基于自编码神经网络的桥梁结构损伤检测研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-21页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究方法及现状 | 第10-17页 |
| 1.2.1 基于静力测试的结构损伤识别 | 第11页 |
| 1.2.2 基于动力指纹方法的结构损伤识别 | 第11-15页 |
| 1.2.3 基于模型修正法的结构损伤识别 | 第15-16页 |
| 1.2.4 基于神经网络的结构损伤识别 | 第16-17页 |
| 1.3 结构损伤检测领域存在的问题及挑战 | 第17-18页 |
| 1.4 深度学习方法的国内外研究现状 | 第18-19页 |
| 1.5 本文主要工作及创新点 | 第19-21页 |
| 1.5.1 本文主要工作 | 第19-20页 |
| 1.5.2 创新点 | 第20-21页 |
| 第2章 基本理论 | 第21-33页 |
| 2.1 人工神经网络 | 第21-27页 |
| 2.1.1 人工神经元 | 第21-23页 |
| 2.1.2 神经网络模型 | 第23-25页 |
| 2.1.3 梯度下降法 | 第25-26页 |
| 2.1.4 后向传播算法 | 第26-27页 |
| 2.2 深度学习 | 第27-28页 |
| 2.3 自编码算法与稀疏性 | 第28-33页 |
| 2.3.1 自编码器 | 第28-30页 |
| 2.3.2 稀疏自编码器 | 第30-32页 |
| 2.3.3 栈式自编码器 | 第32-33页 |
| 第3章 移动荷载作用下简支梁的损伤识别数值模拟 | 第33-59页 |
| 3.1 数值模拟理论基础 | 第33页 |
| 3.2 数值模拟前序工作 | 第33-35页 |
| 3.3 基于自编码神经网络的简支梁加速度信号识别 | 第35-53页 |
| 3.3.1 识别方法 | 第35页 |
| 3.3.2 数值模拟相关参数确定 | 第35-38页 |
| 3.3.3 识别结果 | 第38-53页 |
| 3.4 优化网络模型对工况识别效果 | 第53-54页 |
| 3.5 本章小结 | 第54-59页 |
| 第4章 移动荷载作用下海珠桥模型实验验证 | 第59-83页 |
| 4.1 海珠桥模型实验简介 | 第59-62页 |
| 4.1.1 海珠桥模型及实验设备 | 第59-61页 |
| 4.1.2 实验工况设置 | 第61-62页 |
| 4.2 基于自编码神经网络的海珠桥模型实验验证 | 第62-80页 |
| 4.2.1 实验相关参数确定 | 第62-65页 |
| 4.2.2 识别结果 | 第65-80页 |
| 4.3 本章小结 | 第80-83页 |
| 第5章 结论与展望 | 第83-86页 |
| 5.1 结论 | 第83-84页 |
| 5.2 展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-91页 |
