摘要 | 第3-5页 |
abstract | 第5-6页 |
主要符号对照表 | 第9-13页 |
第1章 引言 | 第13-21页 |
1.1 研究背景及意义 | 第13-14页 |
1.2 国内外研究现状 | 第14-18页 |
1.2.1 工作模态参数识别的研究现状 | 第14-16页 |
1.2.2 流形学习 | 第16-17页 |
1.2.3 基于流形学习的工作模态分析方法 | 第17-18页 |
1.3 本文研究目的、技术路线和主要内容 | 第18-19页 |
1.3.1 本文研究目的及技术路线 | 第18页 |
1.3.2 本文的主要内容 | 第18-19页 |
1.4 论文结构安排 | 第19-21页 |
第2章 一维线性时不变结构的工作模态参数识别 | 第21-47页 |
2.1 工作模态参数识别原理 | 第21-22页 |
2.2 基于自迭代主元抽取的工作模态参数识别 | 第22-28页 |
2.2.1 基于传统矩阵分解主元分析的工作模态参数识别 | 第22-25页 |
2.2.2 基于自迭代主元抽取的工作模态参数识别 | 第25-27页 |
2.2.3 算法性能比较 | 第27-28页 |
2.3 基于Sanger神经网络主元算法的工作模态参数识别 | 第28-32页 |
2.3.1 不同基于神经网络方法间的比较 | 第29-30页 |
2.3.2 基于Sanger神经网络主元算法的数学模型 | 第30-31页 |
2.3.3 基于Sanger神经网络主元分析的工作模态参数识别方法 | 第31-32页 |
2.4 仿真验证 | 第32-39页 |
2.4.1 仿真数据集和参数设置 | 第32-33页 |
2.4.2 自迭代主元抽取的仿真验证与结果分析 | 第33-37页 |
2.4.3 Sanger神经网络主元算法的仿真验证与结果分析 | 第37-39页 |
2.5 基于自迭代主元抽取工作模态参数识别的实验验证 | 第39-45页 |
2.5.1 实验设置 | 第39-41页 |
2.5.2 基于自迭代主元抽取模态分析的实验结果 | 第41-45页 |
2.5.3 实验结果分析 | 第45页 |
2.6 小结 | 第45-47页 |
第3章 三维线性时不变结构的工作模态参数识别 | 第47-65页 |
3.1 复杂三维连续体结构新的模态振型组装方法 | 第47-49页 |
3.1.1 最小二乘广义逆反代求解 | 第47-48页 |
3.1.2 直接组装求解 | 第48页 |
3.1.3 两种三维模态振型求解方法的比较 | 第48-49页 |
3.2 基于自迭代主元抽取的三维结构工作模态参数识别算法 | 第49-50页 |
3.3 基于ISOMAP的三维线性结构工作模态参数识别 | 第50-54页 |
3.3.1 三维线性时不变结构模态响应数据分析 | 第50-51页 |
3.3.2 ISOMAP的数学模型的建立 | 第51-52页 |
3.3.3 基于ISOMAP的三维结构工作模态参数识别 | 第52-54页 |
3.4 仿真验证 | 第54-62页 |
3.4.1 仿真数据集与参数设置 | 第54-55页 |
3.4.2 基于自迭代主元抽取的三维模态参数分析仿真结果与分析 | 第55-60页 |
3.4.3 基于ISOMAP的三维模态参数分析仿真结果与分析 | 第60-62页 |
3.5 小结 | 第62-65页 |
第4章 线性慢时变结构的工作模态参数识别 | 第65-79页 |
4.1 基于时间冻结理论的慢时变结构工作模态参数识别 | 第65-66页 |
4.2 基于滑动窗自迭代主元抽取的慢时变结构工作模态参数识别算法 | 第66-69页 |
4.2.1 滑动窗自迭代主元抽取模型的建立 | 第66-68页 |
4.2.2 滑动窗自迭代主元抽取算法中的模态交换问题 | 第68-69页 |
4.2.3 滑动窗主元抽取算法与滑动窗主元分析算法的比较 | 第69页 |
4.3 滑动窗自迭代主元抽取算法时变梁上的仿真验证 | 第69-77页 |
4.3.1 参数设置 | 第70-71页 |
4.3.2 基于滑动窗主元抽取时变工作模态参数识别算法的参数 | 第71-72页 |
4.3.3 识别结果 | 第72-76页 |
4.3.4 识别结果分析 | 第76-77页 |
4.4 小结 | 第77-79页 |
第5章 总结与展望 | 第79-81页 |
5.1 创新点与工作内容总结 | 第79-80页 |
5.2 展望 | 第80-81页 |
参考文献 | 第81-87页 |
致谢 | 第87-89页 |
个人简历、在学期间发表的学术论文及研究成果 | 第89页 |