| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-21页 |
| ·结构健康监测与损伤诊断的意义 | 第10-11页 |
| ·结构损伤诊断的研究现状与支持向量机损伤诊断方法 | 第11-19页 |
| ·结构损伤诊断的研究内容及发展概述 | 第11-13页 |
| ·损伤诊断的研究现状及存在的问题 | 第13-18页 |
| ·支持向量机结构损伤诊断方法 | 第18-19页 |
| ·课题的来源、研究内容及主要工作安排 | 第19-21页 |
| 第二章 小波及小波包分析 | 第21-42页 |
| ·引言 | 第21页 |
| ·小波变换 | 第21-29页 |
| ·连续小波变化 | 第22页 |
| ·离散小波变化 | 第22-23页 |
| ·多分辨分析及其工程意义 | 第23-25页 |
| ·Mallat算法 | 第25-27页 |
| ·正交小波 | 第27-29页 |
| ·小波包基本概念 | 第29-31页 |
| ·小波包分解频带能量 | 第31-32页 |
| ·仿真实例 | 第32-36页 |
| ·结构损伤的小波包分解频带能量监测 | 第36-41页 |
| ·ASCE结构模型 | 第36-38页 |
| ·结构小波包分解频带能量 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 基于小波包特征提取的支持向量机结构损伤诊断方法 | 第42-67页 |
| ·引言 | 第42-43页 |
| ·机器学习的基本问题 | 第43-45页 |
| ·机器学习问题的表示 | 第43页 |
| ·经验风险最小化原则 | 第43-44页 |
| ·学习机器复杂性与推广能力 | 第44-45页 |
| ·传统学习方法的不足 | 第45-46页 |
| ·统计学习理论的基本概念 | 第46-49页 |
| ·边界理论与VC维 | 第46-47页 |
| ·两类学习机器的推广误差边界 | 第47-48页 |
| ·结构风险最小化 | 第48-49页 |
| ·支持向量机二分类算法模型 | 第49-57页 |
| ·线性可分情况 | 第50-51页 |
| ·线性不可分情况 | 第51-52页 |
| ·非线性可分情况 | 第52-54页 |
| ·核函数 | 第54页 |
| ·支持向量机二分类与核函数的关系 | 第54-57页 |
| ·支持向量机的多分类算法模型 | 第57-60页 |
| ·多分类问题概述 | 第57-58页 |
| ·1-v-r SVM多分类算法 | 第58页 |
| ·1-v-1 SVM多分类算法 | 第58-60页 |
| ·DAG-SVM多分类算法 | 第60页 |
| ·结构的损伤诊断 | 第60-65页 |
| ·ASCE模型损伤诊断 | 第60-62页 |
| ·工程应用 | 第62-65页 |
| ·本章小结 | 第65-67页 |
| 第四章 基于支持向量数据描述的结构健康监测方法研究 | 第67-80页 |
| ·引言 | 第67页 |
| ·单分类的特点 | 第67-68页 |
| ·单分类方法概述 | 第68-70页 |
| ·密度估计法 | 第68-69页 |
| ·边界法 | 第69-70页 |
| ·重构法 | 第70页 |
| ·支持向量数据描述算法 | 第70-72页 |
| ·具有非目标样本的支持向量数据描述 | 第72-75页 |
| ·SVDD仿真实例 | 第75-76页 |
| ·SVDD在结构健康监测中的应用 | 第76-78页 |
| ·工程结构振动信号分析 | 第78-79页 |
| ·本章小结 | 第79-80页 |
| 第五章 结论与展望 | 第80-82页 |
| 参考文献 | 第82-90页 |
| 攻读硕士学位期间发表的论文和参加的科研项目 | 第90-91页 |
| 致谢 | 第91页 |