| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 结构损伤识别技术 | 第12-19页 |
| 1.2.1 基于结构动力学的结构损伤识别技术 | 第12-14页 |
| 1.2.2 基于现代信息处理的结构损伤识别技术 | 第14-15页 |
| 1.2.3 基于模式识别的结构损伤识别技术 | 第15-17页 |
| 1.2.4 基于信息融合的结构损伤识别技术 | 第17-19页 |
| 1.3 本论文主要工作 | 第19-21页 |
| 1.3.1 主要研究工作 | 第19页 |
| 1.3.2 论文内容安排 | 第19-21页 |
| 第2章 基于单传感器信息的结构损伤识别方法 | 第21-47页 |
| 2.1 Benchmark模型概述 | 第21-24页 |
| 2.2 基于小波变换的信号特征提取分析 | 第24-34页 |
| 2.2.1 小波变换理论 | 第24-26页 |
| 2.2.2 小波包分析理论 | 第26-28页 |
| 2.2.3 基于小波包节点能量的特征处理方法 | 第28-30页 |
| 2.2.4 实验及分析 | 第30-34页 |
| 2.3 基于单传感器和支持向量机的结构损伤识别方法 | 第34-44页 |
| 2.3.1 支持向量机 | 第34-39页 |
| 2.3.2 基于小波包理论的结构损伤特征提取 | 第39-42页 |
| 2.3.3 实验及分析 | 第42-44页 |
| 2.4 本章小结 | 第44-47页 |
| 第3章 基于多传感器信息融合的结构损伤识别方法 | 第47-67页 |
| 3.1 基于数据层的结构振动信号融合 | 第47-54页 |
| 3.1.1 互相关函数 | 第47-48页 |
| 3.1.2 基于数据层融合的结构损伤分类算法 | 第48-49页 |
| 3.1.3 基于互相关函数和SVM的结构损伤分类实验 | 第49-54页 |
| 3.2 基于特征层的结构振动信号融合 | 第54-63页 |
| 3.2.1 基于特征层融合的结构损伤分类算法 | 第54-55页 |
| 3.2.2 基于特征融合和SVM的结构损伤分类实验 | 第55-58页 |
| 3.2.3 基于随机森林的特征评估选择方法 | 第58-60页 |
| 3.2.4 基于随机森林特征评估选择和SVM的结构损伤分类实验 | 第60-63页 |
| 3.3 多传感器信息融合实验及对比分析 | 第63-65页 |
| 3.4 本章小结 | 第65-67页 |
| 第4章 基于XGBoost的结构损伤识别方法 | 第67-81页 |
| 4.1 XGBoost算法原理 | 第67-73页 |
| 4.1.1 集成学习方法 | 第67-71页 |
| 4.1.2 XGBoost | 第71-73页 |
| 4.2 基于XGBoost的结构损伤识别算法 | 第73-75页 |
| 4.3 结构损伤分类实验及对比分析 | 第75-80页 |
| 4.3.1 基于特征评估选择和特征层融合的损伤特征提取 | 第75页 |
| 4.3.2 基于XGBoost的结构损伤分类 | 第75-78页 |
| 4.3.3 实验结果对比分析 | 第78-80页 |
| 4.4 本章小结 | 第80-81页 |
| 第5章 总结与展望 | 第81-85页 |
| 5.1 工作总结 | 第81-82页 |
| 5.2 工作展望 | 第82-85页 |
| 参考文献 | 第85-88页 |
