| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-18页 |
| ·钢框架参数识别的必要性 | 第8-12页 |
| ·钢框架参数识别的目的、意义 | 第8-10页 |
| ·钢框架参数识别模型的建立 | 第10-11页 |
| ·参数识别的概念及其发展 | 第11-12页 |
| ·国内外参数识别研究的概况 | 第12-16页 |
| ·局部损伤识别技术 | 第12-13页 |
| ·全局损伤识别技术 | 第13-16页 |
| ·本文主要研究内容 | 第16-18页 |
| 2 参数识别的神经网络法 | 第18-22页 |
| ·神经网络概述 | 第18-20页 |
| ·神经网络发展概况 | 第18-19页 |
| ·神经网络的特点 | 第19-20页 |
| ·神经网络用于参数识别的基本原理 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 3 参数识别的RBF神经网络 | 第22-29页 |
| ·神经网络模型比较 | 第22-25页 |
| ·BP神经网络 | 第22-23页 |
| ·RBF神经网络 | 第23-24页 |
| ·小结 | 第24-25页 |
| ·参数识别的RBF神经网络设计 | 第25-28页 |
| ·RBF神经网络用于参数识别的基本步骤 | 第25-26页 |
| ·参数识别指标选取 | 第26页 |
| ·MATLAB工具箱 | 第26-27页 |
| ·RBF神经网络的设计 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 4 基于RBF神经网络半刚性节点钢框架模型参数识别 | 第29-43页 |
| ·SAP2000有限元建模 | 第29-32页 |
| ·参数识别研究的几点说明 | 第32页 |
| ·RBF神经网络样本采集及训练 | 第32-37页 |
| ·神经网络样本采集 | 第32页 |
| ·神经网络样本训练 | 第32-37页 |
| ·节点参数识别 | 第37-41页 |
| ·不同识别指标对比 | 第41页 |
| ·本章小结 | 第41-43页 |
| 5 基于神经网络的有限单元参数识别及其高等稳定分析 | 第43-60页 |
| ·传统非线性有限单元法原理 | 第43-45页 |
| ·神经网络对单元模型的模拟特点及广义参数识别 | 第45-46页 |
| ·神经网络对单元力学模型模拟的可行性 | 第46-47页 |
| ·基于神经网络对虚拟荷载非弹性法修正 | 第47-56页 |
| ·基本概念 | 第47-48页 |
| ·虚拟荷载法的非弹性分析 | 第48-49页 |
| ·弹塑性状态下转角位移方程推导 | 第49-52页 |
| ·无跨间加载单元刚度矩阵推导 | 第52-54页 |
| ·跨间加载单元刚度矩阵推导 | 第54-56页 |
| ·组合总体刚度矩阵 | 第56页 |
| ·基于神经网络修正的虚拟荷载非弹性法计算框图 | 第56页 |
| ·本章小结及讨论 | 第56-60页 |
| 6 半刚性节点的神经网络参数识别 | 第60-73页 |
| ·连接特性及其影响因素 | 第61页 |
| ·基于神经网络的半刚性节点刚度矩阵 | 第61-66页 |
| ·基于神经网络的杆端弯矩—转角关系描述 | 第62页 |
| ·刚度矩阵的修正 | 第62-66页 |
| ·基于神经网络的半刚性节点模拟 | 第66-71页 |
| ·神经网络模拟连接的特点 | 第66页 |
| ·常见的几种连接描述模型 | 第66-68页 |
| ·神经网络描述连接模型 | 第68页 |
| ·神经网络类型及训练样本选取 | 第68-70页 |
| ·网络仿真 | 第70-71页 |
| ·本章小结 | 第71-73页 |
| 7 结论和展望 | 第73-75页 |
| ·结论 | 第73页 |
| ·展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 附录 | 第79页 |