| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 桥梁结构健康监测中信息采集系统的发展和应用 | 第9-10页 |
| 1.3 桥梁健康诊断技术的发展与现状 | 第10-15页 |
| 1.3.1 非人工智能的诊断方法 | 第10-13页 |
| 1.3.2 基于人工智能的诊断方法 | 第13-15页 |
| 1.4 深度学习的研究现状 | 第15-16页 |
| 1.5 本文主要研究内容 | 第16-18页 |
| 第二章 深度学习技术基础及应用 | 第18-28页 |
| 2.1 深度信念网络 | 第18-20页 |
| 2.1.1 受限玻尔兹曼机RBM | 第18-19页 |
| 2.1.2 深度置信网络 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-22页 |
| 2.2.1 卷积神经网络模型 | 第20-21页 |
| 2.2.2 局部连接 | 第21页 |
| 2.2.3 权值共享 | 第21-22页 |
| 2.2.4 池化采样 | 第22页 |
| 2.3 深度自编码网络 | 第22-25页 |
| 2.3.1 自编码模型 | 第22-23页 |
| 2.3.2 激活函数 | 第23-24页 |
| 2.3.3 栈式自编码网络 | 第24-25页 |
| 2.4 深度学习的应用 | 第25-27页 |
| 2.4.1 语音识别 | 第25页 |
| 2.4.2 图像识别 | 第25-26页 |
| 2.4.3 自然语言处理 | 第26页 |
| 2.4.4 深度学习应用于桥梁健康诊断的优势 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于深度信念网络的桥梁健康诊断 | 第28-39页 |
| 3.1 数据选择及预处理 | 第28-29页 |
| 3.2 桥梁结构构件分级 | 第29-30页 |
| 3.3 深度信念网络分类模型设计 | 第30-32页 |
| 3.4 网络学习算法 | 第32-35页 |
| 3.4.1 训练RBM | 第32-33页 |
| 3.4.2 对比散度算法 | 第33-35页 |
| 3.5 基于深度信念的桥梁健康诊断实验 | 第35-38页 |
| 3.5.1 实验步骤 | 第35-36页 |
| 3.5.2 深度信念网络分类模型性能测试 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于深度自编码网络的桥梁健康诊断 | 第39-46页 |
| 4.1 分类深度自编码网络模型设计 | 第39-40页 |
| 4.2 网络学习算法 | 第40-43页 |
| 4.2.1 无监督训练 | 第40-41页 |
| 4.2.2 有监督训练 | 第41-43页 |
| 4.3 基于深度自编码的桥梁健康诊断实验 | 第43-45页 |
| 4.3.1 实验步骤 | 第43页 |
| 4.3.2 分类深度自编码网络模型性能测试 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 工程应用实例 | 第46-51页 |
| 5.1 桥梁监测数据描述 | 第46-47页 |
| 5.2 桥梁健康诊断性能测试 | 第47-49页 |
| 5.2.1 基于深度信念网络的桥梁健康诊断性能测试 | 第47-49页 |
| 5.2.2 基于深度自编码网络的桥梁健康诊断性能测试 | 第49页 |
| 5.2.3 与几种经典方法的性能比较 | 第49页 |
| 5.3 实例分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间取得的研究成果 | 第58页 |
