网架结构的损伤诊断
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-23页 |
| ·引言 | 第10页 |
| ·论文的研究背景 | 第10-12页 |
| ·结构的损伤识别 | 第12-22页 |
| ·基于结构模态参数的损伤检测 | 第13-19页 |
| ·基于信号处理(小波分析)的损伤诊断 | 第19-20页 |
| ·基于智能算法的损伤诊断 | 第20-22页 |
| ·本文主要进行的工作 | 第22-23页 |
| 2 有限元的建立与计算 | 第23-32页 |
| ·有限元模型的建立 | 第23-26页 |
| ·数值模拟的结构 | 第23-24页 |
| ·数值模拟的软件 | 第24页 |
| ·数值模拟的参数以及方法 | 第24-26页 |
| ·结构模态的求解 | 第26-32页 |
| ·反迭代法求解结构模态 | 第26-28页 |
| ·里兹向量直接叠加求解法 | 第28-32页 |
| 3 基于模态应变能的损伤检测 | 第32-45页 |
| ·引言 | 第32-33页 |
| ·基于模态应变能的理论基础 | 第33-37页 |
| ·模态应变能的定义 | 第33-34页 |
| ·模态应变能的敏感性分析 | 第34-37页 |
| ·噪声的引入 | 第37-38页 |
| ·数值验证 | 第38-44页 |
| ·无噪声情况 | 第38-42页 |
| ·受噪声污染的情况 | 第42-44页 |
| ·小结 | 第44-45页 |
| 4 基于神经网络的损伤识别 | 第45-77页 |
| ·神经网络介绍 | 第45-47页 |
| ·BP神经网络及其算法 | 第47-55页 |
| ·BP网络的结构 | 第47-48页 |
| ·经典BP网络的递归算法 | 第48-50页 |
| ·经典BP网络的不足与改进 | 第50-55页 |
| ·神经网络样本数量的确定方法 | 第55-57页 |
| ·BP神经网络输入向量的计算方法 | 第57-64页 |
| ·传统的神经网络输入向量计算方法 | 第57-58页 |
| ·主元分析方法 | 第58-61页 |
| ·本文所使用的特征值 | 第61-64页 |
| ·BP神经网络训练方法的确定 | 第64-67页 |
| ·基于BP神经网络的数值模拟 | 第67-76页 |
| ·单根杆件的损伤诊断 | 第67-73页 |
| ·两根杆件的损伤诊断 | 第73-76页 |
| ·小结 | 第76-77页 |
| 5 基于支持向量机的损伤识别 | 第77-114页 |
| ·机器学习的概述 | 第77-81页 |
| ·学习问题的表述 | 第78-80页 |
| ·经验风险最小化 | 第80页 |
| ·复杂性与推广性 | 第80-81页 |
| ·统计学习理论 | 第81-87页 |
| ·学习过程的一致性条件 | 第82-83页 |
| ·VC维 | 第83-84页 |
| ·推广性的界 | 第84-85页 |
| ·结构风险最小化 | 第85-87页 |
| ·支持向量机 | 第87-96页 |
| ·最优分类面及其推广 | 第87-90页 |
| ·规范化超平面集的子集结构 | 第90-91页 |
| ·支持向量分类机 | 第91-94页 |
| ·常用的几种核函数 | 第94-95页 |
| ·多类识别方法 | 第95-96页 |
| ·支持向量回归机 | 第96-98页 |
| ·线性回归问题 | 第96-98页 |
| ·采用回旋内积的支持向量回归机 | 第98页 |
| ·最小二乘支持向量机 | 第98-101页 |
| ·最小二乘分类器 | 第98-100页 |
| ·最小二乘回归机 | 第100-101页 |
| ·基于最小二乘支持向量机的损伤识别 | 第101-113页 |
| ·利用支持向量机进行损伤定位 | 第101-107页 |
| ·利用支持向量回归机进行损伤程度的判断 | 第107-113页 |
| ·小结 | 第113-114页 |
| 6 结论 | 第114-116页 |
| 参考文献 | 第116-119页 |
| 攻读硕士学位期间发表学术论文情况 | 第119-120页 |
| 致谢 | 第120-121页 |
