| 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 选题背景与意义 | 第8-9页 |
| 1.2 桥梁结构健康监测国内外研究现状 | 第9-12页 |
| 1.3 时间序列分析技术在结构损伤识别应用现状 | 第12-15页 |
| 1.4 本文主要研究内容 | 第15-17页 |
| 2 基于时序符号化的桥梁结构状态分步识别方法 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 数据预处理 | 第17-19页 |
| 2.3 数据变换 | 第19-20页 |
| 2.4 基于时序符号化的桥梁结构损伤状态分步识别框架 | 第20-22页 |
| 2.4.1 基于时间序列分析传统桥梁结构损伤状态评估方法 | 第20页 |
| 2.4.2 基于时序符号化的桥梁结构损伤状态分步识别框架 | 第20-22页 |
| 2.5 小结 | 第22-23页 |
| 3 基于训练集优化的桥梁结构状态损伤预警 | 第23-30页 |
| 3.1 引言 | 第23页 |
| 3.2 训练集优化 | 第23-25页 |
| 3.2.1 K均值聚类方法 | 第23-24页 |
| 3.2.2 高斯混合聚类 | 第24-25页 |
| 3.3 ASCE Benchmark结构状态损伤预警实验 | 第25-29页 |
| 3.3.1 ASCE Benchmark数据集 | 第25-27页 |
| 3.3.2 基于聚类方法的训练集优化 | 第27-28页 |
| 3.3.3 基于训练集优化的结构状态损伤预警 | 第28-29页 |
| 3.4 小结 | 第29-30页 |
| 4 基于时间序列符号化的结构损伤状态识别 | 第30-42页 |
| 4.1 引言 | 第30页 |
| 4.2 基于时间序列符号化的结构损伤状态识别 | 第30-31页 |
| 4.3 符号化聚合近似方法 | 第31-34页 |
| 4.3.1 分段聚合近似方法 | 第31-32页 |
| 4.3.2 离散化 | 第32-33页 |
| 4.3.3 距离度量公式 | 第33-34页 |
| 4.3.4 符号聚合近似的特点分析 | 第34页 |
| 4.4 K最近邻分类方法 | 第34-35页 |
| 4.5 支持向量机 | 第35-39页 |
| 4.5.1 线性可分支持向量机 | 第36-37页 |
| 4.5.2 线性不可分支持向量机 | 第37-39页 |
| 4.6 ASCE Benchmark结构状态损伤程度识别实验 | 第39-41页 |
| 4.6.1 基于时间序列符号化的结构损伤状态识别 | 第40页 |
| 4.6.2 实验结果与分析 | 第40-41页 |
| 4.7 小结 | 第41-42页 |
| 5 基于实桥监测数据的结构状态分步识别实验 | 第42-48页 |
| 5.1 引言 | 第42页 |
| 5.2 SMC桥梁数据集 | 第42-43页 |
| 5.3 实验环境 | 第43页 |
| 5.4 基于时序符号化的桥梁结构损伤状态分步识别 | 第43-45页 |
| 5.5 实验结果与分析 | 第45-47页 |
| 5.5.1 SAX压缩数据的有效性 | 第45-46页 |
| 5.5.2 训练集优化的有效性 | 第46页 |
| 5.5.3 分步识别的有效性 | 第46-47页 |
| 5.6 小结 | 第47-48页 |
| 6 工作总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
