| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题背景及研究的目的和意义 | 第8-12页 |
| 1.1.1 大跨度桥梁的风致振动 | 第8-9页 |
| 1.1.2 盲源分离在结构健康监测中的应用 | 第9-11页 |
| 1.1.3 深度学习在结构健康监测中的应用 | 第11-12页 |
| 1.2 本文的研究方法及内容 | 第12-13页 |
| 第2章 基于独立成分分析的桥梁风致/车致振动信号分离方法 | 第13-25页 |
| 2.1 独立成分分析的数学原理 | 第13-16页 |
| 2.1.1 FastICA算法的数学原理 | 第15-16页 |
| 2.2 独立成分分析对于桥梁振动信号的适用性 | 第16-20页 |
| 2.2.1 独立性 | 第16-17页 |
| 2.2.2 概率分布 | 第17-20页 |
| 2.3 独立子空间分析的基本思想 | 第20-21页 |
| 2.3.1 独立成分之间的相似度衡量 | 第20-21页 |
| 2.3.2 NCut聚类的基本思想 | 第21页 |
| 2.4 桥梁振动信号的盲源分离算法流程设计 | 第21-24页 |
| 2.4.1 带通滤波 | 第22-23页 |
| 2.4.2 加窗 | 第23页 |
| 2.4.3 降噪 | 第23-24页 |
| 2.4.4 独立成分分析 | 第24页 |
| 2.4.5 聚类 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于深度神经网络的风致/车致振动识别与评价方法 | 第25-38页 |
| 3.1 神经网络模型的基本思想 | 第25-28页 |
| 3.2 分类模型的数学原理 | 第28-30页 |
| 3.2.1 Logistic回归 | 第28-29页 |
| 3.2.2 Softmax回归 | 第29-30页 |
| 3.3 深度神经网络模型的构建原理 | 第30-33页 |
| 3.3.1 自编码算法 | 第31-32页 |
| 3.3.2 栈式自编码算法 | 第32-33页 |
| 3.4 适用于风/车振动识别的深度神经网络构建 | 第33-37页 |
| 3.4.1 训练集样本 | 第34页 |
| 3.4.2 栈式自编码神经网络的逐层贪婪训练 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 苏通大桥振动响应全过程分析与算法验证 | 第38-63页 |
| 4.1 苏通大桥概况 | 第38-42页 |
| 4.1.1 地理与结构信息 | 第38-40页 |
| 4.1.2 结构健康监测系统概况 | 第40-42页 |
| 4.2 算法流程全过程分析与评价 | 第42-61页 |
| 4.2.1 样本选取及特性分析 | 第43-47页 |
| 4.2.2 带通滤波器组滤波 | 第47-52页 |
| 4.2.3 信号去噪 | 第52页 |
| 4.2.4 FastICA盲源分离 | 第52-53页 |
| 4.2.5 NCut聚类创建独立子空间 | 第53-57页 |
| 4.2.6 风致/车致振动的识别与分类 | 第57-61页 |
| 4.3 本章小结 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69页 |