[发明专利]一种基于机器学习的斜拉桥非结构化监测数据处理方法

权利要求书

1.一种基于机器学习的斜拉桥非结构化监测数据处理方法，其特征在于，包括以下步骤：

S1：从原始数据中提取图像数据及所需文本数据；

S2：对文本数据采用Word2Vec模型生成词向量，对图像数据采用神经网络算法生成图片的特征向量；

S3：将词向量及特征向量拼接，通过随机森林算法训练，得到评分模型。

2.根据权利要求1所述的一种基于机器学习的斜拉桥非结构化监测数据处理方法，其特征在于，所述步骤S1中文本数据的提取过程包括：采用正则化方法并对原始数据进行匹配，提取出所需的文本数据。

3.根据权利要求1或2所述的一种基于机器学习的斜拉桥非结构化监测数据处理方法，其特征在于，所述步骤S2中词向量的生成过程包括：利用one-hot编码将单词对转化为数字的形式；定义只有一个隐含层的神经网络结构；定义损失函数；选择合适的优化器；迭代训练；储存训练好的网络，得到词向量。

4.根据权利要求3所述的一种基于机器学习的斜拉桥非结构化监测数据处理方法，其特征在于，所述步骤S2中特征向量的生成过程包括：输入层数据去均值，归一化处理；卷积层特征提取，卷积共享，降低噪声；降采样层利用局部相关性减少计算量；全连接层利用softmax激励函数，获得激活值；计算损失函数；误差向后传播，调整各层权重；获得训练好的模型，得到特征向量。

5.根据权利要求1或2所述的一种基于机器学习的斜拉桥非结构化监测数据处理方法，其特征在于，所述步骤S3中的随机森林算法为ID3.0型决策树算法，包括：准备好拼接完成的向量样本数据集；计算各个特征划分后的熵增大小；选择最大熵增的特征对样本数据集进行划分，得到划分后的数据；在剩下的特征里选择熵增最大的特征，迭代划分，直至样本集被完全分类；建立多个决策树共同决策；存储训练好的模型。

6.根据权利要求1或2所述的一种基于机器学习的斜拉桥非结构化监测数据处理方法，其特征在于，所述步骤S1中的原始数据为桥梁检测报告。