基于模态分析和神经网络技术的框架结构损伤识别研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-21页 |
| ·引言 | 第9页 |
| ·结构健康监测技术 | 第9-14页 |
| ·监测模块 | 第10-11页 |
| ·识别模块 | 第11-12页 |
| ·评估模块 | 第12页 |
| ·结构健康监测系统的应用现状 | 第12-14页 |
| ·智能信息处理技术 | 第14-18页 |
| ·动力指纹法 | 第14-15页 |
| ·模型修正法 | 第15-16页 |
| ·神经网络法 | 第16-17页 |
| ·遗传算法 | 第17-18页 |
| ·小波变换法 | 第18页 |
| ·存在问题及本文主要创新工作 | 第18-21页 |
| ·神经网络方法用于结构损伤识别存在的问题 | 第19页 |
| ·本文主要创新工作 | 第19-21页 |
| 2 结构动力损伤识别基本理论 | 第21-31页 |
| ·前言 | 第21页 |
| ·结构动力损伤识别方法 | 第21-31页 |
| ·基于频率损伤识别指标 | 第22-25页 |
| ·基于振型模态的损伤识别指标 | 第25-27页 |
| ·其他指标 | 第27-31页 |
| 3 基于神经网络方法的框架结构损伤识别理论 | 第31-45页 |
| ·人工神经网络概述 | 第31-34页 |
| ·生物神经元模型 | 第31页 |
| ·人工神经元模型 | 第31-32页 |
| ·人工神经网络的工作机理 | 第32-33页 |
| ·人工神经网络的特点 | 第33-34页 |
| ·人工神经网络的分类 | 第34页 |
| ·人工神经网络的 MATLAB 实现 | 第34页 |
| ·BP 网络 | 第34-38页 |
| ·BP 算法 | 第34-35页 |
| ·BP 网络的构建方法 | 第35-36页 |
| ·BP 网络设计参数 | 第36-38页 |
| ·径向基函数网络 | 第38-41页 |
| ·RBF 网络工作特性 | 第38-39页 |
| ·RBF 网络的创建 | 第39-41页 |
| ·神经网络样本数据的处理 | 第41-43页 |
| ·样本归一化 | 第41-42页 |
| ·含噪声样本公式 | 第42-43页 |
| ·神经网络方法应用于结构损伤识别的优势 | 第43-45页 |
| 4 框架结构损伤识别系统 | 第45-77页 |
| ·损伤诊断系统 | 第45-49页 |
| ·损伤预警系统的实现 | 第49-51页 |
| ·损伤预警系统实现途径 | 第49页 |
| ·损伤预警指标选取 | 第49-51页 |
| ·损伤识别系统的实现 | 第51-58页 |
| ·损伤识别系统实现途径 | 第51页 |
| ·损伤识别指标选取 | 第51-58页 |
| ·小结 | 第58页 |
| ·测点位置对损伤识别精度的影响 | 第58-62页 |
| ·损伤识别系统的网络选择 | 第62-71页 |
| ·BP 网络识别 | 第62-67页 |
| ·RBF 网络识别 | 第67-71页 |
| ·小结 | 第71页 |
| ·网络抗噪性能优化 | 第71-77页 |
| ·无抗噪优化训练网络的性能 | 第71-73页 |
| ·网络的抗噪优化训练 | 第73-77页 |
| 5 框架结构损伤识别系统应用 | 第77-85页 |
| ·算例介绍 | 第77页 |
| ·单损伤网络建立与测试 | 第77-81页 |
| ·双损伤网络建立与测试 | 第81-84页 |
| ·小结 | 第84-85页 |
| 6 结论与展望 | 第85-87页 |
| ·结论 | 第85-86页 |
| ·展望 | 第86-87页 |
| 致谢 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 附录 | 第93页 |
