| 摘要 | 第1-7页 |
| ABSTRACT | 第7-18页 |
| 第1章 绪论 | 第18-35页 |
| ·引言 | 第18-19页 |
| ·论文选题的背景与研究意义 | 第19-23页 |
| ·空间钢结构常见的损伤及事故 | 第19-22页 |
| ·空间结构健康监测的意义 | 第22-23页 |
| ·相关领域的国内外研究现状 | 第23-33页 |
| ·结构健康监测的一般内容 | 第23-24页 |
| ·智能传感器的发展及应用 | 第24-25页 |
| ·关于传感器优化布置 | 第25-27页 |
| ·关于结构动力模型修正 | 第27-28页 |
| ·关于结构损伤识别 | 第28-32页 |
| ·结构健康监测系统的实际应用 | 第32-33页 |
| ·课题来源与本文主要研究内容 | 第33-35页 |
| 第2章 基于小波分析的结构健康监测初探 | 第35-52页 |
| ·引言 | 第35页 |
| ·小波变换原理 | 第35-38页 |
| ·连续小波变换 | 第36-37页 |
| ·离散小波变换 | 第37页 |
| ·小波框架 | 第37-38页 |
| ·小波包原理 | 第38-41页 |
| ·结构动力方程小波灵敏度分析 | 第41-44页 |
| ·小波分析在空间结构损伤分析中的应用初探 | 第44-47页 |
| ·小波分析在信号奇异性分析中的应用 | 第44-46页 |
| ·基于“能量—损伤状态”的特征提取方法 | 第46-47页 |
| ·算例 | 第47-50页 |
| ·本章小结 | 第50-52页 |
| 第3章 基于遗传神经网络的递推模型修正 | 第52-75页 |
| ·引言 | 第52页 |
| ·人工神经网络原理 | 第52-57页 |
| ·神经网络原理模型 | 第52-54页 |
| ·神经网络构成 | 第54-55页 |
| ·BP神经网络 | 第55-57页 |
| ·遗传算法 | 第57-61页 |
| ·遗传算法原理 | 第57-59页 |
| ·遗传算法与神经网络的结合 | 第59-61页 |
| ·试验设计方法的选择 | 第61-63页 |
| ·正交设计法概况及其特点 | 第61-62页 |
| ·均匀设计法概况及其特点 | 第62-63页 |
| ·基于子结构和神经网络的递推模型修正 | 第63-64页 |
| ·空间结构递推模型修正 | 第64-74页 |
| ·空间结构损伤因素的选择 | 第65-67页 |
| ·损伤模拟方案的确定 | 第67-68页 |
| ·基于频率的空间结构递推模型修正 | 第68-72页 |
| ·基于小波频带能量的空间结构递推模型修正 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第4章 空间结构的传感器优化布置 | 第75-92页 |
| ·基于随机子空间法的模态识别 | 第75-78页 |
| ·空间结构传感器数目的确定 | 第78-80页 |
| ·基于模态的结构传感器优化布置 | 第80-87页 |
| ·传感器布置方法准则 | 第80-82页 |
| ·基于能量和MAC的传感器优化布置方法 | 第82-84页 |
| ·算例分析 | 第84-87页 |
| ·基于小波和图论的传感器优化布置 | 第87-91页 |
| ·小波智能方法及其特点 | 第87页 |
| ·空间结构模态参数的选择 | 第87-88页 |
| ·Floyd算法及在传感器优化布置中的其应用 | 第88-89页 |
| ·算例分析 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 第5章 基于小波支持向量机的空间结构损伤识别 | 第92-115页 |
| ·引言 | 第92-93页 |
| ·统计学习理论 | 第93-96页 |
| ·支持向量机 | 第96-101页 |
| ·广义最优分类面 | 第96-98页 |
| ·支持向量机原理 | 第98-99页 |
| ·神经网络和支持向量机功能对比 | 第99-101页 |
| ·基于小波支持向量机的结构损伤识别方法 | 第101-108页 |
| ·小波核函数 | 第102-103页 |
| ·小波支持向量机(WSVM)模型及分类 | 第103-104页 |
| ·环境随机振动及其利用 | 第104-105页 |
| ·基于完全小波支持向量机的损伤识别 | 第105-106页 |
