| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 本文的研究背景 | 第9-10页 |
| 1.2 有限元模型修正研究现状 | 第10-17页 |
| 1.2.1 确定性修正法 | 第10-15页 |
| 1.2.2 不确定性模型修正 | 第15-17页 |
| 1.3 贝叶斯模型修正主要存在问题 | 第17-18页 |
| 1.4 本文的主要工作 | 第18-19页 |
| 2 基于贝叶斯统计方法的模型修正 | 第19-41页 |
| 2.1 数学基础 | 第19-23页 |
| 2.1.1 贝叶斯公式 | 第19-20页 |
| 2.1.2 先验分布 | 第20-23页 |
| 2.2 基于结构模态参数的贝氏有限元模型修正 | 第23-31页 |
| 2.2.1 模态参数后验概率函数推导 | 第23-25页 |
| 2.2.2 马尔可夫链蒙特卡罗模拟方法(MCMC) | 第25-29页 |
| 2.2.3 基于 MH 算法贝叶斯模型修正的实现 | 第29-31页 |
| 2.3 数值算例 | 第31-39页 |
| 2.3.1 单参数标准 MH 算法 | 第31-36页 |
| 2.3.2 双参数标准 MH 算法 | 第36-39页 |
| 2.4 小结 | 第39-41页 |
| 3 DRAM 算法的贝叶斯模型修正研究 | 第41-67页 |
| 3.1 DRAM 算法的基本原理 | 第41-46页 |
| 3.1.1 AM 算法 | 第41-43页 |
| 3.1.2 DR 算法 | 第43-44页 |
| 3.1.3 DRAM 算法 | 第44-46页 |
| 3.2 基于 DRAM 的贝叶斯法及优化法模型修正 | 第46-50页 |
| 3.2.1 基于 DRAM 算法贝叶斯模型修正 | 第46-48页 |
| 3.2.2 优化算法模型修正的原理 | 第48-50页 |
| 3.3 验证算例 | 第50-59页 |
| 3.4 悬臂梁试验 | 第59-65页 |
| 3.4.1 贝叶斯法修正 | 第61-63页 |
| 3.4.2 优化法修正 | 第63-65页 |
| 3.5 小结 | 第65-67页 |
| 4 基于相关向量机的快速贝叶斯模型修正 | 第67-81页 |
| 4.1 最小二乘支持向量与贝叶斯学习 | 第67-70页 |
| 4.1.1 最小二乘支持向量 | 第67-69页 |
| 4.1.2 贝叶斯学习 | 第69-70页 |
| 4.2 相关向量机（RVM） | 第70-77页 |
| 4.2.1 基本原理 | 第70-72页 |
| 4.2.2 RVM 和 SVM 回归比较 | 第72-74页 |
| 4.2.3 RVM 回归精度影响因素分析 | 第74-77页 |
| 4.3 修正应用 | 第77-80页 |
| 4.4 小结 | 第80-81页 |
| 5 框架结构试验应用 | 第81-91页 |
| 5.1 试验简介 | 第81-83页 |
| 5.2 有限元模型建立 | 第83-84页 |
| 5.3 修正模型 | 第84-91页 |
| 5.3.1 修正参数选取 | 第84-85页 |
| 5.3.2 有限元模型修正结果 | 第85-87页 |
| 5.3.3 RVM 回归模型修正结果 | 第87-91页 |
| 6 结语 | 第91-93页 |
| 6.1 取得的主要结论 | 第91-92页 |
| 6.2 后续研究工作展望 | 第92-93页 |
| 致谢 | 第93-95页 |
| 参考文献 | 第95-99页 |
| 附录 | 第99-108页 |
| A 数值算例 2.3 MATLAB 程序 | 第99-102页 |
| B 悬臂梁一阶优化 ANSYS 命令流 | 第102-108页 |