| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-16页 |
| 1.1 引言 | 第7页 |
| 1.2 研究背景和意义 | 第7-9页 |
| 1.3 国内外研究现状 | 第9-14页 |
| 1.3.1 桥梁结构健康评估的工程应用现状 | 第9-10页 |
| 1.3.2 桥梁结构健康评估系统的学术研究现状 | 第10-11页 |
| 1.3.3 已经存在的桥梁结构健康评估系统存在的问题 | 第11-14页 |
| 1.4 本文主要研究内容 | 第14页 |
| 1.5 论文组织 | 第14-15页 |
| 1.6 本章小结 | 第15-16页 |
| 2 基于大数据的桥梁结构健康状态评估架构设计 | 第16-23页 |
| 2.1 设计桥梁结构健康状态评估系统难点 | 第16页 |
| 2.2 基于大数据的桥梁结构健康状态评估概述 | 第16-18页 |
| 2.3 基于大数据的桥梁结构健康状态评估系统桥梁损伤识别流程 | 第18-19页 |
| 2.4 基于大数据的桥梁结构健康状态评估系统架构设计 | 第19-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 深度学习相关技术及实验采用的桥梁介绍 | 第23-32页 |
| 3.1 受限玻尔兹曼机 | 第23-26页 |
| 3.1.1 受限玻尔兹曼机概念 | 第23-24页 |
| 3.1.2 受限玻尔兹曼机的结构 | 第24-25页 |
| 3.1.3 受限玻尔兹曼机的训练算法 | 第25-26页 |
| 3.2 深度信念网络 | 第26-29页 |
| 3.2.1 多层神经网络存在的问题 | 第26-27页 |
| 3.2.2 深度信念网络概念 | 第27页 |
| 3.2.3 深度信念网络的训练过程 | 第27-29页 |
| 3.3 基于深度信念网络进行桥梁结构健康状态分类的一般步骤 | 第29-30页 |
| 3.4 实验所用桥梁介绍 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 基于深度学习理论的桥梁结构损伤识别 | 第32-41页 |
| 4.1 桥梁结构状态分类和数据预处理 | 第32-33页 |
| 4.2 基于深度信念网络的桥梁结构损伤识别算法 | 第33-37页 |
| 4.2.1 针对桥梁结构损伤识别的深度信念网络结构设计 | 第33-34页 |
| 4.2.2 深度信念网络参数设置 | 第34-36页 |
| 4.2.3 实验结果和分析 | 第36-37页 |
| 4.3 改进的随机dropout深度信念网络损伤识别 | 第37-40页 |
| 4.3.1 随机dropout算法介绍 | 第37-39页 |
| 4.3.2 引入随机dropout的深度信念网络结构 | 第39页 |
| 4.3.3 实验结果和分析 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 基于大数据平台分析的桥梁结构健康评估 | 第41-54页 |
| 5.1 Hadoop开发环境的搭建及MapReduce并行化编程模型 | 第41-44页 |
| 5.1.1 Hadoop开发环境的搭建 | 第41-42页 |
| 5.1.2 MapReduce并行化编程模型 | 第42-44页 |
| 5.2 分布式的深度信念网络实现 | 第44-53页 |
| 5.2.1 受限玻尔兹曼机的MapReduce实现 | 第44-49页 |
| 5.2.2 深度信念网络的MapReduce实现 | 第49-53页 |
| 5.3 大数据环境下桥梁结构健康评估系统软件算法实现 | 第53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54页 |
| 6.2 论文进一步研究方向 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