| ·算例分析 | 第106-108页 |
| ·特征提取在损伤识别中的应用 | 第108-114页 |
| ·特征提取的意义与分类 | 第108-109页 |
| ·特征向量的粗糙集约简 | 第109-111页 |
| ·主成分分析及特征提取 | 第111-113页 |
| ·算例分析 | 第113-114页 |
| ·本章小结 | 第114-115页 |
| 第6章 空间结构损伤识别试验研究 | 第115-132页 |
| ·引言 | 第115页 |
| ·单层网壳损伤识别试验研究 | 第115-121页 |
| ·试验目的及试验模型 | 第115-117页 |
| ·测试仪器和传感器优化布置 | 第117-118页 |
| ·损伤工况与试验过程 | 第118页 |
| ·试验结果分析 | 第118-121页 |
| ·张弦梁结构的损伤识别试验研究 | 第121-131页 |
| ·试验目的 | 第121-122页 |
| ·模型设计 | 第122-123页 |
| ·测试仪器及测点布置 | 第123-125页 |
| ·索力和索频的测试及分析 | 第125-126页 |
| ·上部的拱桁架损伤试验研究 | 第126-131页 |
| ·本章小结 | 第131-132页 |
| 第7章 空间结构损伤信息融合 | 第132-154页 |
| ·引言 | 第132页 |
| ·结构健康监测的信息融合概述 | 第132-135页 |
| ·信息融合层次 | 第133-134页 |
| ·信息融合系统的结构模型 | 第134-135页 |
| ·分布式监测与决策融合问题的表述 | 第135页 |
| ·基于信息熵的损伤信息融合 | 第135-137页 |
| ·信息论和熵 | 第135-136页 |
| ·监测系统的熵与信息融合 | 第136-137页 |
| ·基于智能算法的特征层损伤信息融合 | 第137-138页 |
| ·支持向量机损伤诊断矩阵 | 第137-138页 |
| ·损伤自信息和损伤信息熵 | 第138页 |
| ·基于模糊决策的决策层损伤信息融合 | 第138-142页 |
| ·结构模糊损伤信息融合 | 第139页 |
| ·模糊信息融合模型 | 第139-140页 |
| ·空间结构损伤模糊信息融合 | 第140-142页 |
| ·基于物元模型的决策层损伤信息融合 | 第142-144页 |
| ·物元基本概念 | 第142页 |
| ·经典域物元和节域物元 | 第142-143页 |
| ·待评事物的关联度 | 第143-144页 |
| ·基于模糊神经网络的损伤信息融合 | 第144-148页 |
| ·模糊神经网络模型 | 第144-145页 |
| ·模糊神经网络系统结构 | 第145-148页 |
| ·计算实例 | 第148-153页 |
| ·本章小结 | 第153-154页 |
| 第8章 空间结构的健康监测系统 | 第154-176页 |
| ·结构健康监测系统及其组成 | 第154-155页 |
| ·结构全寿命监测系统的设计准则 | 第155-157页 |
| ·空间结构健康监测范畴 | 第157-159页 |
| ·空间结构监测项目 | 第157页 |
| ·结构监测内容及使用的传感器 | 第157-158页 |
| ·空间结构监测手段和监测仪器的选择 | 第158-159页 |
| ·基于分布式协同工作环境结构健康监测系统 | 第159-160页 |
| ·基于多Agent的结构健康监测系统 | 第160-167页 |
| ·Agent与多Agent系统定义 | 第160-162页 |
| ·基于多Agent的结构健康监测系统模型 | 第162-166页 |
| ·基于多Agent的健康监测技术 | 第166-167页 |
| ·基于LabVIEW的多Agent结构健康监测系统开发 | 第167-175页 |
| ·Agent的软件开发 | 第167-168页 |
| ·虚拟仪器的概念及分类 | 第168-170页 |
| ·LabVIEW及其特点 | 第170-172页 |
| ·基于LabVIEW的健康监测系统开发 | 第172-175页 |
| ·本章小结 | 第175-176页 |
| 结论与展望 | 第176-180页 |
| 参考文献 | 第180-189页 |
| 攻读博士学位期间所发表的学术论文 | 第189-191页 |
| 致谢 | 第191页 |