基于神经网络的结构地震反应仿真与系统辨识
| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 概述 | 第8-18页 |
| 1．1 问题的提出 | 第8-9页 |
| 1．2 系统辨识的基本概念 | 第9-12页 |
| 1．2．1 系统辨识的含义 | 第9-10页 |
| 1．2．2 传统系统辨识概述 | 第10-12页 |
| 1．3 人工神经网络的发展和特点 | 第12-16页 |
| 1．3．1 人工神经网络技术的发展与现状 | 第12-14页 |
| 1．3．2 神经网络的应用 | 第14-15页 |
| 1．3．3 神经网络的特点 | 第15-16页 |
| 1．4 建筑结构系统识别研究的发展与现状 | 第16-17页 |
| 1．5 本文的工作及内容安排 | 第17-18页 |
| 1．5．1 本文的工作 | 第17页 |
| 1．5．2 本文的内容安排 | 第17-18页 |
| 2 人工神经网络简述 | 第18-26页 |
| 2．1 人工神经网络的概念 | 第18页 |
| 2．2 人工神经元模型 | 第18-20页 |
| 2．3 神经网络拓扑结构及工作方式 | 第20-24页 |
| 2．3．1 神经网络的层级关系 | 第21-22页 |
| 2．3．2 神经网络的连接方式 | 第22-23页 |
| 2．3．3 神经网络的工作方式 | 第23-24页 |
| 2．4 神经网络的学习方法 | 第24-25页 |
| 2．4．1 学习方式 | 第24-25页 |
| 2．4．2 学习规则 | 第25页 |
| 2．5 本章小结 | 第25-26页 |
| 3 BP神经网络 | 第26-35页 |
| 3．1 BP神经网络的基本概念 | 第26页 |
| 3．2 多层前向神经网络的逼近能力 | 第26-27页 |
| 3．3 BP神经网络的训练算法 | 第27-30页 |
| 3．3．1 BP算法其它的算法 | 第27-29页 |
| 3．3．2 其它的算法 | 第29-30页 |
| 3．4 BP神经网络的拓扑结构问题 | 第30-34页 |
| 3．4．1 神经网络训练的概念 | 第30-31页 |
| 3．4．2 过拟合与泛化能力 | 第31-32页 |
| 3．4．3 BP神经网络拓扑结构的选择 | 第32-34页 |
| 3．5 小结 | 第34-35页 |
| 4 基于神经网络的结构地震反应仿真 | 第35-58页 |
| 4．1 引言 | 第35页 |
| 4．2 结构输入－输出特性辨识的基本思路 | 第35-43页 |
| 4．2．1 线性结构输入－输出特性识别 | 第36-41页 |
| 4．2．2 非线性结构输入－输出特性识别 | 第41-43页 |
| 4．3 结构输入－输出特性辨识的算例分析 | 第43-56页 |
| 4．3．1 线性结构识别算例 | 第43-52页 |
| 4．3．2 非线性结构识别算例 | 第52-56页 |
| 4．4 程序说明 | 第56页 |
| 4．5 小结 | 第56-58页 |
| 5 线性建筑结构参数识别初探 | 第58-62页 |
| 5．1 人工神经网络用于线性结构参数识别的思路 | 第58-59页 |
| 5．2 算例 | 第59-61页 |
| 5．3 小结 | 第61-62页 |
| 6 结束语 | 第62-65页 |
| 6．1 存在的问题和后续研究工作展望 | 第62-63页 |
| 6．1．1 存在的问题 | 第62页 |
| 6．1．2 后续研究工作的展望 | 第62-63页 |
| 6．2 本文的主要工作和结论 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-67页 |
