摘要 结构损伤识别是一个热门的研究课题。一些归纳学习方法已经被使用来解决这个问题。
在这篇文章中，采用分治法（DAC）、变治法（SAC）、装袋学习算法（Bagging）、径向基神经网络（RBFNN）四种不同的机器学习方法来对混凝土悬臂梁进行损伤位置的研究。结果显示归纳学习方法特别是装袋学习方法在噪声程度超过50%时明显好于神经网络方法。
关键字 结构损伤识别 分治法 变治法 装袋学习算法 神经网络1 引言土木工程结构如房屋建筑、桥梁、海洋平台等由于地震、火灾、飓风等自然灾害或长期作用的疲劳、腐蚀等原因而产生不同程度的损伤，结构损伤经过长期的累积必然会导致结构发生破坏或使用性能降低。因此，及早的发现建筑结构中所存在的损伤，对其发生的程度及位置进行分析识别成了当前国内外学术界、工程界极为关注的重大研究课题[1]。
机器学习是人工智能发展中一个十分活跃的领域。机器学习的发展极为迅速，应用亦日益广泛，出现了很多优秀的学习算法。
近年来出现了一些使用机器学习方法来预测结构损伤的程度和位置，通常这些方法不仅能够处理健康数据，而且对有噪声、不确定或不完整的信息有很精确的预测性。以前的研究大都是使用径向基神经网络方法，并取得了不错的效果。
但是，运用神经网络方法也有一些缺点，如不易用它的权重层和晦涩的转化来解释结果模型，而且使用神经网络方法需要较长的学习时间，当数据很大时，性能可能出现问题[2]。本文中，我们先介绍分治法（DAC）、变治法（SAC）、装袋学习算法（Bagging）、径向基神经网络（RBFNN）四种归纳学习方法，并通过这四种方法对一混凝土悬臂梁进行损伤位置的识别。
2 学习和识别方法2.1 分治法（Divid-and-Conquer, DAC）分治法（Divid-and-Conquer, DAC）也叫做递归划分(Recursive Partitioning, RP)，它能够分级构造有组织的规则（决策树）。分治法的基本思想是将一个规模为n的问题分解为k个规模较小的子问题，这些子问题互相独立且与原问题相同。
递归地解决这些子问题，然后将各子问题的解合并得到原问题的解[3]。它的一般的算法设计模式如下：spanide-and-conquer(P){if(|P|