基于时序数据分析的桥梁结构健康状态识别
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 引言 | 第8页 |
| 1.2 研究背景及意义 | 第8-10页 |
| 1.3 研究现状 | 第10-15页 |
| 1.3.1 桥梁健康监测系统的发展现状 | 第10-11页 |
| 1.3.2 桥梁结构健康状态评估方法研究现状 | 第11-15页 |
| 1.4 论文组织架构 | 第15-17页 |
| 2 研究基础介绍 | 第17-29页 |
| 2.1 时间序列相似度算法基础 | 第17-21页 |
| 2.1.1 欧几里得距离 | 第17-18页 |
| 2.1.2 动态时间规整 | 第18-21页 |
| 2.2 状态识别算法基础 | 第21页 |
| 2.2.1 K近邻分类方法 | 第21页 |
| 2.3 循环神经网络理论基础 | 第21-27页 |
| 2.3.1 多层前馈神经网络 | 第21-23页 |
| 2.3.2 循环神经网络 | 第23-27页 |
| 2.4 分类结果评估 | 第27-28页 |
| 2.4.1 召回率(Recall) | 第27-28页 |
| 2.4.2 准确率(Precision) | 第28页 |
| 2.4.3 F-测量(F-Measure) | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于动态时间规整的桥梁结构健康状态识别方法 | 第29-42页 |
| 3.1 引言 | 第29页 |
| 3.2 数据定义及问题描述 | 第29-30页 |
| 3.2.1 数据定义 | 第29-30页 |
| 3.2.2 问题描述 | 第30页 |
| 3.3 算法介绍 | 第30-35页 |
| 3.3.1 数据预处理 | 第30-32页 |
| 3.3.2 标准化 | 第32页 |
| 3.3.3 改进后的动态时间规整算法 | 第32-35页 |
| 3.3.4 桥梁结构健康状态识别 | 第35页 |
| 3.4 实验仿真 | 第35-41页 |
| 3.4.1 数据集介绍 | 第35-38页 |
| 3.4.2 实验过程 | 第38页 |
| 3.4.3 模型评估 | 第38页 |
| 3.4.4 实验结果 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 基于循环神经网络的桥梁结构健康状态识别方法 | 第42-57页 |
| 4.1 引言 | 第42页 |
| 4.2 数据描述及问题定义 | 第42-44页 |
| 4.2.1 数据描述 | 第42-43页 |
| 4.2.2 问题定义 | 第43-44页 |
| 4.3 算法介绍 | 第44-50页 |
| 4.3.1 桥梁结构响应数据向量模型 | 第45页 |
| 4.3.2 LSTM神经网络结构 | 第45-48页 |
| 4.3.3 LSTM神经网络的参数学习 | 第48-50页 |
| 4.4 实验仿真 | 第50-55页 |
| 4.4.1 数据集介绍 | 第50页 |
| 4.4.2 模型评估 | 第50-51页 |
| 4.4.3 实验结果 | 第51-55页 |
| 4.5 本章小结 | 第55-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
