面向大跨度桥梁结构健康监测的超重车动态识别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.3 本文研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关理论与技术 | 第18-29页 |
| 2.1 元胞自动机模型 | 第18-20页 |
| 2.2 机器学习相关技术 | 第20-27页 |
| 2.2.1 逻辑回归模型 | 第20-21页 |
| 2.2.2 深度神经网络模型 | 第21-24页 |
| 2.2.3 循环神经网络模型 | 第24-25页 |
| 2.2.4 长短时记忆网络模型 | 第25-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第三章 随机车流模型 | 第29-43页 |
| 3.1 车辆产生模型 | 第29-30页 |
| 3.2 基于元胞自动机的车辆行驶模型 | 第30-33页 |
| 3.3 桥梁有限元模型 | 第33-34页 |
| 3.4 随机车流模型验证 | 第34-42页 |
| 3.4.1 黄埔大桥北汊桥简介 | 第34-35页 |
| 3.4.2 车流模型参数设定 | 第35-37页 |
| 3.4.3 输出数据展示 | 第37-38页 |
| 3.4.4 与黄埔北汊桥车流数据对比 | 第38-40页 |
| 3.4.5 与黄埔北汊桥桥梁结构对比 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 超重车动态识别算法设计 | 第43-54页 |
| 4.1 超重车动态识别问题描述 | 第43-44页 |
| 4.2 超重车动态识别方法 | 第44-47页 |
| 4.3 超重车动态识别算法设计 | 第47-53页 |
| 4.3.1 目标桥段确定及多桥段联合分析 | 第47-48页 |
| 4.3.2 基于特征映射的相关关系提取 | 第48-49页 |
| 4.3.3 相邻采样时刻相互关系提取 | 第49-52页 |
| 4.3.4 模型结果融合 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 超重车动态识别实验 | 第54-65页 |
| 5.1 实验设计目标 | 第54页 |
| 5.2 实验环境 | 第54-56页 |
| 5.2.1 实验条件 | 第54-55页 |
| 5.2.2 对比模型及评测指标 | 第55-56页 |
| 5.3 数据分析与预处理 | 第56-57页 |
| 5.4 桥段参数实验 | 第57-60页 |
| 5.4.1 桥段长度 | 第57-58页 |
| 5.4.2 桥段位置 | 第58-60页 |
| 5.5 模型性能对比实验 | 第60-61页 |
| 5.6 模型VD_LSTM影响因素实验 | 第61-64页 |
| 5.6.1 时间步对VD_LSTM影响实验 | 第61-63页 |
| 5.6.2 特征映射对VD_LSTM影响 | 第63-64页 |
| 5.6.3 单双向对VD_LSTM影响 | 第64页 |
| 5.6.4 dropout对VD_LSTM影响 | 第64页 |
| 5.7 本章小结 | 第64-65页 |
| 总结与展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |
