基于深度学习理论的桥梁损伤识别研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究意义 | 第11-12页 |
| 1.2 基于模式识别的桥梁损伤识别研究现状 | 第12-15页 |
| 1.2.1 基于人工神经网络的桥梁损伤识别研究 | 第13-14页 |
| 1.2.2 基于支持向量机的桥梁损伤识别研究 | 第14-15页 |
| 1.3 现有方法的局限性 | 第15-16页 |
| 1.4 本文的主要研究内容 | 第16-17页 |
| 第2章 深度学习理论 | 第17-30页 |
| 2.1 深度学习理论概述 | 第17-19页 |
| 2.1.1 机器学习 | 第17-18页 |
| 2.1.2 深度学习基本思路 | 第18-19页 |
| 2.2 卷积神经网络 | 第19-21页 |
| 2.2.1 卷积神经网络的基本结构 | 第19-20页 |
| 2.2.2 卷积神经网络的训练与应用 | 第20-21页 |
| 2.3 深度置信网络 | 第21-24页 |
| 2.3.1 RBM的结构及训练 | 第21-23页 |
| 2.3.2 深度置信网络的训练与应用 | 第23-24页 |
| 2.4 堆栈自动编码器 | 第24-28页 |
| 2.4.1 自动编码器的结构及训练 | 第25-26页 |
| 2.4.2 堆栈降噪自动编码器的训练与应用 | 第26-28页 |
| 2.5 深度学习方法对比 | 第28-29页 |
| 本章小结 | 第29-30页 |
| 第3章 基于堆栈降噪自动编码器的损伤识别方法 | 第30-55页 |
| 3.1 堆栈降噪自动编码器的构建 | 第30-37页 |
| 3.1.1 激活函数及成本函数的选择 | 第30-33页 |
| 3.1.2 噪声添加方式 | 第33页 |
| 3.1.3 分类器的选择 | 第33-35页 |
| 3.1.4 构建平台 | 第35-37页 |
| 3.2 基于堆栈降噪自动编码器的桥梁损伤识别方法 | 第37-39页 |
| 3.2.1 损伤指标的确定 | 第37-38页 |
| 3.2.2 训练样本库的组建 | 第38页 |
| 3.2.3 预训练与监督训练 | 第38-39页 |
| 3.2.4 分类器的选择 | 第39页 |
| 3.3 基于加速度指标的简支梁损伤识别 | 第39-44页 |
| 3.3.1 分析模型及工况设定 | 第39-40页 |
| 3.3.2 简支梁损伤定位 | 第40-42页 |
| 3.3.3 简支梁损伤程度识别 | 第42-44页 |
| 3.4 连续梁桥损伤识别 | 第44-53页 |
| 3.4.1 分析模型及工况设定 | 第44-45页 |
| 3.4.2 损伤指标 | 第45页 |
| 3.4.3 损伤位置识别 | 第45-50页 |
| 3.4.4 损伤程度识别 | 第50-53页 |
| 本章小结 | 第53-55页 |
| 第4章 模型桥梁损伤识别验证 | 第55-80页 |
| 4.1 模型斜拉桥索塔地震损伤识别 | 第55-60页 |
| 4.1.1 试验概况 | 第55-57页 |
| 4.1.2 损伤模式与损伤工况 | 第57-59页 |
| 4.1.3 索塔地震损伤识别 | 第59-60页 |
| 4.2 模型曲线斜拉桥损伤识别 | 第60-78页 |
| 4.2.1 试验概况 | 第61-64页 |
| 4.2.2 损伤工况设定 | 第64-67页 |
| 4.2.3 损伤识别流程与有限元模型 | 第67-69页 |
| 4.2.4 静力损伤识别 | 第69-73页 |
| 4.2.5 动力损伤识别 | 第73-78页 |
| 本章小结 | 第78-80页 |
| 结论与展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-89页 |
| 攻读硕士学位期间发表论文 | 第89页 |
