| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 引言 | 第10-11页 |
| 1.2 结构损伤诊断技术概述 | 第11-14页 |
| 1.2.1 结构损伤检测的内容 | 第12页 |
| 1.2.2 结构损伤检测的方法 | 第12-14页 |
| 1.3 神经网络在结构损伤检测中的应用 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-17页 |
| 第2章 人工神经网络及BP 算法 | 第17-34页 |
| 2.1 人工神经网络简介 | 第17-20页 |
| 2.1.1 人工神经网络的概念 | 第17页 |
| 2.1.2 神经网络的特征与功能 | 第17-19页 |
| 2.1.3 神经网络技术的发展与现状~[28~33] | 第19-20页 |
| 2.2 人工神经网络构成 | 第20-25页 |
| 2.2.1 生物神经元结构 | 第20-21页 |
| 2.2.2 人工神经元 | 第21-22页 |
| 2.2.3 神经网络的拓扑结构 | 第22-24页 |
| 2.2.4 神经网络的运行过程 | 第24-25页 |
| 2.2.5 神经网络的学习规则 | 第25页 |
| 2.3 多层前馈神经网络及BP 算法 | 第25-33页 |
| 2.3.1 多层前馈神经网络的结构 | 第26-27页 |
| 2.3.2 BP 网络的数学描述 | 第27-29页 |
| 2.3.3 BP 算法的程序实现 | 第29-30页 |
| 2.3.4 BP 网络存在的问题以及改进 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 用于结构损伤识别的BP 网络构造 | 第34-45页 |
| 3.1 神经网络应用于结构损伤识别的基本原理 | 第34页 |
| 3.2 BP 网络设计 | 第34-38页 |
| 3.2.1 网络的拓扑结构 | 第34-35页 |
| 3.2.2 数据处理 | 第35-37页 |
| 3.2.3 输入参数选取 | 第37页 |
| 3.2.4 输出结果及表示方式 | 第37-38页 |
| 3.3 用于简支梁桥损伤检测的BP 网络建模 | 第38-43页 |
| 3.3.1 桥梁基本模型 | 第38页 |
| 3.3.2 样本数据 | 第38-43页 |
| 3.3.3 网络结构 | 第43页 |
| 3.3.4 BP 网络检测结果 | 第43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 基于权值阈值同步学习的BP 算法 | 第45-51页 |
| 4.1 改进算法的基本思想 | 第45-46页 |
| 4.2 权值、阈值同步学习的BP 算法 | 第46-47页 |
| 4.3 权值、阈值同步学习的BP 算法流程图 | 第47-48页 |
| 4.4 数值仿真验算 | 第48-50页 |
| 4.4.1 模型概况 | 第48页 |
| 4.4.2 试验结果 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 改进BP 网络的性能研究 | 第51-64页 |
| 5.1 网络结构对损伤识别效果的影响 | 第51-55页 |
| 5.1.1 输入特征参数及处理方式的影响 | 第51-54页 |
| 5.1.2 隐层神经元数量的影响 | 第54-55页 |
| 5.2 算法参数对损伤识别效果的影响 | 第55-61页 |
| 5.2.1 学习率与动量项系数的影响 | 第55-60页 |
| 5.2.2 作用函数陡度因子的影响 | 第60-61页 |
| 5.3 本章小结 | 第61-64页 |
| 第6章 神经网络在实桥模型损伤检测中的应用 | 第64-76页 |
| 6.1 实桥概况 | 第64页 |
| 6.2 计算模型 | 第64-66页 |
| 6.3 计算分析 | 第66-69页 |
| 6.3.1 完整结构模态分析 | 第66-68页 |
| 6.3.2 损伤模式及分析 | 第68-69页 |
| 6.4 传统BP 神经网络检测 | 第69-73页 |
| 6.4.1 BP 网络结构设计 | 第69-70页 |
| 6.4.2 样本数据的选取与处理 | 第70-71页 |
| 6.4.3 BP 算法参数选取 | 第71页 |
| 6.4.4 网络检测结果 | 第71-73页 |
| 6.5 基于权值阈值同步学习BP 网络检测 | 第73-75页 |
| 6.6 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82-84页 |
| 致谢 | 第84页 |