| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 非平稳信号研究现状 | 第11-16页 |
| 1.2.1 短时傅立叶变换 | 第11-12页 |
| 1.2.2 小波分析 | 第12-13页 |
| 1.2.3 Wigner-ville分布 | 第13-14页 |
| 1.2.4 希尔伯特-黄变换方法 | 第14-16页 |
| 1.3 GPS技术在健康监测方向的研究现状 | 第16-17页 |
| 1.4 现有研究存在的不足 | 第17-18页 |
| 1.5 本文主要研究内容 | 第18-20页 |
| 第二章 增加θ优化过程的改进HHT方法 | 第20-44页 |
| 2.1 引言 | 第20页 |
| 2.2 HHT方法的原理 | 第20-23页 |
| 2.2.1 经验模态分解方法 | 第20-23页 |
| 2.2.2 Hilbert变换和Hilbert谱 | 第23页 |
| 2.3 基于Kriging模型的K-HHT方法 | 第23-30页 |
| 2.3.1 DACE中的Kriging模型 | 第24-27页 |
| 2.3.2 基于Kriging插值的EMD方法 | 第27-28页 |
| 2.3.3 仿真实例分析 | 第28-30页 |
| 2.4 基于粒子群算法优化K-HHT方法 | 第30-43页 |
| 2.4.1 相关模型参数及其优化问题 | 第30-32页 |
| 2.4.2 粒子群算法 | 第32页 |
| 2.4.3 优化K-HHT方法的过程 | 第32-35页 |
| 2.4.4 优化算法测试 | 第35-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第三章 信号的预处理方法 | 第44-74页 |
| 3.1 引言 | 第44-45页 |
| 3.2 信号趋势项的分离 | 第45-66页 |
| 3.2.1 最小二乘法分离信号趋势项 | 第45-46页 |
| 3.2.2 小波变换法分离信号的趋势项 | 第46-47页 |
| 3.2.3 优化K-HHT方法分离信号的趋势项 | 第47页 |
| 3.2.4 仿真实例分析 | 第47-66页 |
| 3.2.5 小结 | 第66页 |
| 3.3 信号的降噪处理 | 第66-73页 |
| 3.3.1 优化K-HHT-Wavelet降噪方法 | 第66-68页 |
| 3.3.2 仿真实例分析 | 第68-73页 |
| 3.4 本章小结 | 第73-74页 |
| 第四章 鹤洞大桥GPS信号识别自振频率 | 第74-96页 |
| 4.1 引言 | 第74页 |
| 4.2 工程概况 | 第74-75页 |
| 4.3 鹤洞大桥GPS位移监测系统 | 第75-80页 |
| 4.3.1 鹤洞大桥GPS设备选择 | 第76-77页 |
| 4.3.2 鹤洞大桥GPS监测系统构建 | 第77-80页 |
| 4.4 大桥的自振频率识别 | 第80-95页 |
| 4.4.1 GPS信号的多路径效应分析 | 第80-83页 |
| 4.4.2 大桥GPS信号成分分析 | 第83-84页 |
| 4.4.3 鹤洞大桥GPS识别自振频率流程 | 第84-86页 |
| 4.4.4 对GPS监测信号分离趋势项 | 第86-89页 |
| 4.4.5 对分离趋势的GPS信号降噪处理 | 第89-90页 |
| 4.4.6 鹤洞大桥的自振频率识别结果与讨论 | 第90-95页 |
| 4.5 本章小结 | 第95-96页 |
| 第五章 结论与展望 | 第96-98页 |
| 5.1 结论 | 第96-97页 |
| 5.2 展望 | 第97-98页 |
| 参考文献 | 第98-102页 |
| 致谢 | 第102页 |