| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义概述 | 第10-11页 |
| 1.2 桥梁涡激振动研究 | 第11-17页 |
| 1.2.1 涡激振动现象 | 第11-13页 |
| 1.2.2 涡激振动研究方法 | 第13-16页 |
| 1.2.3 涡激振动影响因素 | 第16-17页 |
| 1.3 桥梁涡激振动待解决的问题 | 第17-18页 |
| 1.4 本文主要研究内容 | 第18-20页 |
| 第二章 人工神经网络基本理论 | 第20-36页 |
| 2.1 人工智能发展及理论研究概况 | 第20-23页 |
| 2.1.1 人工智能发展历史 | 第20-21页 |
| 2.1.2 人工智能理论研究发展概况 | 第21-23页 |
| 2.2 BP神经网络模型 | 第23-28页 |
| 2.2.1 BP神经网络的结构 | 第23-24页 |
| 2.2.2 BP神经网络的学习算法 | 第24-25页 |
| 2.2.3 三层BP神经网络算法推导 | 第25-28页 |
| 2.3 径向基函数网络 | 第28-31页 |
| 2.3.1 径向基函数 | 第28-29页 |
| 2.3.2 径向基函数网络的结构 | 第29-30页 |
| 2.3.3 径向基函数网络的学习算法 | 第30-31页 |
| 2.4 广义回归神经网络 | 第31-33页 |
| 2.4.1 广义回归神经网络理论基础 | 第31-32页 |
| 2.4.2 广义回归神经网络结构 | 第32-33页 |
| 2.5 概率神经网络 | 第33-35页 |
| 2.5.1 模式分类的贝叶斯决策理论 | 第33-34页 |
| 2.5.2 概率神经网络结构 | 第34-35页 |
| 2.5.3 概率神经网络的优点 | 第35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 π型梁涡激振动风洞试验研究 | 第36-53页 |
| 3.1 典型桥例工程概况 | 第36-38页 |
| 3.2 动力特性对比分析 | 第38-41页 |
| 3.2.1 建模思想 | 第38-40页 |
| 3.2.2 动力特性计算结果 | 第40-41页 |
| 3.2.3 对比分析 | 第41页 |
| 3.3 不同宽高比裸梁涡激振动性能研究 | 第41-47页 |
| 3.3.1 模型参数设计、试验工况及试验结果 | 第41-43页 |
| 3.3.2 涡振区与起振风速 | 第43-45页 |
| 3.3.3 斯托罗哈数 | 第45-47页 |
| 3.4 涡振控制措施研究 | 第47-52页 |
| 3.4.1 风嘴 | 第47-50页 |
| 3.4.2 稳定板 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 π型梁涡激振动学习样本采集 | 第53-75页 |
| 4.1 π型梁涡激振动数值模拟方法 | 第53-57页 |
| 4.1.1 湍流模型的选择 | 第53-54页 |
| 4.1.2 网格质量评价 | 第54-55页 |
| 4.1.3 动网格技术介绍 | 第55页 |
| 4.1.4 涡激振动的Fluent-UDF二次开发 | 第55-57页 |
| 4.2 π型梁数值模拟结果及校核 | 第57-61页 |
| 4.2.1 计算断面及参数设置 | 第57-58页 |
| 4.2.2 π型梁静态数值模拟校核 | 第58-59页 |
| 4.2.3 π型梁涡振数值模拟校核 | 第59-61页 |
| 4.3 π型裸梁学习样本 | 第61-69页 |
| 4.3.1 参数范围的选定 | 第61-64页 |
| 4.3.2 学习样本汇总 | 第64-67页 |
| 4.3.3 学习样本初步规律 | 第67-69页 |
| 4.4 抑振措施学习样本 | 第69-74页 |
| 4.4.1 抑振措施参数范围选定 | 第69-70页 |
| 4.4.2 学习样本汇总 | 第70-73页 |
| 4.4.3 学习样本初步规律 | 第73-74页 |
| 4.5 本章小结 | 第74-75页 |
| 第五章 π型梁涡振性能人工智能识别 | 第75-93页 |
| 5.1 π型裸梁涡振性能预测 | 第75-80页 |
| 5.1.1 学习样本的插值处理 | 第75-76页 |
| 5.1.2 建立径向基函数神经网络模型 | 第76-78页 |
| 5.1.3 网络参数优化 | 第78-79页 |
| 5.1.4 涡振性能预测 | 第79-80页 |
| 5.2 π型裸梁涡振性能拟合 | 第80-87页 |
| 5.2.1 适用于非线性拟合的神经网络 | 第80-81页 |
| 5.2.2 建立人工神经网络模型 | 第81-83页 |
| 5.2.3 运行时间与误差对比分析 | 第83-84页 |
| 5.2.4 拟合结果 | 第84-87页 |
| 5.3 π型梁措施组合抑振效果分类 | 第87-90页 |
| 5.3.1 抑振效果分类 | 第87页 |
| 5.3.2 建立概率神经网络模型 | 第87-89页 |
| 5.3.3 正确率检验 | 第89-90页 |
| 5.4 基于MATLAB的神经网络相关函数解释 | 第90-92页 |
| 5.4.1 内嵌函数 | 第90-91页 |
| 5.4.2 调用函数 | 第91-92页 |
| 5.5 本章小结 | 第92-93页 |
| 结论与展望 | 第93-95页 |
| 参考文献 | 第95-98页 |
| 致谢 | 第98页 |