智能算法在碳纤维布加固钢筋混凝土梁承载力预测中的应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-17页 |
| ·智能算法求解结构工程问题的背景 | 第7页 |
| ·神经网络 | 第7-11页 |
| ·遗传算法 | 第11-13页 |
| ·支持向量机 | 第13-14页 |
| ·智能算法在土木工程中的应用现状 | 第14-15页 |
| ·本课题研究的意义 | 第15页 |
| ·研究内容 | 第15-17页 |
| 2 结构加固技术 | 第17-26页 |
| ·结构加固技术背景 | 第17页 |
| ·混凝土结构加固方法及其特点 | 第17-19页 |
| ·FRP加固混凝土结构技术简介 | 第19-20页 |
| ·FRP加固混凝土结构的研究现状 | 第20页 |
| ·FRP加固混凝土结构技术国外发展概况 | 第20-21页 |
| ·FRP加固混凝土结构技术国内发展概况 | 第21-24页 |
| ·CFRP加固梁试验分析 | 第24-25页 |
| ·CFRP加固梁承载力影响因素分析 | 第25页 |
| ·本章小结 | 第25-26页 |
| 3 神经网络 | 第26-50页 |
| ·BP网络 | 第26-42页 |
| ·BP神经元结构 | 第26-27页 |
| ·BP网络结构 | 第27-28页 |
| ·BP网络学习 | 第28-30页 |
| ·BP网络设计 | 第30-31页 |
| ·BP网络初始值的选取 | 第31页 |
| ·BP网络的不足 | 第31页 |
| ·BP网络提高泛化能力的方法 | 第31-34页 |
| ·BP网络训练和测试结果 | 第34-42页 |
| ·RBF网络 | 第42-49页 |
| ·RBF函数 | 第42-43页 |
| ·RBF网络结构 | 第43-44页 |
| ·RBF网络常用学习算法 | 第44-45页 |
| ·RBF网络的学习过程 | 第45-46页 |
| ·RBF网络训练和测试结果 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 4 遗传算法 | 第50-69页 |
| ·遗传算法的基本思想及特点 | 第50-51页 |
| ·遗传算法的理论基础 | 第51-53页 |
| ·遗传算法的设计与实现 | 第53-64页 |
| ·编码方式 | 第53-56页 |
| ·初始种群的生成 | 第56页 |
| ·适应度函数的确定 | 第56-59页 |
| ·遗传操作 | 第59-63页 |
| ·控制参数的设定 | 第63-64页 |
| ·遗传算法的计算流程 | 第64-65页 |
| ·遗传神经网络训练和测试结果 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 5 支持向量机 | 第69-83页 |
| ·统计学习理论 | 第69-71页 |
| ·经验风险 | 第69页 |
| ·VC维 | 第69-70页 |
| ·推广性的界 | 第70页 |
| ·结构风险最小化 | 第70-71页 |
| ·支持向量机基本原理 | 第71-74页 |
| ·最优化理论 | 第71-73页 |
| ·最优超平面 | 第73-74页 |
| ·支持向量机分类原理 | 第74页 |
| ·支持向量机回归原理 | 第74-78页 |
| ·支持向量机的训练算法 | 第78页 |
| ·选块算法 | 第78页 |
| ·分解算法 | 第78页 |
| ·序贯最小优化算法 | 第78页 |
| ·最小二乘支持向量机基本原理 | 第78-80页 |
| ·最小二乘支持向量机训练和测试结果 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 6 结论与展望 | 第83-85页 |
| ·结论 | 第83页 |
| ·展望 | 第83-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 附录 | 第89页 |
