基于人工神经网络的大坝变形监测正反分析研究
| 郑重声明 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-10页 |
| 引言 | 第10-11页 |
| 第一章 绪论 | 第11-18页 |
| ·问题的提出 | 第11-13页 |
| ·研究现状 | 第13-16页 |
| ·变形正分析 | 第13-15页 |
| ·变形反分析 | 第15-16页 |
| ·本文主要研究内容 | 第16-18页 |
| 第二章 大坝变形监测统计模型和混合模型 | 第18-32页 |
| ·概述 | 第18页 |
| ·统计模型和混合模型的构造 | 第18-23页 |
| ·大坝变形监测统计模型 | 第18-20页 |
| ·大坝监测混合模型 | 第20-23页 |
| ·统计模型实例 | 第23-25页 |
| ·工程简介 | 第23-25页 |
| ·统计模型分析 | 第25页 |
| ·混合模型实例 | 第25-28页 |
| ·有限元结构计算 | 第26-28页 |
| ·混合模型分析 | 第28页 |
| ·泊松比μ的敏感性分析 | 第28-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 BP神经网络基本理论及经典BP网络 | 第32-43页 |
| ·人工神经网络简介 | 第32-34页 |
| ·人工神经网络的概念及发展简史 | 第32-33页 |
| ·人工神经网络的构造及分类 | 第33-34页 |
| ·BP神经网络 | 第34-37页 |
| ·BP网络的模型与结构 | 第34-35页 |
| ·BP学习规则 | 第35-37页 |
| ·经典BP算法 | 第37-40页 |
| ·算法原理 | 第37-39页 |
| ·针对经典BP算法的改进 | 第39-40页 |
| ·BP网络的学习训练过程 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第四章 大坝变形监测L-M BP网络模型 | 第43-55页 |
| ·L-M算法原理 | 第43-45页 |
| ·经典Newton算法 | 第43-44页 |
| ·L-M算法推导 | 第44-45页 |
| ·BP神经网络的Matlab程序编制 | 第45-47页 |
| ·L-M BP神经网络模型实例 | 第47-54页 |
| ·L-M BP网络程序编制 | 第47-49页 |
| ·L-M BP网络与经典BP网络的比较 | 第49-52页 |
| ·L-M BP网络模型计算及结果分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 基于L-M BP网络的大坝变形参数反分析 | 第55-68页 |
| ·引言 | 第55-56页 |
| ·传统反分析方法 | 第56-60页 |
| ·基本原理 | 第56-58页 |
| ·反演E_c和E_r的方法 | 第58-60页 |
| ·大坝变形参数反分析的神经网络法原理 | 第60-62页 |
| ·应用L-M BP网络反分析大坝变形参数实例 | 第62-67页 |
| ·有限元计算 | 第62-63页 |
| ·L-M BP网络反演程序的编制 | 第63-64页 |
| ·L-M BP网络的训练及泛化反演 | 第64-66页 |
| ·反分析结果印证 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 结论与展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
