基于KmeansSMOTE的损伤诊断模型性能提升及在斜拉桥中的应用

摘要

为解决损伤诊断数据集中损伤与未损伤类数据样本不平衡导致诊断模型预测结果不理想的问题，提出了一种诊断模型性能提升的新方法(V-KmeansSMOTE)。该方法在改进合成少数类过采样技术(KmeansSMOTE)方法的基础上结合方差过滤(variance filtering, VF)特征选择技术筛除位移、加速度等数据中的零方差特征并对筛选后的特征所对应的损伤类数据样本进行过采样处理，将该方法应用于一座H型斜拉桥作为数值算例。结果表明，支持向量机分类模型分类准确率、精确度和F1评分在数据集上平均提升分别为6.19%、7.93%和20.07%,K最近邻模型平均提升6.18%、7.23%和7.26%,验证了提出方法的有效性。

关键词

斜拉桥损伤诊断 / 模型性能提升方法 / 过采样技术 / 特征选择 / 数据挖掘