| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第一章 绪论 | 第13-25页 |
| ·课题研究背景与意义 | 第13-15页 |
| ·研究背景 | 第13-14页 |
| ·研究意义 | 第14-15页 |
| ·本课题的历史与现状 | 第15-18页 |
| ·损伤识别研究历史与现状 | 第15-17页 |
| ·模式识别方法做损伤识别研究历史与现状 | 第17-18页 |
| ·存在的问题、发展趋势和本文拟解决的关键问题 | 第18-20页 |
| ·存在的问题 | 第18-19页 |
| ·发展趋势 | 第19页 |
| ·本文拟解决的关键问题 | 第19-20页 |
| ·本文主要研究内容和方法 | 第20-25页 |
| ·研究内容 | 第20-23页 |
| ·研究方法 | 第23-25页 |
| 第二章 基于 DNA 遗传算法的桥梁传感器优化布置 | 第25-42页 |
| ·本章概述 | 第25-26页 |
| ·随机整数规划的期望值模型及其求解 | 第26-27页 |
| ·随机整数规划期望值模型 | 第26页 |
| ·利用随机模拟求解期望值模型 | 第26-27页 |
| ·不完全模态信息的传感器优化布置 | 第27-30页 |
| ·Fisher 随机矩阵模型 | 第27-28页 |
| ·MAC 模型 | 第28页 |
| ·单目标传感器优化模型 | 第28-29页 |
| ·多目标传感器优化模型 | 第29-30页 |
| ·DNA 遗传算法 | 第30-31页 |
| ·DNA 遗传算法介绍 | 第30页 |
| ·DNA 编码 | 第30-31页 |
| ·随机模拟 DNA 遗传算法求解随机整数规划期望值模型 | 第31页 |
| ·应用实例: 徐葛大桥多目标传感器优化布置 | 第31-38页 |
| ·大桥完整的空间有限元模型 | 第31-34页 |
| ·提取梁节点位移模态数据 | 第34-37页 |
| ·优化计算 | 第37-38页 |
| ·DNA 遗传算法有效性检验 | 第38-41页 |
| ·模拟退火算法 | 第38-40页 |
| ·蚁群算法 | 第40-41页 |
| ·算法有效性比较 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第三章 基于 SVM 模式识别方法的桥梁静力损伤识别 | 第42-57页 |
| ·本章概述 | 第42-43页 |
| ·建立静力损伤识别模型 | 第43-45页 |
| ·静力损伤指标的建立 | 第43-44页 |
| ·形成样本库 | 第44-45页 |
| ·基于 SVM 模式识别方法的桥梁损伤识别 | 第45-47页 |
| ·SVM 算法 | 第45-46页 |
| ·利用 SVM 算法的桥梁结构损伤识别 | 第46-47页 |
| ·基于 SVM 静力损伤模式识别结果 | 第47-52页 |
| ·损伤位置识别结果 | 第47-48页 |
| ·损伤程度识别结果 | 第48-50页 |
| ·基于 weka 的静力损伤模式识别方法比较实验 | 第50-52页 |
| ·基于概率轮廓系数的桥梁静力加载模式识别 | 第52-55页 |
| ·概率轮廓系数 | 第52-53页 |
| ·基于轮廓系数的静力加载模式识别结果 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第四章 基于 SVM 模式识别方法的桥梁频域损伤识别 | 第57-72页 |
| ·本章概述 | 第57-58页 |
| ·辨识结构损伤的结构动力参数 | 第58-59页 |
| ·基于 SVM 的桁架结构频域损伤模式识别 | 第59-64页 |
| ·桁架结构损伤指标的建立 | 第59-60页 |
| ·形成样本库 | 第60-62页 |
| ·桁架损伤模式识别结果 | 第62-64页 |
| ·基于 SVM 的徐葛大桥频域损伤模式识别 | 第64-70页 |
