基于神经网络和遗传算法的无粘结部分预应力高强混凝土梁延性研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-15页 |
| ·预应力结构简介 | 第7-8页 |
| ·高强混凝土的简介 | 第8-9页 |
| ·神经网络和遗传算法 | 第9-10页 |
| ·无粘结部分预应力高强混凝土结构研究现状 | 第10-13页 |
| ·本课题研究的意义 | 第13-14页 |
| ·研究的内容 | 第14-15页 |
| 2 影响无粘结部分预应力混凝土梁延性因素 | 第15-21页 |
| ·无粘结部分预应力高强混凝土梁的裂缝形态 | 第15页 |
| ·荷载—挠度关系 | 第15-16页 |
| ·无粘结预应力筋的极限应力 | 第16页 |
| ·抗震性能指标 | 第16-18页 |
| ·能量耗散能力 | 第17页 |
| ·混凝土截面延性 | 第17-18页 |
| ·影响无粘结部分预应力混凝土梁因素 | 第18-21页 |
| ·预应力筋 | 第18页 |
| ·非预应力筋 | 第18-19页 |
| ·混凝土 | 第19页 |
| ·跨高比 | 第19页 |
| ·保护层厚度 | 第19页 |
| ·截面形状 | 第19-21页 |
| 3 神经网络 | 第21-27页 |
| ·神经网络的发展简史 | 第21-22页 |
| ·神经元数学模型 | 第22-23页 |
| ·学习规则 | 第23页 |
| ·神经网络模型 | 第23-25页 |
| ·BP 神经网络 | 第23页 |
| ·HOPFIELD 神经网络 | 第23-24页 |
| ·自组织竞争神经网络 | 第24页 |
| ·小波神经网络 | 第24-25页 |
| ·网络模型层数 | 第25页 |
| ·输入层、输出层和中间层 | 第25页 |
| ·网络的激发函数、权值和阀值 | 第25-26页 |
| ·神经网络的训练 | 第26-27页 |
| 4 遗传算法 | 第27-35页 |
| ·遗传算法的发展简史 | 第27-28页 |
| ·编码方法 | 第28-29页 |
| ·适应度函数 | 第29页 |
| ·遗传操作 | 第29-31页 |
| ·选择算子 | 第30页 |
| ·交叉算子 | 第30-31页 |
| ·变异算子 | 第31页 |
| ·遗传算法的运行参数 | 第31-35页 |
| ·群体设定 | 第32页 |
| ·编码长度 | 第32页 |
| ·交叉概率 | 第32页 |
| ·变异概率 | 第32-33页 |
| ·终止条件 | 第33-35页 |
| 5 BP 网络预测模型 | 第35-49页 |
| ·无粘结部分预应力高强混凝土梁的延性试验 | 第35-37页 |
| ·学习样本及检测样本 | 第37-38页 |
| ·BP 网络预测模型 | 第38-43页 |
| ·神经网络的结构 | 第38-39页 |
| ·其它网络参数 | 第39-41页 |
| ·学习算法 | 第41-43页 |
| ·网络的预测结果 | 第43-49页 |
| ·样本试件的预测结果 | 第43-44页 |
| ·各种影响因素的预测结果 | 第44-49页 |
| 6 遗传算法预测模型 | 第49-59页 |
| ·遗传算法在神经网络中的应用 | 第49-50页 |
| ·用遗传算法进化网络权位 | 第49页 |
| ·遗传算法进化网络结构 | 第49页 |
| ·混合算法 | 第49-50页 |
| ·模型样本 | 第50页 |
| ·建立遗传算法预测模型 | 第50-52页 |
| ·程序流程图 | 第50-51页 |
| ·算法的参数选择 | 第51页 |
| ·遗传算子的选择 | 第51-52页 |
| ·网络模型的训练 | 第52-59页 |
| ·训练结果 | 第52-54页 |
| ·遗传算法的收敛性 | 第54页 |
| ·预测结果 | 第54-59页 |
| 7 结论 | 第59-61页 |
| ·本文结论 | 第59-60页 |
| ·存在问题与展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 在校学习期间所发表的论文 | 第66-68页 |
| 附录 | 第68-73页 |
