| 摘要 | 第1-8页 |
| ABSTRACT | 第8-14页 |
| 第1章 绪论 | 第14-31页 |
| ·课题的研究背景与意义 | 第14-15页 |
| ·结构损伤识别的研究现状 | 第15-30页 |
| ·传统的结构损伤识别方法 | 第16-19页 |
| ·基于振动的结构损伤识别方法 | 第19-26页 |
| ·基于统计推理的在线结构损伤识别方法 | 第26-30页 |
| ·本文研究的内容 | 第30-31页 |
| 第2章 基于卡尔曼滤波器的结构系统识别 | 第31-55页 |
| ·系统识别理论基础 | 第31-37页 |
| ·系统模型 | 第31-35页 |
| ·贝叶斯参数估计 | 第35-37页 |
| ·卡尔曼滤波理论基础 | 第37-45页 |
| ·传统卡尔曼滤波理论 | 第38-43页 |
| ·扩展卡尔曼滤波 | 第43-45页 |
| ·卡尔曼滤波数值算例 | 第45-54页 |
| ·线性卡尔曼滤波问题 | 第45-48页 |
| ·非线性卡尔曼滤波问题 | 第48-54页 |
| ·本章小结 | 第54-55页 |
| 第3章 基于粒子滤波器的结构系统识别 | 第55-81页 |
| ·基于贝叶斯理论的粒子滤波 | 第55-67页 |
| ·贝叶斯理论基础 | 第55-56页 |
| ·蒙特卡罗方法 | 第56-62页 |
| ·粒子滤波 | 第62-67页 |
| ·线性结构系统数值仿真算例 | 第67-71页 |
| ·简单采样方法 | 第67-69页 |
| ·重采样方法 | 第69-71页 |
| ·非线性结构系统数值仿真算例 | 第71-75页 |
| ·识别结果的影响因素分析 | 第75-80页 |
| ·粒子数量的影响 | 第75-77页 |
| ·采样方法的影响 | 第77页 |
| ·噪声的影响 | 第77-80页 |
| ·本章小结 | 第80-81页 |
| 第4章 基于自适应粒子滤波器的结构系统识别 | 第81-98页 |
| ·基于KL(Kullback-Leibler)距离的自适应粒子滤波理论 | 第81-84页 |
| ·线性系统的识别算例 | 第84-94页 |
| ·非线性系统的识别算例 | 第94-95页 |
| ·识别结果影响因素分析 | 第95-97页 |
| ·粒子数初始值 | 第95页 |
| ·KL误差限 | 第95-96页 |
| ·概率上限 | 第96-97页 |
| ·本章小结 | 第97-98页 |
| 第5章 基于贝叶斯神经网络的结构系统识别 | 第98-118页 |
| ·神经网络概述 | 第98-101页 |
| ·贝叶斯概率神经网络 | 第101-105页 |
| ·基本原理 | 第101-103页 |
| ·网络输入参数 | 第103-105页 |
| ·结构损伤识别算例 | 第105-110页 |
| ·损伤检测步骤 | 第105-107页 |
| ·数值算例 | 第107-110页 |
| ·识别结果影响因素分析 | 第110-117页 |
| ·模型误差对损伤识别的影响 | 第111页 |
| ·测量噪声对损伤识别的影响 | 第111页 |
| ·小波尺度的选择对损伤识别结果的影响 | 第111-114页 |
| ·小波函数的不同对损伤识别结果的影响 | 第114-117页 |
| ·本章小结 | 第117-118页 |
| 第6章 结论与展望 | 第118-120页 |
| 致谢 | 第120-121页 |
| 参考文献 | 第121-128页 |
| 附录 贝叶斯决策方法基本内容 | 第128-131页 |
| 个人简历 在读期间发表的学术论文与研究成果 | 第131-132页 |