1.基于动力特性和智能算法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：S1对既有桥梁的振动特征信息进行采集和数据的预处理；

S2结合桥梁设计资料及运营状况建立结构分析模型，采用敏感性分析方法，筛选出结构分析模型的待修正设计参数；

S3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，结合智能算法，利用步骤S1的动力特性数据，实现对初始结构分析模型的修正；

S4基于修正的结构分析模型，再次计算各输入样本对应的目标变量，得到输出样本，再次构建训练样本，并对样本点进行归一化处理，基于智能算法，构建响应面模型；

S5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；

S6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所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S1中采用直接测量法或间接测量法获取桥梁结构的实际振动特征信息，采用信号处理的方法对采集的振动信息进行处理；其中：直接测量法：将拾振器直接布置在桥梁控制截面，通过数字信号采集仪对桥梁振动响应信号进行采集，通过采集系统实测记录的功率谱图峰值、时域历程曲线读取桥梁频率等响应；

间接测量法：将传感器安装在移动小车上，当移动小车驶过桥梁发生车桥耦合作用，从车体的加速度响应中提取桥梁的动力特性方法，获取桥梁频率等信息；

信号处理方法：对拾振器采集到的时域信号通过傅里叶变换，可以得到桥梁频率特征的频域结果；傅里叶变换公式为：式中：j为虚单位，j^2＝‑1，无单位；T为周期，单位为秒；X为x的原函数；t为时间，单位为秒；ω为频率，x(t)为连续时间信号。

3.如权利要求2所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S2根据既有桥梁设计资料，确定桥梁设计参数的取值，建立桥梁的初始结构分析模型，并对各设计参数进行敏感性分析，筛选出对桥梁结构响应较大的设计参数。

4.如权利要求3所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S2根据既有桥梁的设计资料，采用有限元软件建立桥梁结构的数值分析模型；采用敏感性分析方法，对桥梁敏感性设计参数进行筛选；敏感性分析方法采用Morris法，Morris法通过单个因子的变化量引起输出响应的变化，其计算公式为：式中：di(j)为第i个参数第j组样本的基效应，j＝1,2,3,…R(R为重复抽样次数)，n为参数个数；xi为第i个参数，Δ为单个参数微小变化量，f(.)为对应参数组的响应输出；

Morris法提出了两个计算指标判断参数的敏感性，即基效应均值μ和标准差σ；其中μ表征参数的敏感度，确定参数的排序，σ表征参数之间的非线性程度；通过Morris法计算结果筛选出需要修正的关键设计参数。

5.如权利要求1所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S3计算各输入样本对应的目标变量，基于均匀设计理论，构建空间满布的设计参数与振动响应之间的训练样本，代入智能算法程序进行学习训练；调用步骤S1所获取的桥梁振动特征信息作为输入参数，代入响应面模型，预测各设计参数的实际值，将设计参数的预测值代入步骤S2所建立的初始结构分析模型，实现对桥梁结构分析模型的修正，修正后的分析模型与既有桥梁的实际状态相吻合。

6.如权利要求5所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S3采用拉丁超立方抽样法从设计参数的分布区间中进行高效采样，对于有K个变量x1,x2,...,xk，从中抽取N个样本，每个变量的累计分布被分成相同的N个小区间，从每一个区间随机选择一个值，每一个变量的N个值和其从他变量的值进行随机组合，该方法能够保证每一个变量范围的全覆盖；以各设计参数为输入数据，以各组设计参数对应的结构振动响应为输出数据，生成训练样本；在训练样本构建完成基础上，建立高斯过程响应面模型；高斯过程响应面模型对于训练样本集(x1,t1)、(x2,t2)...(xN,tN)，ti为xi对应的目标值，预测一组新输入量xN+1可得对应的目标值tN+1，其训练集为：R＝{(Xi,Ti),i＝1,2,3,...,i,...,N}      (3)；

训练集的联合概率分布服从高斯分布：

f(TN)～GP(m(x),K(x,x'))     (4)；

其中：

m(x)＝E[f(x)]       (5)；

K(x,x')＝E[f(x)‑m(x)(f(x')‑m(x'))]    (6)；

其中，m(x)为均值；f(x)为关于样本点的函数；E为均值的符号；K(x,x')为协方差矩阵；

通过确定均值m(x)及协方差矩阵K(x,x')即可确定相应的高斯过程响应面模型；

高斯过程响应面模型建立完成后，将步骤S1获取的桥梁动力特性结果输入高斯过程响应面模型，计算设计参数的预测结果，将该预测结果代入步骤S1的初始结构分析模型，完成对初始结构分析模型的修正。

7.如权利要求6所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S4中基于修正后的结构分析模型，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；

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；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，或在其前一时间片内。

8.如权利要求7所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S5对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。

9.如权利要求8所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：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，通过引入惩罚函数(9)中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，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；

随机变量最优权重采用粒子群优化算法求解，其原理为：

式中：i为粒子序号，d为粒子维度序号，k为迭代次数，w为惯性权重，c1为个体学习因子，c2为群体学习因子，r1,r2为区间[0‑1]内随机数，增加搜索随机性， 为粒子i在第k次迭代中第d维的速度向量， 为粒子i在第k次迭代中第d维的位置向量， 为粒子i在第k次迭代中第d维的历史最优位置， 为在第k次迭代中第d维的历史最优位置；

通过上式的逐步迭代，即可获取随机变量的最优权重。

10.如权利要求9所述的一种基于动力特性和响应面法的桥梁可靠性预测方法，其特征在于：步骤S6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。