本發明的建筑結構可靠性診斷的智能分析方法包括：設定M個弱分類器和一個已知建筑樣本集T＝{(x₁,y₁),(x₂,y₂),…(x_n,y_n)}，在已知建筑樣本集T中，x₁、x₂…x_n為已知的n個輸入樣本，在上述每個輸入樣本中包含a項輸入參數，y₁、y₂…y_n分別為上述已知的每個樣本所對應的輸出參數，該輸出參數為b個參數中的1個輸出參數，該方法包括以下步驟：分別用M個弱分類器對上述已知建筑樣本集T進行自我學習，得到建筑結構可靠性診斷的智能分析網；將一個未知建筑結構的輸入參數輸入到上述建筑結構可靠性診斷的智能分析的網中，得到未知建筑結構的可靠性評級。

技術領域

本發明涉及一種智能分析方法，特別是提出了一種建筑結構可靠性診斷的智能分析方法。

背景技術

在現有的建筑結構可靠性診斷過程中，原始數據是正常樣本(一、二、三級樣本)和異常樣本(四級樣本)的集合。使用數據驅動的方法，對歷史樣本進行建模，對新樣本進行分類，是很有意義的。

為了提高精度，采用集成學習的方法，提高分類方法的準確率。

在機器學習的有監督學習算法中，我們的目標是學習出一個穩定的且在各個方面表現都較好的模型，但實際情況往往不這么理想，有時我們只能得到多個有偏好的模型：定義輸入為弱監督模型，在某些方面表現的比較好。集成學習就是組合這里的多個弱監督模型以期得到一個更好更全面的強監督模型，集成學習潛在的思想是即便某一個弱分類器得到了錯誤的預測，其他的弱分類器也可以將錯誤糾正回來。

AdaBoost：定義輸入為Adaptive boosting；算法：剛開始訓練時對每一個訓練例賦相等的權重，然后用該算法對訓練集訓練t輪，每次訓練后，對訓練失敗的訓練例賦以較大的權重，也就是讓學習算法在每次學習以后更注意學錯的樣本，從而得到多個預測函數。通過擬合殘差的方式逐步減小殘差，將每一步生成的模型疊加得到最終模型。

發明內容

本申請的發明目的是克服傳統的基于經驗公式逐級計算方法所帶來的缺點，而提供一種建筑結構可靠性診斷的智能分析方法。

為了完成本申請的發明目的，本申請采用以下技術方案：

本發明的一種建筑結構可靠性診斷的智能分析方法，該方法包括：設定M個弱分類器和一個已知建筑樣本集T＝{(x₁,y₁),(x₂,y₂),…(x_n,y_n)}，在已知建筑樣本集T中，x₁、x₂…x_n為已知的n個輸入樣本，在上述每個輸入樣本中包含a項輸入參數，y₁、y₂…y_n分別為上述已知的每個輸入樣本所對應的輸出參數，該輸出參數為b個參數中的1個輸出參數，其中：該方法包括以下步驟：

(一)、分別用M個弱分類器對上述已知建筑樣本集T進行自我學習，得到建筑結構可靠性診斷的智能分析網

(a)、初始化已知建筑樣本集T的權重D₁

先設m＝1,D₁＝(ω₁₁,ω₁₂,…ω_1n)，其中

(b)、將D_m*T輸入到第m個弱分類器中進行一次迭代