在线神经网络算法研究及其在混合试验中的应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 混合试验技术研究现状 | 第11-12页 |
| 1.2.2 模型更新混合试验技术研究现状 | 第12-13页 |
| 1.2.3 神经网络算法研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 2 在线BP神经网络算法 | 第16-39页 |
| 2.1 引言 | 第16页 |
| 2.2 标准BP神经网络算法预测原理 | 第16-17页 |
| 2.3 在线BP神经网络算法预测原理 | 第17-21页 |
| 2.4 基于在线BP神经网络算法的数值验证 | 第21-25页 |
| 2.4.1 选取结构及其参数 | 第21-22页 |
| 2.4.2 神经网络的拓扑结构 | 第22页 |
| 2.4.3 预测结果分析 | 第22-25页 |
| 2.5 基于在线BP神经网络算法的试验验证 | 第25-29页 |
| 2.5.1 选取网络输入量 | 第26-27页 |
| 2.5.2 结果分析 | 第27-29页 |
| 2.6 在线BP神经网络算法的鲁棒性分析 | 第29-38页 |
| 2.6.1 输入变量对比 | 第29-31页 |
| 2.6.2 隐含层激活函数对比 | 第31-33页 |
| 2.6.3 隐含层层数以及节点个数对比 | 第33-36页 |
| 2.6.4 不同荷载等级作用对比 | 第36-38页 |
| 2.7 本章小结 | 第38-39页 |
| 3 在线Elman神经网络算法 | 第39-56页 |
| 3.1 引言 | 第39页 |
| 3.2 Elman神经网络 | 第39-40页 |
| 3.3 Elman神经网络算法 | 第40-43页 |
| 3.3.1 在线Elman神经网络学习算法 | 第40-42页 |
| 3.3.2 在线Elman神经网络算法预测原理 | 第42-43页 |
| 3.4 基于离线Elman神经网络的试验验证 | 第43-47页 |
| 3.4.1 试验结构及参数 | 第43页 |
| 3.4.2 神经网络输入量及结构选取 | 第43-44页 |
| 3.4.3 结果分析 | 第44-47页 |
| 3.5 基于在线Elman神经网络算法的试验验证 | 第47-49页 |
| 3.6 在线Elman神经网络算法的鲁棒性分析 | 第49-55页 |
| 3.6.1 输入变量维度的选择 | 第49-51页 |
| 3.6.2 训练样本个数的选择 | 第51-53页 |
| 3.6.3 隐含层激活函数的选择 | 第53-55页 |
| 3.7 本章小结 | 第55-56页 |
| 4 基于在线神经网络算法的混合试验方法 | 第56-64页 |
| 4.1 引言 | 第56页 |
| 4.2 基于在线神经网络的混合试验原理 | 第56-57页 |
| 4.3 基于在线神经网络的混合试验仿真算例 | 第57-63页 |
| 4.3.1 试验结构及其参数 | 第57-58页 |
| 4.3.2 选取神经网络输入量及结构 | 第58-59页 |
| 4.3.3 结果分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 结论与展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 作者简历 | 第71-73页 |
| 学位论文数据集 | 第73-74页 |
| 详细摘要 | 第74-75页 |
