1.基于响应面法的桥梁可靠性预测方法，其特征在于，包括以下步骤：

(1)确定桥梁结构设计状态下随机变量统计特征及概率分布，利用均匀设计法生成输入样本点；

(2)结合桥梁设计资料及运营状况建立结构分析模型，计算各输入样本对应的目标变量，得到输出样本，进而与输入样本构成训练样本；

(3)对样本点进行归一化处理，基于智能算法，构建响应面模型；

(4)随机变量标准正态化，采用罚函数将约束优化问题转化为无约束优化问题，利用优化算法获取随机变量的最优权重；所述的随机变量标准正态化，采用罚函数将约束优化问题转化为无约束优化问题，构造适用于PSOSA算法求解的适应度方程，并通过PSOSA算法更新搜索粒子及粒子群的最优位置，迭代获得随机变量的最优权重以支持DBN模型的无监督学习过程，其中随机变量标准正态化中假设各随机变量均服从标准正态分布，这一过程即为随机变量标准正态化；所述的采用罚函数法将随机变量约束优化问题转化为无约束优化问题，通过引入函数(3)，将约束优化问题转化为无约束优化问题：式中F(x,σ)为惩罚函数，f(x)为目标函数；σ为惩罚因子， 为惩罚项，F(x,σ)中参数x没有限制，可以取任意值；

(5)通过所构建响应面模型的预测结果建立用于结构可靠度指标求解的数学模型。

2.如权利要求1所述的基于响应面法的桥梁可靠性预测方法，其特征在于：步骤(3)中对样本点进行归一化处理，并基于MATLAB中的BN工具箱建立基础的DBN模型，通过输入样本点对基础模型进行无监督训练及模型参数寻优的过程，得到结构相关的DBN响应面模型。

3.如权利要求2所述的基于响应面法的桥梁可靠性预测方法，其特征在于：步骤(3)对样本点进行归一化处理，用归一化处理方法对训练样本进行归一化，使归一化后的结果在0～1之间，归一化公式：式中：xi为样本点数据，yi为归一化后结果；

将归一化后的训练样本代入MATLAB软件中的DBN工具箱，计算得到关于DBN随机变量的DBN相应面模型；其中响应面模型的构建是利用MATLAB软件中自带的DBN工具箱，将训练样本数据输入DBN工具箱的算法中，既可构建响应面模型。

4.如权利要求3所述的基于响应面法的桥梁可靠性预测方法，其特征在于：步骤(3)对样本点进行归一化处理，并基于MATLAB中的BN工具箱建立基础的DBN模型，然后通过输入样本点对基础模型进行无监督训练及模型参数寻优的过程，得到结构相关的DBN响应面模型；

其中DBN可以表示为(B0,B→)，其中B0是静态BN，表示了初始时刻节点的概率分布P(X0)，B→是一个包含了两个相邻时间片的转移网络，表示了两个相邻时间片各节点间的状态转移概率，表达式为：式中： 为t个时间片上第i个节点； 的父节点 可以与 在同一时间片内，也可以在其前一时间片内。

5.如权利要求1所述的基于响应面法的桥梁可靠性预测方法，其特征在于：步骤(5)中通过DBN模型的预测结果建立用于结构可靠度指标求解的数学模型，在这一过程中，需要对每次的DBN预测模型进行样本的更新优化，以使DBN预测模型能够很好地逼近样本点，直至该模型构建足够精度的响应面，能够真实模拟结构极限状态函数。

6.如权利要求5所述的基于响应面法的桥梁可靠性预测方法，其特征在于：步骤(5)通过构建的响应面模型预测结果与结构真实极限状态函数结果进行对比，当响应面模型的预测结果收敛于结构真实极限状态函数结果时，直接利用响应面预测结果进行结构可靠度计算；当响应面模型预测结果不收敛于真实极限状态函数时，需要对DBN预测模型进行样本的更新优化，以使DBN预测模型能够很好地逼近样本点，直至该模型构建足够精度的响应面，能够真实模拟结构极限状态函数。