| 摘要 | 第1-3页 |
| Abstract | 第3-6页 |
| 第一章 绪论 | 第6-14页 |
| 1．1 课题的研究背景和意义 | 第6-9页 |
| 1．2 人工神经网络在结构振动控制中的应用 | 第9-12页 |
| 1．2．1 结构控制常用的神经网络模型 | 第9-10页 |
| 1．2．2 人工神经网络在结构振动控制中的应用 | 第10-12页 |
| 1．3 本文研究的内容 | 第12-14页 |
| 1．3．1 课题的来源 | 第12页 |
| 1．3．2 本文的主要研究内容 | 第12-14页 |
| 第二章 人工神经网络概论 | 第14-27页 |
| 2．1 人工神经网络 | 第14-21页 |
| 2．1．1 人工神经网络的发展 | 第14-15页 |
| 2．1．2 人工神经元模型 | 第15-16页 |
| 2．1．3 人工神经网络的结构 | 第16-18页 |
| 2．1．4 人工神经网络的学习 | 第18-20页 |
| 2．1．5 人工神经网络的优缺点 | 第20-21页 |
| 2．2 BP神经网络 | 第21-22页 |
| 2．2．1 BP神经网络概述 | 第21-22页 |
| 2．2．2 BP网络局限性 | 第22页 |
| 2．3 RBF神经网络 | 第22-27页 |
| 2．3．1 RBF神经网络概述 | 第22-23页 |
| 2．3．2 RBF神经网络的构成 | 第23-24页 |
| 2．3．3 RBF神经网络的算法 | 第24-27页 |
| 第三章 序列最优控制算法 | 第27-36页 |
| 3．1 受控结构的状态空间描述 | 第27-28页 |
| 3．2 经典最优控制算法 | 第28-30页 |
| 3．2．1 最优控制理论的一般表达式 | 第28-29页 |
| 3．2．2 经典最优控制算法 | 第29-30页 |
| 3．2．3 经典最优控制算法的优点和不足之处 | 第30页 |
| 3．3 瞬时最优控制算法 | 第30-31页 |
| 3．3．1 瞬时最优控制算法简介 | 第30-31页 |
| 3．3．2 瞬时最优控制算法的优点和不足之处 | 第31页 |
| 3．4 序列最优控制算法 | 第31-36页 |
| 3．4．1 序列最优控制算法的提出 | 第31-33页 |
| 3．4．2 序列最优控制算法的实现 | 第33-34页 |
| 3．4．3 序列最优控制算法最优控制力系数 | 第34-36页 |
| 第四章 基于BP网络和RBF网络的结构响应预测效果比较 | 第36-47页 |
| 4．1 概述 | 第36页 |
| 4．2 基于神经网络的结构动力响应预测 | 第36-39页 |
| 4．2．1 神经网络的预测步骤 | 第36-37页 |
| 4．2．2 神经网络预测的样本数据的选取原则及其处理方法 | 第37-38页 |
| 4．2．3 神经网络模型及参数的确定 | 第38-39页 |
| 4．3 基于BP网络和RBF网络的结构响应预测效果比较 | 第39-45页 |
| 4．4 结论 | 第45-47页 |
| 第五章 基于RBF神经网络的结构智能控制研究 | 第47-58页 |
| 5．1 概述 | 第47页 |
| 5．2 基于RBF神经网络的结构动力响应预测 | 第47-55页 |
| 5．2．1 对结构位移响应的预测 | 第48-53页 |
| 5．2．2 对结构加速度响应的预测 | 第53-55页 |
| 5．3 基于RBF神经网络的结构所需控制力预测 | 第55-57页 |
| 5．4 结论 | 第57-58页 |
| 总结和展望 | 第58-60页 |
| 1．本文研究工作的主要认识 | 第58页 |
| 2．有待进一步研究的问题 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 发表论文 | 第64页 |
