啪啪国产视频_一级高清毛片_日韩精品中文字幕在线观看_免费视频一区二区三区四区

　　【摘要】： 在國家的現(xiàn)代化建設中,橋梁建設是必不可少的。橋梁由于投資巨大、使用期漫長,因此其使用的安全性極為重要。對于所有的橋梁,在建成通車以后,隨著時間的推移,由于種種因素會使橋梁的安全度有所下降,以至影響車輛運營的安全。影響橋梁安全的因素很多,諸如:原設計未達到使用要求,施工未達到設計要求,橋梁存在病害,材料老化,疲勞效應銹蝕而未及時養(yǎng)護,車輛的載荷增大或交通量劇增,橋梁伸縮縫損壞等等。隨著經(jīng)濟建設的發(fā)展,對交通提出了越來越高的要求,反映在交通運輸方面,是交通量的不斷增加和車輛載重量的增大,使橋梁的交通能力、承載能力等功能性缺陷加劇。為了確保橋梁的正常使用,對橋梁的狀況進行健康監(jiān)測就顯得非常重要。 當前的主要橋梁監(jiān)測方法分為人工檢測的方法和一些自動識別方法,它們一般都存在檢測費用高、效率低和靈敏度不高的問題。本文在數(shù)據(jù)挖掘技術的基礎上,結合橋梁監(jiān)測系統(tǒng)的現(xiàn)狀,提出了利用數(shù)據(jù)挖掘技術處理大型數(shù)據(jù)集的能力來分析由橋梁監(jiān)測系統(tǒng)產(chǎn)生的數(shù)據(jù)的方案,用于提高分析橋梁健康狀況的能力,最大程度上地確保橋梁安全地使用。本文主要研究了采用數(shù)據(jù)挖掘技術對橋梁監(jiān)測數(shù)據(jù)進行分析的方法,處理橋梁長期監(jiān)測中所產(chǎn)生采集大量數(shù)據(jù)。建立了多種數(shù)據(jù)挖掘模型,分別是: (1)聚類模型,主要用于橋梁數(shù)據(jù)的異常情況監(jiān)測,數(shù)據(jù)的歸約。 (2)關聯(lián)模型,主要用于發(fā)現(xiàn)橋梁結構或環(huán)境參數(shù)之間的關聯(lián)規(guī)則。 (3)時間序列分析模型,主要用于觀察橋梁監(jiān)測數(shù)據(jù)的變化趨勢,各參數(shù)值變化趨勢的比較,以及參數(shù)值的預測,通過參數(shù)值的時序圖對比,也可以發(fā)現(xiàn)橋梁參數(shù)的相關關系。 利用所建立的可以重復利用的各種數(shù)據(jù)挖掘模型,可用于對當前橋梁健康狀況的判斷和識別。數(shù)據(jù)挖掘技術注重對數(shù)據(jù)的分析,發(fā)掘出橋梁監(jiān)測數(shù)據(jù)所隱含的有用信息,提高了橋梁健康狀況評估的自動程度和效率。 【關鍵詞】：數(shù)據(jù)挖掘 健康監(jiān)測 聚類 關聯(lián) 時序分析
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2006
【分類號】：TP311.13
【DOI】：CNKI:CDMD:2.2006.148958
【目錄】：

• 中文摘要4-5
• 英文摘要5-9
• 1 緒論9-15
• 1.1 問題的提出及研究意義9-10
• 1.1.1 問題的提出9-10
• 1.1.2 研究的意義10
• 1.2 國內(nèi)外現(xiàn)狀10-12
• 1.3 本文研究的目的和研究內(nèi)容12-15
• 1.3.1 本文研究的目的12-14
• 1.3.2 本文研究的內(nèi)容14-15
• 2 相關理論和和技術15-25
• 2.1 橋梁健康檢測系統(tǒng)15-16
• 2.2 數(shù)據(jù)挖掘16-23
• 2.2.1 數(shù)據(jù)挖掘概述16-17
• 2.2.2 分類(Classification)17-18
• 2.2.3 聚類（Clustering）18-19
• 2.2.4 關聯(lián)規(guī)則（Association Rules）19
• 2.2.5 時間序列分析（Time series Analysis）19-22
• 2.2.6 回歸分析和孤立點分析22-23
• 2.3 數(shù)據(jù)的預處理23-25
• 3 馬桑溪大橋健康監(jiān)測系統(tǒng)簡介25-32
• 3.1 監(jiān)測系統(tǒng)簡介25-26
• 3.2 橋梁結構參數(shù)和環(huán)境參數(shù)的監(jiān)測26-32
• 4 馬桑溪大橋健康監(jiān)測數(shù)據(jù)的挖掘32-58
• 4.1 橋梁監(jiān)測數(shù)據(jù)的預處理32-36
• 4.1.1 數(shù)據(jù)合并32
• 4.1.2 噪聲數(shù)據(jù)32-33
• 4.1.3 最大值，最小值33-34
• 4.1.4 平均值，標準方差34
• 4.1.5 數(shù)據(jù)變換34-35
• 4.1.6 主成分分析（PCA）35
• 4.1.7 小結35-36
• 4.2 橋梁監(jiān)測數(shù)據(jù)的聚類分析模型36-41
• 4.2.1 Kohonen 人工神經(jīng)網(wǎng)絡36-38
• 4.2.2 橋梁監(jiān)測數(shù)據(jù)的聚類分析38-40
• 4.2.3 小結40-41
• 4.3 橋梁監(jiān)測數(shù)據(jù)的關聯(lián)規(guī)則挖掘模型41-47
• 4.3.1 基本概念41-42
• 4.3.2 Apriori 算法42-44
• 4.3.3 挖掘橋梁監(jiān)測數(shù)據(jù)的關聯(lián)規(guī)則44-47
• 4.3.4 小結47
• 4.4 橋梁監(jiān)測數(shù)據(jù)的時間序列模型47-57
• 4.4.1 時間序列的相似性48-50
• 4.4.2 時間序列的ARIMA 模型50-52
• 4.4.3 橋梁監(jiān)測數(shù)據(jù)時序預測模型52-57
• 4.4.4 小結57
• 4.5 橋梁監(jiān)測數(shù)據(jù)的挖掘模型的使用57-58
• 5 總結和展望58-59
• 5.1 全文總結58
• 5.2 進一步的工作和展望58-59
• 致謝59-60
• 參考文獻60-62
• 附錄：作者在攻讀碩士學位期間發(fā)表的論文62-63
• 獨創(chuàng)性聲明63
• 學位論文版權使用授權書63