随着建筑技术和材料科学的发展,建筑设施的建设规模越来越庞大,设计也更加复杂,投入使用的楼房、桥梁数量也越来越多。这些建筑结构给人们的日常生活和工作带来了极大便利,但同时也存在安全隐患。因为建筑在投入使用的过程中,受到了内因和外因的影响,如结构自身的老化或是经历台风、地震等的破坏,所以会发生一定的损伤。因此如何对数量庞大、分布广泛的建筑结构进行快速而简便的损伤检测具有十分重要的意义。　　 目前数据挖掘、模式识别中的许多智能算法被广泛应用到该领域,其中主要用到支持向量机和神经网络做为分类器模型进行损伤识别。本文采用一种泛化性好、抗噪性强且稳定性高的分类器算法——随机森林(Random Forest,RF)作为模型,结合小波包能量特征提取对建筑结构进行损伤识别。　　 本文针对建筑结构损伤识别问题,研究了基于单传感器信息和多传感器信息融合的随机森林损伤识别方法,主要工作和创新点有:　　 1.搭建实验平台,建立结构损伤识别试验模型,采集损伤数据信息,并对数据进行去噪、中心化等预处理。　　 2.采用小波包算法,对结构每层框架上得到的加速度信号进行分解,并计算各频带上的能量。将这些频带能量构造成特征向量,作为损伤样本。构造基于单传感器数据信息的随机森林损伤识别模型,并测试模型的识别效果。　　 3.在单传感器进行损伤识别的基础上,本文进一步提出基于多传感器信息融合的随机森林损伤识别方法。利用随机森林能计算特征重要性的特点,对全部传感器数据融合的属性集进行特征选择,得到对损伤较为敏感的多个传感器部分频带能量组成的特征子集。利用这些特征子集建立损伤识别模型。　　 通过在八层剪切型钢框架结构上的试验,结果表明:在利用单个传感器数据信息进行损伤识别中,用随机森林作为损伤识别的模型,比支持向量机和BP神经网络具有更好的识别精度与稳定性;在多传感器信息融合的损伤识别中,经选取得到的多个传感器部分频带能量融合数据,其得到的损伤信息比单传感器丰富,受环境噪声影响更小,损伤识别精度和稳定性有进一步提高。