基于RBF神经网络的板桩码头的损伤诊断
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-17页 |
| ·码头结构损伤识别的研究意义 | 第7-8页 |
| ·结构损伤识别传统方法的研究现状 | 第8-13页 |
| ·外观目测和基于仪器设备的局部损伤识别方法 | 第9页 |
| ·基于静态测量数据的结构损伤识别方法 | 第9-10页 |
| ·基于动力特性的结构损伤识别方法 | 第10-13页 |
| ·结构损伤识别智能方法的研究现状 | 第13-16页 |
| ·损伤识别中的人工神经网络方法 | 第13-15页 |
| ·损伤识别中的遗传算法 | 第15-16页 |
| ·本文的主要工作内容 | 第16-17页 |
| 第二章 RBF神经网络理论 | 第17-30页 |
| ·人工神经网络 | 第17-22页 |
| ·人工神经网络简介 | 第17-18页 |
| ·人工神经网络模型 | 第18-19页 |
| ·人工神经网络的分类 | 第19-21页 |
| ·人工神经网络的学习方式 | 第21-22页 |
| ·径向基神经网络（RBF） | 第22-27页 |
| ·RBF神经网络模型 | 第23-26页 |
| ·RBF神经网络的学习算法 | 第26-27页 |
| ·RBF神经网络和BP神经网络的对比 | 第27-30页 |
| ·BP神经网络简介 | 第27-28页 |
| ·RBF神经网络和BP神经网络的比较 | 第28-30页 |
| 第三章 基于RBF神经网络的板桩码头的损伤识别 | 第30-56页 |
| ·板桩码头有限元模型的建立 | 第30-36页 |
| ·材料参数 | 第30-31页 |
| ·单元选择 | 第31-32页 |
| ·弹簧单元参数的确定 | 第32页 |
| ·模态分析 | 第32-36页 |
| ·板桩码头损伤识别时的几点说明 | 第36页 |
| ·RBF神经网络样本的采集 | 第36-39页 |
| ·单损伤识别样本的采集 | 第38页 |
| ·双损伤识别样本的采集 | 第38页 |
| ·样本数据的归一化处理 | 第38-39页 |
| ·RBF神经网络训练 | 第39-45页 |
| ·单损伤识别的网络结构 | 第39-42页 |
| ·双损伤识别的网络结构 | 第42-45页 |
| ·板桩码头损伤位置的识别 | 第45-53页 |
| ·损伤位置的判别标准 | 第45-46页 |
| ·损伤位置的识别效果 | 第46-53页 |
| ·板桩码头损伤程度的识别 | 第53-54页 |
| ·损伤程度的判别标准 | 第53-54页 |
| ·损伤程度的识别效果 | 第54页 |
| ·本章小结 | 第54-56页 |
| 第四章 考虑误差时RBF神经网络损伤识别 | 第56-62页 |
| ·高斯白噪声对RBF神经网络损伤识别的影响分析 | 第56-59页 |
| ·高斯白噪声简介 | 第56-57页 |
| ·高斯白噪声对RBF神经网络损伤识别效果的影响 | 第57-59页 |
| ·板桩码头有限元模型的误差影响分析 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 结论与展望 | 第62-64页 |
| ·主要结论 | 第62页 |
| ·研究展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 发表论文和参加科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |
