| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究意义 | 第11-13页 |
| 1.1.1 风速预测的研究意义 | 第11-13页 |
| 1.1.2 裂缝损伤评价（诊断）的研究意义 | 第13页 |
| 1.2 风速预测和损伤诊断的研究现状 | 第13-16页 |
| 1.2.1 风速预测的研究现状 | 第13-14页 |
| 1.2.2 结构损伤评价（诊断）的研究现状 | 第14-16页 |
| 1.3 本文研究的主要内容 | 第16-17页 |
| 2 智能算法研究简介 | 第17-25页 |
| 2.1 智能算法概述 | 第17页 |
| 2.2 人工神经网络 | 第17-19页 |
| 2.2.1 人工神经网络发展历程 | 第17-18页 |
| 2.2.2 人工神经网络的特点 | 第18页 |
| 2.2.3 几种典型的神经网络 | 第18-19页 |
| 2.3 遗传算法 | 第19-20页 |
| 2.3.1 遗传算法的特点 | 第19-20页 |
| 2.3.2 遗传算法的流程 | 第20页 |
| 2.4 模拟退火算法 | 第20-21页 |
| 2.4.1 模拟退火算法特点 | 第20-21页 |
| 2.4.2 模拟退火算法流程 | 第21页 |
| 2.5 群体（群集）智能算法 | 第21-25页 |
| 2.5.1 蚁群优化算法 | 第22-23页 |
| 2.5.2 粒子群优化算法 | 第23-25页 |
| 3 智能算法在风速预测中的应用 | 第25-33页 |
| 3.1 自回归-滑动平均模型(ARMA) | 第25-26页 |
| 3.1.1 ARMA 模型原理 | 第25页 |
| 3.1.2 时间序列的平稳化 | 第25-26页 |
| 3.1.3 ARMA 建立模型及其预测过程 | 第26页 |
| 3.2 人工神经网络模型(ANN) | 第26-28页 |
| 3.2.1 BP 模型原理 | 第27页 |
| 3.2.2 RBF 模型原理 | 第27-28页 |
| 3.2.3 ANN 建立模型及其预测过程 | 第28页 |
| 3.3 支持向量机模型(SVM) | 第28-30页 |
| 3.3.1 SVM 模型原理 | 第29-30页 |
| 3.3.2 SVM 建立模型及其预测过程 | 第30页 |
| 3.4 短期风速预测实例分析 | 第30-33页 |
| 4 混凝土裂缝智能损伤评价的前期处理—裂缝图像采集及其处理算法 | 第33-47页 |
| 4.1 裂缝图像的自动采集系统 | 第33-34页 |
| 4.2 裂缝图像处理算法 | 第34-44页 |
| 4.2.1 裂缝图像灰度化 | 第34页 |
| 4.2.2 裂缝图像增强 | 第34-41页 |
| 4.2.3 二值化处理 | 第41-44页 |
| 4.3 特征向量提取 | 第44-47页 |
| 5 TAM 和 SVM 智能算法在混凝土裂缝损伤评价中的应用 | 第47-55页 |
| 5.1 TAM 神经网络模型 | 第47-50页 |
| 5.2 PSO-SVM 模型 | 第50-51页 |
| 5.3 应用实例 | 第51-53页 |
| 5.4 结论 | 第53-55页 |
| 6 结论与展望 | 第55-57页 |
| 6.1 结论 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 在读期间发表的学术论文 | 第61-62页 |
| 作者简介 | 第62-63页 |
| 致谢 | 第63-64页 |