摘要 | 第1-5页 |
Abstract | 第5-13页 |
第一章 绪论 | 第13-21页 |
·概述 | 第13-15页 |
·载荷识别 | 第13页 |
·从数学角度来定义反问题 | 第13-15页 |
·载荷识别方法的研究和本文选题 | 第15-21页 |
·智能结构载荷识别的研究背景 | 第15-16页 |
·智能结构载荷识别的研究进展 | 第16-18页 |
·智能结构载荷识别的研究意义 | 第18-19页 |
·本文的主要研究内容 | 第19-21页 |
第二章 神经网络和遗传算法理论 | 第21-38页 |
·人工神经网络原理 | 第21-27页 |
·人工神经网络的组成及结构 | 第21-22页 |
·神经网络模型 | 第22-23页 |
·常用的几种神经网络结构 | 第23-24页 |
·神经网络的基本特点 | 第24页 |
·神经网络结构的训练算法分类 | 第24-25页 |
·RBF 神经网络组成结构及特点 | 第25-27页 |
·人工神经网络的应用领域 | 第27页 |
·遗传算法原理 | 第27-38页 |
·遗传算法 | 第28页 |
·遗传算法的特点 | 第28-29页 |
·遗传算法设计 | 第29-38页 |
第三章 力-电耦合场的有限元分析 | 第38-51页 |
·压电材料简介 | 第39-40页 |
·压电效应 | 第39页 |
·压电材料的性质:压电性 | 第39页 |
·压电陶瓷 | 第39-40页 |
·力、电耦合本构方程 | 第40-42页 |
·有限元分析 | 第42-51页 |
·基本方程及边界条件 | 第42-45页 |
·采用加强假定应变(EAS)模式推导固体壳单元 | 第45-47页 |
·数值积分方法 | 第47-51页 |
第四章 基于RBF 神经网络的复合材料层合板、壳载荷识别 | 第51-62页 |
·RBF 神经网络载荷识别流程 | 第51-55页 |
·RBF 神经网络样本数据的获取 | 第51页 |
·RBF 神经网络样本数据的归一化处理 | 第51-52页 |
·RBF 神经网络隐含层传输函数的选取 | 第52页 |
·RBF 神经网络训练学习算法分析 | 第52-54页 |
·RBF 神经网络学习算法步骤 | 第54-55页 |
·RBF 神经网络载荷识别算例 | 第55-62页 |
·复合材料层合板结构载荷识别 | 第55-57页 |
·复合材料层合壳结构载荷识别 | 第57-61页 |
·载荷识别程序的主要函数说明 | 第61页 |
·算例结果分析 | 第61-62页 |
第五章 基于遗传算法与有限元的板、壳载荷识别 | 第62-73页 |
·遗传算法进行载荷识别的流程设计 | 第62-65页 |
·适应度函数的确定 | 第63-64页 |
·二进制编码产生初始种群 | 第64页 |
·计算适应度来评价个体 | 第64页 |
·遗传算子的设计 | 第64-65页 |
·遗传算法进行载荷识别算例 | 第65-73页 |
·复合材料板结构载荷识别 | 第65-68页 |
·复合材料层合壳结构载荷识别算例 | 第68-71页 |
·载荷识别的程序说明 | 第71-72页 |
·算例载荷识别结果分析 | 第72-73页 |
第六章 全文总结和研究展望 | 第73-75页 |
·全文主要的研究内容 | 第73-74页 |
·研究展望 | 第74-75页 |
参考文献 | 第75-78页 |
致谢 | 第78-79页 |
攻读硕士期间发表的文章 | 第79页 |