1.一种融合专家经验的桥梁支座静位移预测方法，其特征在于：包括如下步骤：步骤一：获取主梁温度与支座位移的监测数据，提取主梁温度数据X和支座静位移数据y作为训练集数据D＝(X,y)，假定测试集数据为D*＝(X*,y*)；在高斯过程框架下，根据协方差函数构建训练集中支座静位移预测值f和测试集中支座静位移预测值f*的联合分布，所述协方差函数包含待定超参数θ；根据联合分布得到f*在f下的条件分布，根据联合分布和条件分布，推导测试集中主梁温度数据X*时支座静位移预测值f*的后验分布，并将该后验分布作为待定高斯回归模型，根据给定主梁温度X和超参数θ下y的条件分布p(y|X,θ)建立超参数θ的对数边际似然函数l(θ)；

步骤二：根据超参数θ的贝叶斯先验分布和对数边际似然函数l(θ)得到贝叶斯后验分布p(θ)，将桥梁监测中专家对支座静位移的经验数据转化为数值约束条件和导数约束条件，建立贝叶斯‑熵后验分布pBE(θ)与贝叶斯后验分布p(θ)之间的负相对熵，根据所述负相对熵和约束条件构造拉格朗日函数，得到给定约束条件下超参数θ的贝叶斯‑熵后验pBE(θ；

η)；

步骤三：任意给定一个拉格朗日乘子的初始解η*和超参数的初始解 采用极大后验估计法构造一个度量待定高斯回归模型预测结果与专家经验值误差的误差函数，并构建一个求解拉格朗日乘子η和超参数θ的双循环优化框架，所述双循环优化框架的内环为在给定拉格朗日乘子的初始解η*下最大化贝叶斯‑熵后验分布 求解超参数θ，所述双循环优化框架的外环为根据内环得到的超参数θ最小化误差函数求解拉格朗日乘子η，经多次循环至误差函数的值小于等于阈值Y时求解得到超参数的最终解步骤四：将步骤三所得超参数的最终解 代入步骤一的待定高斯回归模型中，得到支座静位移贝叶斯‑熵高斯过程回归模型，将给定的测试集中主梁温度数据 *代入支座静位移贝叶斯‑熵高斯过程回归模型中对桥梁支座静位移进行预测。

2.如权利要求1所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤一中，根据主梁温度与支座静位移的训练集数据D＝(X,y)和测试集数据D*＝(X*,y*)，在高斯过程框架下，训练集中支座静位移预测值f和测试集中支座静位移预测值f*的联合分布按式(1.1)确定：式中：f为训练集中支座静位移的预测值向量；μ＝m(X)为训练集主梁温度的均值向量，X为训练集中的主梁温度数据；f*为测试集中支座静位移的预测值向量；P(f,f*)为f和f*的联合分布；μ*＝m(X*)为测试集主梁温度的均值向量；X*为测试集中的主梁温度数据；Σ＝k(X,X)为训练集主梁温度数据的协方差矩阵；Σ*＝k(X,X*)为训练集主梁温度数据和测试集主梁温度数据之间的协方差矩阵；Σ**＝k(X*,X*)为测试集主梁温度数据的协方差矩阵；

其中，训练集中支座静位移预测值f的高斯过程先验分布按式(1.2)确定：f＝f(x)～N(μ,Σ)    (1.2)

式中：f(x)为先验分布函数；

其中，均值向量μ＝m(X)按式(1.3)得到：

T

μ＝m(X)＝F(X)β＝[f(x1)…f(xn)]β     (1.3)式中：F(X)为训练集主梁温度数据的基矩阵；x1，…，xn∈X；β为回归系数；

其中，回归系数β根据训练集主梁温度数据和超参数θ通过最小二乘法按式(1.4)确定：T ‑1 ‑1 T ‑1

β＝(F Σ F) F Σ y      (1.4)

‑1 T

式中：Σ 为Σ的逆矩阵；F即F(X)；F为F的转置矩阵；

其中，包含待定超参数θ的协方差函数采用平方指数核函数的形式按式(1.5)确定：式中：k(x,x′)为协方差函数；x和x′为主梁温度的两个输入样本集；δmn为Kronecker函数；θ＝[σy,l,σn]为超参数。

3.如权利要求2所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤一中，根据高斯过程框架下训练集中支座静位移预测值f和测试集中支座静位移预测值f*的联合分布，测试集中支座静位移预测值f*在训练集中支座静位移预测值f下的条件分布按式(1.6)得到：* T ‑1 T ‑1

P(f*|f)～N(μ+Σ* Σ (f‑μ),Σ**‑Σ* Σ Σ*)            (1.6)式中：P(f*|f)为测试集中支座静位移预测值f*在训练集中支座静位移预测值f下的条T件分布；Σ*为Σ*的转置矩阵；

根据测试集中主梁温度数据X*，测试集中支座静位移预测值f*的后验分布服从正态分布N(mt,kt)，其中均值mt和方差kt按式(1.7)、(1.8)计算：T ‑1

mt＝mt(θ；X,y,X*)＝m(X*)+k(X,X*) k(X,X) (y‑m(X))         (1.7)T ‑1

kt＝kt(θ；X,y,X*)＝k(X*,X*)‑k(X,X*) k(X,X) k(X,X*)         (1.8)式中：mt＝mt(θ；X,y,X*)为正态分布N(mt,kt)的均值；kt＝kt(θ；X,y,X*)为正态分布N(mt,kt)的方差。

