买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中建六局(云南)建设有限公司;中建六局第四建设有限公司申请的专利一种基于机器学习的建筑结构健康监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120354222B 。

龙图腾网通过国家知识产权局官网在2026-02-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510361308.7，技术领域涉及：G06F18/2413；该发明授权一种基于机器学习的建筑结构健康监测方法是由王立;张凤亮;张华勇;吴边;董昱霞;韦骄原;尹春姣;杜成林;崔金涛;季文超设计研发完成，并于2025-03-26向国家知识产权局提交的专利申请。

本一种基于机器学习的建筑结构健康监测方法在说明书摘要公布了：本发明涉及建筑结构数据处理领域，具体涉及一种基于机器学习的建筑结构健康监测方法。该方法包括采用分布式联邦学习架构，本地模型采用基于动态自学习的SMOTE算法产生合成传感数据，训练各本地模型中的基于加速收敛的自编码神经网络；中央服务器进行参数聚合后更新全局模型；采集新的建筑传感数据，采用训练完成的基于加速收敛的自编码神经网络对新的建筑传感数据进行特征降维，随后采用Softmax函数对特征降维后的新的建筑传感数据进行分类。现有的建筑结构健康监测方法存在分类准确性较低且易出现大批量数据泄露的问题。本发明提供的一种基于机器学习的建筑结构健康监测方法分类准确性较高且不易出现大批量数据泄漏。

本发明授权一种基于机器学习的建筑结构健康监测方法在权利要求书中公布了：1.一种基于机器学习的建筑结构健康监测方法，其特征在于，包括： S1、在建筑的多个节点分别安装用于采集所述节点的多条建筑传感数据的传感器组，得到每个所述节点的建筑传感数据集，存储并标注每条所述建筑传感数据所对应的建筑安全等级； S2、采用分布式联邦学习架构，在中央服务器初始化全局模型，将所述全局模型发送到各所述节点形成本地模型，每个所述节点的所述本地模型以该所述节点的所述建筑传感数据集为基础采用基于动态自学习的SMOTE算法产生合成传感数据，得到合成传感数据集，将所述建筑传感数据集与所述合成传感数据集共同作为训练数据集； S3、每个所述节点的所述本地模型采用该所述节点的所述训练数据集训练各所述本地模型中的基于加速收敛的自编码神经网络，得到训练完成的基于加速收敛的自编码神经网络； 所述训练基于加速收敛的自编码神经网络包括： S301、初始化自编码器网络的编码器和解码器； S302、通过历史梯度的加权平均预测未来的参数更新方向，并结合当前梯度优化策略，提高训练速度，表示为： ， ， 式中，为自编码器第层权重的更新量，为动量系数，为自编码器的学习率，为自编码器的重构误差损失函数，为历史梯度影响系数，为历史梯度窗口长度，为自编码器第次之前的梯度衰减系数，为自编码器第层的权重，为自编码器第次之前的权重，为自编码器第层的权重，为参数更新操作； S303、采用动态调整学习率的方式，根据损失函数的下降速率逐步减小步长，表示为： ， ， 式中，为自编码器第次迭代的学习率，为自编码器的初始学习率；为自编码器的学习率衰减率，为当前迭代次数，为曲率影响系数；为第次迭代的基于损失曲线曲率的调整参数，为训练参数；为自编码器第次迭代的损失值，为自编码器第次迭代的损失值，为自编码器第次迭代的损失值；为小的常数； S304、重复迭代S302~S303，直至满足预设的停止迭代条件； S4、每个所述本地模型将训练得到的所述本地模型的参数发送至所述中央服务器，所述中央服务器进行参数聚合后更新所述全局模型，随后将更新后的全局模型发送到各所述节点形成新的本地模型； S5、所述新的本地模型重复S2~S4开始新一次迭代，直至训练收敛，得到训练成的全局模型与训练完成的本地模型； S6、通过所述传感器组采集各所述节点的新的建筑传感数据，将各所述节点的所述新的建筑传感数据输入至对应的各所述训练完成的本地模型中，所述训练完成的本地模型先采用所述训练完成的基于加速收敛的自编码神经网络对所述新的建筑传感数据进行特征降维，得到特征降维后的新的建筑传感数据，所述训练完成的本地模型随后采用Softmax函数对所述特征降维后的新的建筑传感数据进行分类，得到各所述节点的新的建筑传感数据所对应的建筑安全等级。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中建六局(云南)建设有限公司;中建六局第四建设有限公司，其通讯地址为：650228 云南省昆明市西山区前卫街道办事处前福路未名城A6-3栋316室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。