基于遗传神经网络的高层框架结构损伤识别的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 引言 | 第14-15页 |
| 1 绪论 | 第15-19页 |
| ·概述 | 第15-16页 |
| ·现有的损伤诊断技术 | 第16-18页 |
| ·结构损伤检测的内容 | 第16-17页 |
| ·结构损伤检测方法分类 | 第17-18页 |
| ·基于神经网络的结构破损诊断的研究现状 | 第18-19页 |
| ·结构破损诊断的定义 | 第18-19页 |
| 2 神经网络的基本理论及模型 | 第19-41页 |
| ·人工神经网络简介 | 第19-21页 |
| ·人工神经网络的发展史 | 第21-22页 |
| ·人工神经网络模型 | 第22-26页 |
| ·人脑神经系统 | 第22-23页 |
| ·人工神经元的数学模型 | 第23-24页 |
| ·人工神经网络的构成 | 第24-25页 |
| ·人工神经网络的类型 | 第25-26页 |
| ·BP神经网络 | 第26-33页 |
| ·BP算法简介 | 第27-29页 |
| ·典型BP网络的学习原理及训练过程 | 第29-32页 |
| ·BP网络的学习训练流程 | 第32页 |
| ·BP网络的优缺点 | 第32-33页 |
| ·其他神经网络模型简介 | 第33-34页 |
| ·神经网络与其他理论方法的结合 | 第34-40页 |
| ·神经网络与演化计算 | 第34-37页 |
| ·专家系统与神经网络 | 第37-39页 |
| ·神经网络与模糊理论 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 3 BP神经网络优化设计 | 第41-52页 |
| ·引言 | 第41页 |
| ·通常的改进措施 | 第41-44页 |
| ·附加动量法 | 第41-42页 |
| ·学习率自适应法 | 第42-43页 |
| ·Levenburg-Marquardt算法 | 第43页 |
| ·优化网络结构 | 第43-44页 |
| ·优化初始值 | 第44页 |
| ·基于遗传算法的BP网络优化设计 | 第44-51页 |
| ·遗传算法简介 | 第45-47页 |
| ·遗传算法的基本原理 | 第47-49页 |
| ·遗传算法的工作流程 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 4 基于遗传神经网络的结构破损诊断 | 第52-73页 |
| ·引言 | 第52页 |
| ·基本原理 | 第52-54页 |
| ·工作流程 | 第54-55页 |
| ·破损指标的选择 | 第55-56页 |
| ·定位指标 | 第55-56页 |
| ·程度指标 | 第56页 |
| ·数值仿真 | 第56-72页 |
| ·悬臂梁模型 | 第56-59页 |
| ·刚架模型 | 第59-61页 |
| ·UBC Benchmark模型 | 第61-72页 |
| ·本章小结 | 第72-73页 |
| 5 结论与展望 | 第73-75页 |
| ·结论 | 第73页 |
| ·展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |
