| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 引言 | 第9-10页 |
| 1.2 斜拉桥简介 | 第10-11页 |
| 1.3 结构健康检测技术在桥梁结构中的应用 | 第11-12页 |
| 1.4 机器学习应用在结构损伤识别的研究现状 | 第12-15页 |
| 1.5 本文的主要研究内容 | 第15-16页 |
| 第二章 基于BP神经网络的斜拉索损伤识别方法 | 第16-37页 |
| 2.1 引言 | 第16页 |
| 2.2 神经网络和BP学习算法 | 第16-23页 |
| 2.2.1 神经网络基本模型 | 第16-17页 |
| 2.2.2 标准BP算法 | 第17-20页 |
| 2.2.3 “倍数试凑法”和BP学习算法的参数优化 | 第20-23页 |
| 2.3 基于BP神经网络的斜拉索损伤识别研究 | 第23-36页 |
| 2.3.1 研究对象介绍 | 第23-24页 |
| 2.3.2 斜拉索损伤变量和工况选择 | 第24-26页 |
| 2.3.3 不同网络模型和算法参数的损伤识别性能对比 | 第26-30页 |
| 2.3.4 BP神经网络损伤识别结果和误差评价指标 | 第30-33页 |
| 2.3.5 识别误差统计结果分析 | 第33-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于“SCG神经网络”的斜拉索损伤识别方法 | 第37-56页 |
| 3.1 引言 | 第37页 |
| 3.2 SCG算法介绍 | 第37-42页 |
| 3.2.1 共轭梯度算法介绍 | 第37-40页 |
| 3.2.2 SCG算法流程 | 第40-42页 |
| 3.3 基于“SCG神经网络”的斜拉索损伤识别研究 | 第42-54页 |
| 3.3.1 SCG算法与BP算法在小规模神经网络下的性能比较 | 第42-43页 |
| 3.3.2 SCG算法在大规模神经网络下的性能表现 | 第43-45页 |
| 3.3.3 基于SCG算法的“140节点网络”的损伤识别结果 | 第45-50页 |
| 3.3.4 基于SCG算法的“140节点网络”的损伤识别结果统计分析 | 第50-54页 |
| 3.4 本章小结 | 第54-56页 |
| 第四章 基于RBF神经网络的斜拉索损伤识别方法 | 第56-70页 |
| 4.1 引言 | 第56页 |
| 4.2 RBF神经网络介绍 | 第56-58页 |
| 4.2.1 RBF神经网络概述 | 第56-57页 |
| 4.2.2 RBF神经网络学习算法 | 第57-58页 |
| 4.3 基于RBF神经网络的斜拉索损伤识别研究 | 第58-67页 |
| 4.3.1 RBF神经网络的确定和样本数据的选择 | 第58-59页 |
| 4.3.2 基于RBF神经网络的损伤识别结果 | 第59-64页 |
| 4.3.3 基于RBF神经网络的损伤识别结果统计分析 | 第64-67页 |
| 4.4 几种神经网络的性能比较 | 第67-68页 |
| 4.5 本章小结 | 第68-70页 |
| 第五章 全文总结和展望 | 第70-73页 |
| 5.1 全文工作总结 | 第70-71页 |
| 5.2 后续工作展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 作者简介 | 第77页 |
