| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题研究的意义及来源 | 第9-10页 |
| ·课题背景和研究的意义 | 第9-10页 |
| ·课题来源 | 第10页 |
| ·结构健康监测与结构损伤识别的研究现状 | 第10-15页 |
| ·结构健康监测的研究与应用现状 | 第10-12页 |
| ·结构损伤识别方法的研究现状 | 第12-15页 |
| ·支持向量机在结构损伤识别中的应用 | 第15-17页 |
| ·支持向量机的研究与应用现状 | 第15-17页 |
| ·支持向量机在结构损伤识别中的应用 | 第17页 |
| ·本文主要研究内容 | 第17-19页 |
| 第2章 统计学习理论与支持向量机 | 第19-47页 |
| ·引言 | 第19页 |
| ·统计学习理论介绍 | 第19-24页 |
| ·学习问题的描述 | 第19-20页 |
| ·经验风险最小化 | 第20-21页 |
| ·函数集的VC 维与推广性的界 | 第21-22页 |
| ·结构风险最小化 | 第22-24页 |
| ·支持向量机分类 | 第24-29页 |
| ·最优分类超平面 | 第24-27页 |
| ·软间隔优化 | 第27-29页 |
| ·支持向量机回归 | 第29-37页 |
| ·线性回归问题 | 第29-33页 |
| ·核函数 | 第33-35页 |
| ·非线性回归计算的核方法 | 第35-37页 |
| ·BP 神经网络 | 第37-45页 |
| ·神经网络的产生与发展 | 第37-38页 |
| ·神经元模型 | 第38-40页 |
| ·神经网络的网络结构 | 第40-41页 |
| ·BP 神经网络原理 | 第41-45页 |
| ·本章小结 | 第45-47页 |
| 第3章 基于支持向量机的结构损伤识别方法的仿真分析 | 第47-62页 |
| ·引言 | 第47页 |
| ·支持向量机方法用于结构损伤识别的数值计算 | 第47-55页 |
| ·悬臂梁的数值仿真与样本集准备 | 第48-53页 |
| ·核函数的选取与系统模型参数的选择 | 第53-54页 |
| ·方法验证 | 第54-55页 |
| ·BP 神经网络方法用于结构损伤识别的数值计算 | 第55-58页 |
| ·BP 网络初始化设定 | 第56-57页 |
| ·样本集准备与方法验证 | 第57-58页 |
| ·两种损伤识别方法的计算结果比较 | 第58-61页 |
| ·误差对比 | 第58-60页 |
| ·原因分析 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第4章 基于支持向量机的结构损伤识别方法的实验验证 | 第62-73页 |
| ·引言 | 第62页 |
| ·简支梁模型实验设计 | 第62-65页 |
| ·简支梁模型设计 | 第62-64页 |
| ·实验方案设计 | 第64-65页 |
| ·实验数据的采集处理与模态频率分析 | 第65-70页 |
| ·数据采集系统组成 | 第65-66页 |
| ·采集信号的滤波处理 | 第66-67页 |
| ·结构模态频率分析 | 第67-70页 |
| ·支持向量机损伤识别方法的实验验证 | 第70-72页 |
| ·样本集准备与参数选取 | 第70-71页 |
| ·方法验证 | 第71-72页 |
| ·结果分析 | 第72页 |
| ·本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-82页 |
| 致谢 | 第82页 |