| ·徐葛大桥频域损伤指标的建立 | 第65页 |
| ·形成样本库 | 第65-66页 |
| ·徐葛大桥损伤识别结果 | 第66-70页 |
| ·基于 weka 的频域损伤模式识别方法比较实验 | 第70页 |
| ·本章小结 | 第70-72页 |
| 第五章 基于 SVM 模式识别方法的时域损伤识别 | 第72-81页 |
| ·本章概述 | 第72-73页 |
| ·桥梁损伤检测的动能能量比方法 | 第73页 |
| ·简支梁时域损伤识别模型 | 第73-74页 |
| ·基于 SVM 简支梁时域损伤模式识别结果 | 第74-76页 |
| ·损伤位置识别结果 | 第74-75页 |
| ·损伤程度识别结果 | 第75-76页 |
| ·徐葛大桥主梁时域损伤识别 | 第76-77页 |
| ·徐葛大桥拱塔时域损伤识别 | 第77-79页 |
| ·基于 weka 的时域损伤模式识别方法比较实验 | 第79页 |
| ·本章小结 | 第79-81页 |
| 第六章 基于神经网络的桥梁损伤模式识别 | 第81-99页 |
| ·本章概述 | 第81-82页 |
| ·基于 SOM 神经网络的损伤位置识别 | 第82-93页 |
| ·自组织神经网络（SOM） | 第82-84页 |
| ·基于 SOM 的频域损伤模式识别结果 | 第84-86页 |
| ·基于 SOM 的静力损伤模式识别结果 | 第86-88页 |
| ·基于 SOM 的时域损伤模式识别结果 | 第88-93页 |
| ·基于 RBF 神经网络的损伤程度识别 | 第93-96页 |
| ·RBF 神经网络 | 第93-94页 |
| ·基于 RBF 神经网络的损伤模式识别结果 | 第94-96页 |
| ·WEKA 中 SOM 聚类 | 第96-98页 |
| ·本章小结 | 第98-99页 |
| 第七章 基于聚类集成方法的桥梁频域损伤位置识别 | 第99-108页 |
| ·本章概述 | 第99-100页 |
| ·损伤位置识别的聚类集成方法 | 第100-102页 |
| ·基于 Co-occurrence 相似度的聚类集成 | 第100-101页 |
| ·基于矩阵变换的聚类集成优化模型及求解 | 第101-102页 |
| ·基于聚类集成的损伤位置模式识别结果 | 第102-105页 |
| ·基于 Co-occurrence 聚类集成静力加载模式识别结果 | 第103页 |
| ·基于 Co-occurrence 聚类集成桁架频域模式识别结果 | 第103页 |
| ·基于矩阵变换聚类集成的徐葛大桥频域模式识别结果 | 第103-104页 |
| ·基于矩阵变换聚类集成徐葛大桥主梁时域模式识别结果 | 第104-105页 |
| ·weka 损伤位置识别聚类模式识别方法比较 | 第105-106页 |
| ·本章小结 | 第106-108页 |
| 第八章 基于粗聚类模式识别的桥梁损伤位置识别 | 第108-115页 |
| ·本章概述 | 第108页 |
| ·损伤位置识别的粗糙聚类方法 | 第108-109页 |
| ·基于 RCM 桥梁损伤模式识别结果 | 第109-112页 |
| ·基于 FCM 的损伤模式识别 | 第112页 |
| ·基于 weka 的 K-means 聚类 | 第112-113页 |
| ·本章小结 | 第113-115页 |
| 第九章 结论与展望 | 第115-118页 |
| ·结论 | 第115-116页 |
| ·主要创新点 | 第116-117页 |
| ·展望 | 第117-118页 |
| 参考文献 | 第118-127页 |
| 攻读博士学位期间发表的论文与参与的科研项目 | 第127-128页 |
| 附录 A（ANSYS 模型部分命令流） | 第128-131页 |
| 附录 B（部分数据） | 第131-141页 |
| 附录 C（部分 MATLAB 程序） | 第141-150页 |
| 致谢 | 第150页 |
