| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 峰值法 | 第11页 |
| 1.2.2 频域分解法 | 第11页 |
| 1.2.3 ITD法 | 第11-12页 |
| 1.2.4 复指数法 | 第12页 |
| 1.2.5 特征系统实现法 | 第12-13页 |
| 1.2.6 自然激励技术法（NEXT法） | 第13页 |
| 1.2.7 随机减量法 | 第13-14页 |
| 1.3 盲源分离技术在模态识别中的应用背景 | 第14-17页 |
| 1.3.1 盲源分离技术及其发展 | 第14-15页 |
| 1.3.2 盲源分离技术的应用 | 第15-17页 |
| 1.4 课题主要工作及论文安排 | 第17-19页 |
| 2 盲源分离技术基本理论 | 第19-30页 |
| 2.1 盲源分离技术简介 | 第19-22页 |
| 2.1.1 盲源分离问题描述 | 第19-21页 |
| 2.1.2 盲源分离问题的基本假设和不确定性 | 第21页 |
| 2.1.3 盲源分离信号的预处理 | 第21-22页 |
| 2.2 独立分量分析（ICA算法） | 第22-26页 |
| 2.2.1 ICA独立性判据 | 第22-24页 |
| 2.2.2 基于负熵的FASTICA算法 | 第24-26页 |
| 2.3 基于最大信噪比的盲源分离算法（SNRMAX算法） | 第26-27页 |
| 2.4 联合对角化——稳健的二阶盲辨识（SOBI）算法 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于盲源分离技术的模态参数识别方法 | 第30-45页 |
| 3.1 系统响应模型与盲源分离模型 | 第30-31页 |
| 3.2 基于HILBERT变换的单模态识别技术基本原理 | 第31-33页 |
| 3.2.1 HILBERT-HUANG变换和瞬时频率 | 第31-32页 |
| 3.2.2 单自由度结构体系模态参数识别 | 第32-33页 |
| 3.3 基于盲源分离的模态参数识别总结 | 第33-34页 |
| 3.4 数值仿真算例分析 | 第34-44页 |
| 3.4.1 基于FASTICA算法的模态参数识别 | 第35-38页 |
| 3.4.2 基于SNRMAX算法的模态参数识别 | 第38-41页 |
| 3.4.3 基于SOBI算法的模态参数识别 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 基于盲源分离技术的模态参数识别方法的应用研究 | 第45-61页 |
| 4.1 盲源分离算法对噪声的鲁棒性 | 第45-56页 |
| 4.1.1 噪声及鲁棒性简介 | 第45-48页 |
| 4.1.2 基于FASTICA算法对噪声的鲁棒性 | 第48-51页 |
| 4.1.3 基于SNRMAX算法对噪声的鲁棒性 | 第51-53页 |
| 4.1.4 基于SOBI算法对噪声的鲁棒性 | 第53-56页 |
| 4.2 三层框架结构实验研究应用 | 第56-60页 |
| 4.2.1 基于FASTICA算法的模态参数识别的实验研究 | 第57-58页 |
| 4.2.2 基于SNRMAX算法的模态参数识别的实验研究 | 第58-59页 |
| 4.2.3 基于SOBI算法的模态参数识别的实验研究 | 第59-60页 |
| 4.3 本章小结 | 第60-61页 |
| 5 结论与展望 | 第61-64页 |
| 5.1 全文回顾 | 第61-62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 个人简历 | 第70页 |