4.如权利要求2所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤一中，所述高斯过程框架中超参数θ的对数边际似然函数l(θ)按式(1.9)确定：式中：l(θ)为高斯过程框架中超参数θ的对数边际似然函数；p(y|X,θ)为给定主梁温度TX和超参数θ下y的条件分布；(y‑μ) 为y‑μ的转置矩阵。

5.如权利要求1所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤二中，根据桥梁监测中专家对支座静位移的经验数据，所述数值约束条件和导数约束条件分别按式(2.1)、(2.2)确定：∫mt(θ；X,y,xi)pBE(θ)dθ＝yi                  (2.1)式中：pBE(θ)为超参数θ的贝叶斯‑熵后验分布；yi为给定主梁温度xi时根据专家经验得到的支座静位移数据，i＝1,2,3...； 为给定主梁温度xj时根据专家经验得到的支座静位移数据的变化率，j＝1,2,3...；mt(θ；X,y,xi)为给定主梁温度xi时支座静位移预测值f*后验分布的均值；mt(θ；X,y,xj)为给定主梁温度xj时支座静位移预测值f*后验分布的均值。

6.如权利要求1所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤二中，所述贝叶斯‑熵后验分布pBE(θ)与贝叶斯后验分布p(θ)之间的负相对熵按式(2.3)确定：式中：pBE(θ)为超参数θ的贝叶斯‑熵后验分布；p(θ)为超参数θ的贝叶斯后验分布；S[pBE(θ),p(θ)]为pBE(θ)与p(θ)之间的负相对熵；Θ为超参数θ的定义域；

其中，超参数θ的贝叶斯后验分布p(θ)按式(2.4)确定：

p(θ)∝p0(θ)l(θ)    (2.4)

式中：p0(θ)为超参数θ的贝叶斯先验分布。

7.如权利要求1所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤二中，根据所述负相对熵和约束条件，所述拉格朗日函数按式(2.5)构建：式中：pBE(θ)为超参数θ的贝叶斯‑熵后验分布；p(θ)为超参数θ的贝叶斯后验分布；S[pBE(θ),p(θ)]为pBE(θ)与p(θ)之间的负相对熵；yi为给定主梁温度xi时根据专家经验得到的支座静位移数据，i＝1,2,3...； 为给定主梁温度xj时根据专家经验得到的支座静位移数据的变化率，j＝1,2,3...；mt(θ；X,y,xi)为给定主梁温度xi时支座静位移预测值f*后验分布的均值；mt(θ；X,y,xj)为给定主梁温度xj时支座静位移预测值f*后验分布的均值；F[pBE(θ),P(θ),η]为拉格朗日函数；η为拉格朗日乘子，η＝[ηi,ηj]，ηi和ηj分别为i个数值约束和j个导数约束对应的拉格朗日乘子；Θ为超参数θ的定义域；

根据拉格朗日函数，在给定数值约束条件和导数约束条件下，所述超参数θ的贝叶斯‑熵后验分布pBE(θ；η)按式(2.6)确定：式中：pBE(θ；η)为超参数θ在给定约束条件下的贝叶斯‑熵后验分布。

8.如权利要求1所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤三中，采用极大后验估计法，所述度量待定高斯回归模型预测结果与专家经验值误差的误差函数按式(3.1)构造：式中：e为待定高斯回归模型预测结果与专家经验值的误差；为任意给定的超参数的初始解；yi为给定主梁温度xi时根据专家经验得到的支座静位移数据，i＝1,2,3...； 为给定主梁温度xj时根据专家经验得到的支座静位移数据的变化率，j＝1,2,3...；

为给定主梁温度xi、超参数的解 时支座静位移预测值f*后验分布的均值；

为给定主梁温度xj、超参数的解 时支座静位移预测值f*后验分布的均值。

9.如权利要求1所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤三中，所述双循环优化框架的内环为：在给定拉格朗日乘子的初始解η*下最大化贝叶斯‑熵后验分布求解得到超参数最终解 的过程按式(3.3)进行：式中：为超参数的最终解；为任意给定的超参数的初始解；η*为任意给定的拉格朗日乘子的初始解； 为给定约束条件下超参数初始解 的贝叶斯‑熵后验分布；

为双循环优化框架中最大化(·)求解θ的函数；

所述双循环优化框架的外环为：根据内环得到的超参数θ最小化误差函数求解得到拉格朗日乘子最终解 的过程按式(3.4)进行：式中： 为拉格朗日乘子的最终解；e为待定高斯回归模型预测结果与专家经验值的误差； 为双循环优化框架中最小化(·)求解η的函数。

10.如权利要求1所述的融合专家经验的桥梁支座静位移预测方法，其特征在于：步骤四中，根据步骤三所得超参数的最终解 所述支座静位移贝叶斯‑熵高斯过程回归模型按式(4.1)确定：式中：*为给定测试集中主梁温度数据 *时支座静位移预测值向量； 和 分别为贝叶斯‑熵高斯过程回归模型的均值和方差；

其中，均值 和方差 按式(4.2)、(4.3)确定：

式中： 为双循环优化框架所得超参数的最终解； 为给定测试集主梁‑1

温度 *的均值向量；k(X,X)为训练集主梁温度数据的协方差矩阵，k(X,X) 为k(X,X)的逆矩阵； 为训练集主梁温度数据和给定测试集主梁温度数据 *之间的协方差矩阵，为 的转置矩阵； 为给定测试集主梁温度数据 *的协方差矩阵。