基于增长—修剪型神经网络在锚杆缺陷识别中的应用
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 选题的背景及意义 | 第8-9页 |
| 1.2 锚杆缺陷识别国内外发展现状 | 第9-11页 |
| 1.2.1 国外发展现状 | 第9-10页 |
| 1.2.2 国内发展现状 | 第10-11页 |
| 1.3 神经网络结构设计现状 | 第11-15页 |
| 1.4 课题研究的主要内容 | 第15-17页 |
| 第二章 锚杆缺陷识别的理论基础及实验 | 第17-31页 |
| 2.1 锚杆的波动方程 | 第17-20页 |
| 2.1.1 一维锚杆的波动方程 | 第17-19页 |
| 2.1.2 不同约束条件下的锚杆的纵向分析 | 第19-20页 |
| 2.2 应力波的理论基础 | 第20-23页 |
| 2.2.1 应力波在锚固介质中的反射和透射 | 第20-22页 |
| 2.2.2 应力波在锚杆中的衰减 | 第22-23页 |
| 2.3 锚杆质量缺陷识别实验 | 第23-30页 |
| 2.3.1 锚杆模型 | 第23-24页 |
| 2.3.2 实验仪器 | 第24-26页 |
| 2.3.3 数据采集过程 | 第26-27页 |
| 2.3.4 采集结果 | 第27-28页 |
| 2.3.5 模拟数据 | 第28-30页 |
| 2.3.6 特征提取 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 人工神经网络 | 第31-39页 |
| 3.1 人工神经网络概述 | 第31页 |
| 3.2 BP神经网络 | 第31-35页 |
| 3.2.1 BP算法 | 第32-34页 |
| 3.2.2 BP算法的分析 | 第34-35页 |
| 3.3 网络结构和学习率的影响 | 第35-38页 |
| 3.3.1 网络结构的影响 | 第35-36页 |
| 3.3.2 学习率的影响 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 神经网络结构设计 | 第39-65页 |
| 4.1 自适应修剪型神经网络结构设计 | 第40-51页 |
| 4.1.1 自适应阈值前馈神经网络修剪算法 | 第40-43页 |
| 4.1.2 实验分析 | 第43-49页 |
| 4.1.3 工程案例验证 | 第49-51页 |
| 4.2 自适应增长型前馈神经网络设计 | 第51-58页 |
| 4.2.1 增长算法 | 第51-52页 |
| 4.2.2 贡献率 | 第52-53页 |
| 4.2.3 自适应增长阈值 | 第53-54页 |
| 4.2.4 实验分析 | 第54-58页 |
| 4.3 自适应增长-修剪型前馈神经网络设计 | 第58-62页 |
| 4.3.1 增长修剪算法 | 第58-59页 |
| 4.3.2 算法实现步骤及流程图 | 第59-61页 |
| 4.3.3 实验分析 | 第61-62页 |
| 4.4 收敛性证明 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 结论与展望 | 第65-67页 |
| 5.1 结论 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第72页 |
