| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题提出的背景及国内外研究现状 | 第9-14页 |
| ·起重机械概况与发展趋势 | 第9-10页 |
| ·课题提出的背景 | 第10-12页 |
| ·国内外疲劳载荷谱的研究现状 | 第12-14页 |
| ·课题研究的内容、来源及意义 | 第14-16页 |
| ·课题研究内容 | 第14-15页 |
| ·课题的来源 | 第15页 |
| ·课题研究的意义 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 起重机载荷谱与疲劳剩余寿命计算 | 第17-27页 |
| ·疲劳载荷谱的概念 | 第17-18页 |
| ·载荷谱的相关参数 | 第18-20页 |
| ·起重机的设计预期寿命 | 第18-19页 |
| ·起重机的载荷状态级别 | 第19-20页 |
| ·起重机典型工作过程 | 第20页 |
| ·疲劳破坏 | 第20-26页 |
| ·线弹性断裂力学理论 | 第20-22页 |
| ·疲劳破坏现象及 Miner 法则 | 第22-24页 |
| ·疲劳剩余寿命 | 第24-26页 |
| ·载荷谱是疲劳剩余寿命预测的关键数据 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第三章 统计学习理论与支持向量机原理及算法 | 第27-43页 |
| ·统计学习理论 | 第27-33页 |
| ·学习问题的模型 | 第28-29页 |
| ·经验风险最小化原则 | 第29-30页 |
| ·VC 维 | 第30-31页 |
| ·推广能力的界 | 第31页 |
| ·结构风险最小化原则 | 第31-33页 |
| ·支持向量回归学习机 | 第33-38页 |
| ·支持向量机简介 | 第33-35页 |
| ·支持向量机回归问题 | 第35-36页 |
| ·不敏感损失函数和 带 | 第36-37页 |
| ·支持向量回归机 | 第37-38页 |
| ·支持向量机算法 | 第38-42页 |
| ·支持向量回归机的算法描述 | 第38-39页 |
| ·序列最小最优化算法描述 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 起重机当量载荷谱获取与预测软件开发 | 第43-57页 |
| ·软件开发平台介绍 | 第43-44页 |
| ·C++的特性 | 第43页 |
| ·Visual C++ 6.0 简介 | 第43-44页 |
| ·Visual C++ 6.0 的编程特点 | 第44页 |
| ·软件开发思路 | 第44-51页 |
| ·建立起重机参数数据库 | 第44-46页 |
| ·对原始数据的处理 | 第46-48页 |
| ·软件的训练过程 | 第48-49页 |
| ·软件的测试过程 | 第49页 |
| ·软件的预测过程 | 第49-50页 |
| ·编写在线帮助文件 | 第50-51页 |
| ·软件流程图 | 第51-52页 |
| ·软件的功能特点 | 第52-56页 |
| ·数据格式重排功能 | 第53页 |
| ·起重机工作数据来源的选择功能 | 第53页 |
| ·起重机不同类型的选择功能 | 第53-55页 |
| ·起重机的非标选择功能 | 第55页 |
| ·数据库链接功能 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 软件应用及工程实例 | 第57-69页 |
| ·软件的首界面介绍 | 第57页 |
| ·工程实例一 | 第57-66页 |
| ·工程实例二 | 第66-67页 |
| ·工程实例结论 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第六章 支持向量机与最小二乘、神经网络三种方法的比较 | 第69-75页 |
| ·利用最小二乘法进行起重机载荷谱的获取与预测 | 第69-71页 |
| ·利用 BP 神经网络进行起重机载荷谱的获取与预测 | 第71-73页 |
| ·比较结论 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第七章 结论与展望 | 第75-77页 |
| ·结论 | 第75页 |
| ·论文的创新点 | 第75-76页 |
| ·不足及展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 攻读学位期间发表的学术论文目录 | 第83-84页 |