Page 159 - 公路桥梁养护与管理

第五章 桥梁结构健康监测系统

决桥梁监测数据问题具有良好的借鉴性。
2. 数据挖掘
针对庞大的监测数据，数据挖掘是从海量数据中提取信息的有效手段。数据

挖掘最早出现于 20 世纪 80 年代后期，数据挖掘也被定义为从数据库中发现知识，
是对海量数据进行深入分析，发现并提取隐藏在其中的信息，将这些数据转换成
有用的信息和知识的过程。近年来，由于监测数据的快速增长，迫切需要通过数
据挖掘来有效地利用这些数据对桥梁状态进行综合分析。

数据挖掘常用的算法和技术有：聚类分析、决策树、人工神经网络、遗传算
法等。聚类按照相似性和差异性将一组数据分为几个类别，放大同一类别数据间
的相似性，减弱不同类别数据间的相似性，是一种自主的数据挖掘技术。决策树
是以树形形式描述数据决策与数据分类过程，挖掘数据中有价值、潜在的信息，

决策树处理数据能力强、简单直观、容易理解，适合分类及处理预测模型的任务。
人工神经网络模拟人的神经元功能，从结构上模仿生物神经网络，经过输入层、
隐藏层、输出层等，对数据进行调整、计算，最后得到结果，是一种通过训练来
学习的非线性预测模型，可以完成分类、聚类、特征挖掘、回归分析等多种数据

挖掘任务。遗传算法基于自然进化理论，是在生物进化的概念基础上设计的一种
优化技术，它包括基因组合、交叉、变异和自然选择等一系列过程，通过这些过
程以达到优化的目的，是模拟基因联合、突变、选择等过程的一种优化技术。
近年来，数据挖掘在工程数据和自然科学研究的数据分析中得到广泛的使用。

夏烨等对路网数据库案例采用统计方法进行数据挖掘，以评估区域桥梁特征，并
从中提炼区域桥梁群的共性和退化模式。MITROSHIN 等将现代大数据和数据挖
掘技术应用在物流中，根据统计数据和预测模型，可以得出最优交通规划，节省
大量的时间资源。

3. 数据融合
通常桥梁现场监测的指标单一，数据的可靠性得不到保障，因此需将多通道
或多种传感器数据进行融合，得到更合理有效的评估结果。数据融合是将不同来
源的数据集成起来组成一组新的数据，从组合的数据中获得更多信息的方法，而

且数据融合将多源信息进行融合能更加有效地表示数据。常用的数据融合分为３
个层次：数据级融合、决策级融合和特征级融合，数据级融合是将多个源数据的
原始数据在处理之前直接合并。数据级融合技术的缺点是在融合之前转换大量数

147