基于改进神经网络算法的斜拉桥参数识别研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·引言 | 第11页 |
| ·斜拉桥概述 | 第11-14页 |
| ·斜拉桥的发展 | 第11-13页 |
| ·多塔斜拉桥的发展 | 第13-14页 |
| ·斜拉桥施工控制概述 | 第14-15页 |
| ·斜拉桥施工控制方法发展历程 | 第14-15页 |
| ·斜拉桥施工控制的必要性 | 第15页 |
| ·施工控制中的结构参数识别 | 第15页 |
| ·亟需解决的问题及本文主要研究内容 | 第15-17页 |
| 第2章 斜拉桥施工控制中的参数识别方法 | 第17-32页 |
| ·概述 | 第17页 |
| ·最小二乘法 | 第17-18页 |
| ·卡尔曼滤波法 | 第18-21页 |
| ·卡尔曼滤波法参数识别原理 | 第18-20页 |
| ·卡尔曼滤波法的发展现状 | 第20-21页 |
| ·灰色系统理论概述 | 第21-24页 |
| ·灰色系统理论基础 | 第21-22页 |
| ·数据累加和累减 | 第22页 |
| ·灰色建模理论 | 第22-24页 |
| ·人工神经网络方法 | 第24-30页 |
| ·神经元模型 | 第25-29页 |
| ·神经网络结构和模型 | 第29-30页 |
| ·神经网络学习规则 | 第30页 |
| ·识别方法的比较 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 传统BP神经网络 | 第32-49页 |
| ·BP神经网络及其模型 | 第32-33页 |
| ·BP神经网络概述 | 第32页 |
| ·BP神经网络模型 | 第32-33页 |
| ·BP神经网络基本算法及MATLAB语言实现 | 第33-38页 |
| ·BP算法的基本原理 | 第33-36页 |
| ·BP算法实现的基本步骤 | 第36-37页 |
| ·BP算法的MATLAB语言实现 | 第37-38页 |
| ·BP神经网络的仿真识别 | 第38-48页 |
| ·网络识别关键参数的选取 | 第38-41页 |
| ·样本库的建立 | 第41-43页 |
| ·识别结果及分析 | 第43-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 两种改进的神经网络算法 | 第49-70页 |
| ·灰色神经网络 | 第49-58页 |
| ·灰色系统与神经网络各自特点 | 第49-50页 |
| ·灰色系统与神经网络的融合方式 | 第50-51页 |
| ·灰色神经网络模型GNNM(1,1)的建立 | 第51-52页 |
| ·灰色神经网络模型GNNM(1,1)的学习算法 | 第52-54页 |
| ·灰色神经网络仿真识别 | 第54-56页 |
| ·与BP神经网络识别结果比较 | 第56-58页 |
| ·基于遗传算法的BP神经网络 | 第58-67页 |
| ·遗传算法概述 | 第58-59页 |
| ·遗传算法流程 | 第59-60页 |
| ·遗传算法和BP神经网络相结合 | 第60-62页 |
| ·基于遗传算法的BP神经网络优化算法仿真识别 | 第62-65页 |
| ·与BP神经网络识别结果比较 | 第65-67页 |
| ·两种优化神经网络识别结果比较 | 第67-68页 |
| ·本章小结 | 第68-70页 |
| 第5章 神经网络参数识别方法的工程实践 | 第70-79页 |
| ·嘉绍大桥施工监控内容和特点 | 第70-72页 |
| ·工程概况 | 第70-71页 |
| ·嘉绍大桥施工监控的特点 | 第71-72页 |
| ·优化BP网络在嘉绍大桥中的应用 | 第72-78页 |
| ·网络建立和数据处理 | 第72-74页 |
| ·识别结果及结果分析 | 第74-78页 |
| ·本章小结 | 第78-79页 |
| 总结与展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间参与的科研项目 | 第86页 |
