基于机器学习的框架结构地震易损性分析方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 研究背景、意义及目标 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.1.3 研究目标 | 第13页 |
| 1.2 地震易损性分析方法的研究现状 | 第13-19页 |
| 1.2.1 基于经验的地震易损性分析方法 | 第13-15页 |
| 1.2.2 半经验半计算的地震易损性分析方法 | 第15-16页 |
| 1.2.3 基于计算分析的地震易损性分析方法 | 第16-19页 |
| 1.3 基于机器学习的地震易损性分析方法 | 第19-20页 |
| 1.4 论文主要内容 | 第20-21页 |
| 1.5 本文的创新点 | 第21-23页 |
| 第2章 机器学习理论基础 | 第23-30页 |
| 2.1 机器学习 | 第23-25页 |
| 2.1.1 机器学习概述 | 第23-24页 |
| 2.1.2 机器学习类别 | 第24-25页 |
| 2.1.3 机器学习模型 | 第25页 |
| 2.2 分类算法 | 第25-29页 |
| 2.2.1 决策树算法 | 第26-27页 |
| 2.2.2 支持向量机算法 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 机器学习系统设计 | 第30-38页 |
| 3.1 数据准备 | 第30-35页 |
| 3.1.1 结构模型 | 第30-31页 |
| 3.1.2 能力谱法简介 | 第31-34页 |
| 3.1.3 震害样本库 | 第34-35页 |
| 3.2 机器学习算法的选择 | 第35-36页 |
| 3.3 地震易损性分析模型 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于决策树的地震易损性分析方法 | 第38-53页 |
| 4.1 数据预处理 | 第38-39页 |
| 4.2 易损性分析模型 | 第39-40页 |
| 4.3 结果与分析 | 第40-49页 |
| 4.3.1 决策树易损性模型的预测性能 | 第40-43页 |
| 4.3.2 训练样本数量对预测性能的影响 | 第43-45页 |
| 4.3.3 训练样本代表性对预测性能的影响 | 第45-46页 |
| 4.3.4 训练样本类别平衡对预测性能的影响 | 第46-49页 |
| 4.4 讨论 | 第49-51页 |
| 4.4.1 不同层数结构准确率差异的原因 | 第49-51页 |
| 4.4.2 结构特征的选取问题 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 基于SVM的地震易损性分析方法 | 第53-62页 |
| 5.1 数据准备 | 第53页 |
| 5.2 方法概述 | 第53-54页 |
| 5.3 结果与分析 | 第54-56页 |
| 5.3.1 核函数的选择 | 第54-55页 |
| 5.3.2 易损性预测性能 | 第55-56页 |
| 5.4 与决策树模型的结果对比 | 第56-61页 |
| 5.4.1 不同训练样本数下的结果对比 | 第56-58页 |
| 5.4.2 降低训练样本代表性后的结果对比 | 第58-59页 |
| 5.4.3 不同训练样本类别平衡下的结果对比 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 主要工作和结论 | 第62-63页 |
| 6.2 进一步工作与展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69-83页 |
| 静力推覆分析OpenSees程序 | 第69-74页 |
| 能力谱法求解性能点Matlab程序 | 第74-83页 |
| 作者简历及在学校期间所取得的科研成果 | 第83页 |
| 作者简历 | 第83页 |
| 论文发表或录用情况 | 第83页 |
