有效独立法从所有可能测点出发，利用模态矩阵形成信息阵，按照各测点对目标模态矩阵独立性的贡献排序，依次删除对其秩贡献最小的待选测点，从而优化Fisher信息阵而使感兴趣的模态向量尽可能保持线性无关。有效独立系数按下式计算：

有效独立法计算过程为：删除中最小的元素所对应的传感器位置，也即删除对目标模态矩阵独立性贡献最小的行；再重新组成目标模态矩阵计算式(3.4-6)，然后根据式(3.4-5)删除中最小的元素所对应的传感器位置；这样每次删除一个位置，直到达到所需要的传感器数量为止。

改进的MinMAC法 (MinMAC algorithm)

MinMAC法的具体过程如下：第一步，根据经验和结构特点选择初始若干传感器位置（少于所需传感器数目）；第二步，增加一个待选传感器位置，按照式(3.3-1)计算其MAC矩阵并存储最大的非对角元，然后更换增加的传感器为另一个待选传感器位置，重新按照式(3.3-1)计算其MAC矩阵并存储最大的非对角元，这样继续下去直至所有的待选传感器位置都被计算过。然后比较所存储的各个最大的非对角元，选择其中最小者，在其所对应的位置布设一个传感器；第三步，按照第二步的方法重复增加传感器，直到所需要的传感器数目为止。MinMAC法通过这种方式使每一个新增加的传感器都能使MAC矩阵非对角元素最大值最小化。

在应用MinMAC法时一个经常遇到的问题是：最大的非对角元素并不如预期的那样随着传感器数量的增加而单调减小。此时，可采用改进的MinMAC法，其计算过程如下：第一步和第二步与原法相同；第三步，增加传感器到所需要的传感器数目时并不停止计算，而是继续增加传感器数量直到某个较大数值，比如1.1倍的传感器数量 或者继续计算直至所有的待选传感器位置都被依次选中，这样所有待选传感器有一个前向依次增加的顺序。然后从所有这些选中的传感器中，逐次删除一个传感器使每次删除时MAC矩阵非对角元素最大值最小，直至达到所需要的传感器数量时停止计算。最后，比较前向增加过程和后向删除过程达到所需要的传感器数量时的两个MAC矩阵非对角元素的最大值，选择最小者所对应的那个传感器组合。与原来的前向连续增加的MinMAC法相比，这样扩展的MinMAC混合搜索算法一般能获得更小的最大非对角元，也即得到的结构振型有更好的分离度。

3.4.6 模态矩阵的QR分解法 (QR decomposition)

模态矩阵的QR分解法首先对结构振型矩阵的转置进行正交三角分解（QR分解），然后选择分解后的正交矩阵的前列所对应的位置布设传感器。

本标准给出了常用的传感器布设方法和评价准则，各种方法和评价准则各有侧重，具体地应用何种方法应该依结构的特点和监测目的而定。实践中，可以采用几种方法初步确定传感器的布置位置组合，然后依据试验目的和要求结合几个方案进行取舍。