基于迭代加权最小二乘的桥梁动态称重(iteratively reweighted least squares,IRLS)算法。与Moses算法不同,IRLS算法考虑了荷载响应中存在的多种不确定性因素,为每个荷载响应值提供一个合适的权重系数,区分不同荷载响应对轴重识别的贡献度。首先,将迭代加权最小二乘引入桥梁动态称重,推导出相应的轴重识别计算公式;然后,通过车桥数值仿真模型,分别用IRLS算法和Moses算法识别轴重,对比分析两种算法的精度及影响因素;最后,基于怀化舞水五桥引桥的车桥动力试验,进一步验证IRLS算法用于桥梁动态称重的有效性和准确性。结果表明,IRLS算法能较合理地分配不同荷载响应对轴重识别的贡献度,在一定程度上提高车辆轴重识别的精度。展开更多
该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空...该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。展开更多
文摘目前商用桥梁动态称重系统(weigh-in-motion systems,BWIM)大多基于Moses算法,虽然能高效快速地识别行驶于桥梁的车辆轴重,但轴重识别精度偏低。为解决这一问题,提出基于迭代加权最小二乘的桥梁动态称重(iteratively reweighted least squares,IRLS)算法。与Moses算法不同,IRLS算法考虑了荷载响应中存在的多种不确定性因素,为每个荷载响应值提供一个合适的权重系数,区分不同荷载响应对轴重识别的贡献度。首先,将迭代加权最小二乘引入桥梁动态称重,推导出相应的轴重识别计算公式;然后,通过车桥数值仿真模型,分别用IRLS算法和Moses算法识别轴重,对比分析两种算法的精度及影响因素;最后,基于怀化舞水五桥引桥的车桥动力试验,进一步验证IRLS算法用于桥梁动态称重的有效性和准确性。结果表明,IRLS算法能较合理地分配不同荷载响应对轴重识别的贡献度,在一定程度上提高车辆轴重识别的精度。
文摘该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。
