[发明专利]一种桥梁结构安全监测数据的预测方法

权利要求书

1.一种桥梁结构安全监测数据的预测方法，其特征在于：包括以下步骤：

步骤一：选择桥梁监测数据作为待分析对象，预测其未来发展趋势；所述桥梁监测数据包括：裂缝数据、应变数据、倾斜度数据、挠度数据、位移数据、加速度数据和索力监测数据；

步骤二：选取桥梁监测数据的样本数据，用样本数据来训练自回归移动平均模型ARMA(Auto Regression Moving Average)，建立ARMA模型，并利用该模型预测下一时刻的监测变量值；

步骤三：用样本数据训练最小二乘支持向量机模型LS-SVM(Least Square Support Vector Machine)，建立LS-SVM模型；利用该模型预测下一时刻的监测变量值；

步骤四：以ARMA模型的预测结果和LS-SVM模型的预测结果作为输入样本，各自赋予其模糊隶属度，训练最小二乘模糊支持向量机模型LS-FSVM(Least Square Fuzzy Support Vector Machine)，建立LS-FSVM模型；利用该模型预测下一时刻的监测变量值，该值为本方法的最终预测结果；

步骤二具体包括：

1)对获得的数据进行预处理，去掉超量程的不可能数据，用移动平均模型对时域信号进行平滑处理；

2)取前k个历史监测值{x_n-k+1,x_n-k+2,…,x_n-1,x_n}用于ARMA建模，预测x_n+1的值；

3)对数据进行标准化处理：式中x_i是{x_n-k+1,x_n-k+2,…,x_n-1,x_n}中的原始数据，是k个建模数据的均值，σ是k个建模数据的标准差，x′_i是标准化后的数据；

4)对数据进行差分处理，将信号变得平稳化或弱平稳化；

5)用赤池信息量准则AIC(Akaike Information Criterion)准则确定ARMA模型阶数；

6)建立ARMA模型，并利用ARMA模型预测x_n+1的值；

步骤三具体包括：

1)对获得的数据进行预处理：去掉超量程的不可能数据，用移动平均模型对时域信号进行平滑处理；

2)取前h个历史监测值{x_n-h+1,x_n-h+2,…,x_n-1,x_n}用于LS-SVM建模，预测x_n+1的值；

3)对数据进行标准化处理：式中x_i是{x_n-h+1,x_n-h+2,…,x_n-1,x_n}中的原始数据，是h个建模数据的均值，σ是h个建模数据的标准差，x′_i是标准化后的数据；

4)采用C-C方法确定时间序列{x′_n-h+1,x′_n-h+2,…,x′_n-1,x′_n}相空间重构时的最佳时间延迟τ与最佳嵌入维数m；

5)对时间序列：

{x′_n-h+1,x′_n-h+2,…,x′_n-₁,x′_n}进行相空间重构，得到X′_j＝[x′_j,x′_j+τ,x′_j+2τ,…,x′_j+(m-1)τ]，式中：j＝n-h+1,n-h+2,…,M，M是重构相空间中相点的个数，M＝n-(m-1)τ；

6)利用相空间重构后的数据为样本，训练并建立LS-SVM模型；

7)利用LS-SVM模型预测x_n+1的值；

步骤四具体包括：

1)确定与待测桥梁结构安全有关的某种监测数据，所述的监测数据为裂缝数据、应变数据、倾斜度数据、挠度数据、位移数据、加速度数据、或索力监测数据，并确定待测桥梁的具体监测点，并拟预测其x_p+1点的值；

2)按照步骤二分别预测点的值，共计预测u次；

3)按照步骤三分别预测点的值，共计预测u次；

4)定义模糊隶属度则点x_p-u+1的隶属度为点x_p-u+2的隶属度为点x_p-1的隶属度为点x_p的隶属度为s_u＝1；

5)建立LS-FSVM模型训练样本：

(xp-u+1ARMA,xp-u+1LS-SVM,s1),(xp-u+2ARMA,xp-u+2LS-SVM,s2),...,(xp-1ARMA,xp-1LS-SVM,su-1),(xpARMA,xpLS-SVM,su);]]>

6)用训练样本建立并训练LS-FSVM模型；

7)按照步骤二预测按照步骤三预测

8)通过建立的LS-FSVM模型得到最终预测值x_p+1。