摘要 | 第1-5页 |
Abstract | 第5-10页 |
第一章 绪论 | 第10-23页 |
·智能材料结构的概念 | 第10-11页 |
·智能结构的研究概况 | 第11-12页 |
·智能结构的基本组成 | 第12-14页 |
·智能结构传感元件 | 第13页 |
·智能结构驱动元件 | 第13页 |
·智能结构控制系统 | 第13-14页 |
·关于智能复合材料结构 | 第14-17页 |
·智能复合材料结构的产生与发展 | 第14-15页 |
·智能复合材料结构的特点 | 第15-17页 |
·智能结构损伤检测方法与技术 | 第17-19页 |
·结构损伤检测及其方法概述 | 第17页 |
·智能损伤检测技术 | 第17-19页 |
·智能结构传感器的优化配置 | 第19-21页 |
·传感器优化配置的意义 | 第19-20页 |
·传感器优化配置的方法 | 第20-21页 |
·基于损伤检测的传感器优化配置 | 第21页 |
·论文研究任务 | 第21-23页 |
第二章 压电智能复合材料层板冲击压电响应分析 | 第23-38页 |
·引言 | 第23-24页 |
·压电复合材料层板力学模型 | 第24-30页 |
·几何方程 | 第24-26页 |
·物理方程 | 第26-27页 |
·运动方程 | 第27-30页 |
·压电响应方程 | 第30-32页 |
·机电耦合方程 | 第30-31页 |
·传感器方程 | 第31-32页 |
·冲击压电响应有限元数值仿真 | 第32-37页 |
·仿真实例描述 | 第33-34页 |
·有限元数值建模 | 第34-35页 |
·有限元仿真结果 | 第35-37页 |
·本章小结 | 第37-38页 |
第三章 支持向量机及其在智能结构损伤检测中的应用 | 第38-58页 |
·引言 | 第38-39页 |
·机器学习的基本问题 | 第39-41页 |
·问题的表示 | 第39-40页 |
·经验风险最小化原则 | 第40页 |
·复杂性与推广能力 | 第40-41页 |
·统计学习理论 | 第41-43页 |
·VC维 | 第41页 |
·推广性的界 | 第41-42页 |
·结构风险最小化原则 | 第42-43页 |
·支持向量机 | 第43-51页 |
·最优超平面 | 第43-46页 |
·支持向量机 | 第46-47页 |
·核函数 | 第47-48页 |
·支持向量机的不同形式 | 第48-51页 |
·最小二乘支持向量机回归原理 | 第51-52页 |
·基于最小二乘支持向量机的智能结构损伤检测 | 第52-57页 |
·问题的描述 | 第52-54页 |
·LS-SVM调整参数的优化及其检测结果 | 第54-55页 |
·LS-SVM与BP网络的比较 | 第55-57页 |
·本章小结 | 第57-58页 |
第四章 智能结构损伤检测传感器优化配置的遗传神经网络方法 | 第58-89页 |
·引言 | 第58页 |
·遗传算法 | 第58-67页 |
·遗传算法的基本思想 | 第59-60页 |
·遗传算法的特点 | 第60-61页 |
·遗传算法的数学基础 | 第61-64页 |
·遗传算法的实现技术 | 第64-67页 |
·基于损伤检测的传感器优化配置的遗传神经网络方法 | 第67-79页 |
·遗传神经网络方法的提出 | 第67-68页 |
·遗传神经网络方法的实现 | 第68-75页 |
·遗传神经网络方法的可行性分析 | 第75-79页 |
·遗传神经网络方法的试验分析 | 第79-88页 |
·损伤主动监测系统 | 第79-80页 |
·层板压电响应信号的PSM特征提取 | 第80-86页 |
·遗传神经网络方法的实施与分析 | 第86-88页 |
·本章小结 | 第88-89页 |
第五章 机翼盒段试验件压电传感器的优化配置 | 第89-102页 |
·引言 | 第89页 |
·机翼盒段试验件描述 | 第89-92页 |
·试验件冲击压电响应数值仿真 | 第92-97页 |
·基于遗传神经网络的试验件传感器的优化配置 | 第97-101页 |
·本章小结 | 第101-102页 |
第六章 总结与展望 | 第102-106页 |
·总结 | 第102-104页 |
·展望 | 第104-106页 |
参考文献 | 第106-118页 |
致谢 | 第118-119页 |
攻读博士学位期间发表的论文 | 第119页 |