大跨度混凝土斜拉桥施工过程的主梁标高预测和参数识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.1.1 主梁标高预测 | 第10-11页 |
| 1.1.2 参数识别 | 第11页 |
| 1.2 斜拉桥的发展概述 | 第11-17页 |
| 1.2.1 国内斜拉桥的发展概述 | 第11-14页 |
| 1.2.2 世界斜拉桥的发展史 | 第14-17页 |
| 1.3 斜拉桥的施工控制及研究现状 | 第17-19页 |
| 1.4 本文主要研究工作 | 第19-20页 |
| 第二章 BP神经网络和最小二乘支持向量机 | 第20-46页 |
| 2.1 人工神经网络概述 | 第20-26页 |
| 2.1.1 人工神经元模型 | 第20-23页 |
| 2.1.2 人工神经网络模型 | 第23-24页 |
| 2.1.3 人工神经网络的学习 | 第24-26页 |
| 2.2 BP神经网络及其原理 | 第26-34页 |
| 2.2.1 概述 | 第26-27页 |
| 2.2.2 BP网络结构模型 | 第27-28页 |
| 2.2.3 BP网络的学习算法 | 第28-30页 |
| 2.2.4 BP网络常用的传递函数 | 第30-31页 |
| 2.2.5 BP网络存在的问题及改进 | 第31-34页 |
| 2.3 BP网络在MATLAB中的实现 | 第34-40页 |
| 2.3.1 神经网络工具箱 | 第34-39页 |
| 2.3.2 调用程序建模 | 第39-40页 |
| 2.4 最小二乘支持向量机 | 第40-45页 |
| 2.4.1 支持向量机概述 | 第40-41页 |
| 2.4.2 支持向量机算法原理 | 第41-43页 |
| 2.4.3 最小二乘支持向量机 | 第43-44页 |
| 2.4.4 常用的核函数 | 第44-45页 |
| 2.4.5 LS-SVM的参数选择 | 第45页 |
| 2.5 本章小结 | 第45-46页 |
| 第三章 基于BP神经网络的主梁标高预测 | 第46-63页 |
| 3.1 工程概况 | 第46-47页 |
| 3.2 建立预测模型 | 第47-48页 |
| 3.3 数据处理与分析 | 第48-56页 |
| 3.3.1 样本数据的采集 | 第48页 |
| 3.3.2 样本的“归一化” | 第48-49页 |
| 3.3.3 BP网络的训练与仿真 | 第49-56页 |
| 3.4 参数选取分析 | 第56-62页 |
| 3.4.1 隐含层节点数 | 第56-57页 |
| 3.4.2 传递函数 | 第57-58页 |
| 3.4.3 期望误差 | 第58-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第四章 主梁混凝土参数识别 | 第63-81页 |
| 4.1 有限元模型的建立与分析 | 第63-68页 |
| 4.1.1 单元划分 | 第63-64页 |
| 4.1.2 边界条件 | 第64-65页 |
| 4.1.3 荷载处理 | 第65-66页 |
| 4.1.4 材料参数选取 | 第66页 |
| 4.1.5 施工阶段的划分 | 第66-68页 |
| 4.2 建立数学模型 | 第68-70页 |
| 4.2.1 采集学习样本 | 第68-69页 |
| 4.2.2 归一化学习样本 | 第69-70页 |
| 4.3 基于LS-SVM的参数识别 | 第70-73页 |
| 4.3.1 模型训练步骤 | 第70页 |
| 4.3.2 选择最优化参数组 | 第70-71页 |
| 4.3.3 建立和训练模型 | 第71-72页 |
| 4.3.4 网络检验 | 第72-73页 |
| 4.3.5 实测检验 | 第73页 |
| 4.4 基于BP神经网络的参数识别 | 第73-77页 |
| 4.4.1 分析网络映射关系 | 第74-75页 |
| 4.4.2 建立和训练网络 | 第75-77页 |
| 4.4.3 实测检验 | 第77页 |
| 4.5 两种方法的比较 | 第77-79页 |
| 4.6 本章小结 | 第79-81页 |
| 结论与展望 | 第81-83页 |
| 结论 | 第81页 |
| 展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间取得的研究成果 | 第87-88页 |
| 致谢 | 第88-89页 |
| 附件 | 第89页 |
