| 内容提要 | 第1-8页 |
| 第一章 绪论 | 第8-20页 |
| ·课题研究的背景 | 第8-10页 |
| ·桥梁结构损伤识别研究的现状与发展 | 第10-13页 |
| ·计算智能技术研究的现状与发展 | 第13-16页 |
| ·计算智能在结构损伤识别中的应用 | 第16-18页 |
| ·本文研究的内容 | 第18-20页 |
| 第二章结构损伤识别方法和计算智能理论 | 第20-47页 |
| ·引言 | 第20-21页 |
| ·基于动力特性的结构损伤识别方法 | 第21-25页 |
| ·基于固有频率变化的损伤识别方法 | 第21-23页 |
| ·基于模态振型的损伤识别方法 | 第23-24页 |
| ·基于模态应变能的损伤识别方法 | 第24页 |
| ·基于频响函数的损伤识别方法 | 第24-25页 |
| ·基于模型修正的损伤识别方法 | 第25-27页 |
| ·损伤结构动力的有限元模型 | 第27-30页 |
| ·网格法 | 第27-28页 |
| ·变刚度法 | 第28页 |
| ·动态子结构法 | 第28-29页 |
| ·网格-变刚度-子结构混合法 | 第29-30页 |
| ·神经网络的基本理论 | 第30-37页 |
| ·神经网络模型 | 第30页 |
| ·神经元状态转换函数的类型 | 第30-31页 |
| ·神经网络的学习方式 | 第31-32页 |
| ·网络结构设计 | 第32-33页 |
| ·网络训练的算法 | 第33-37页 |
| ·小波变换 | 第37-39页 |
| ·神经网络集成理论 | 第39-43页 |
| ·神经网络集成基本理论 | 第39-41页 |
| ·神经网络的负相关学习 | 第41-43页 |
| ·粒子群法理论 | 第43-46页 |
| ·基本算法 | 第43-44页 |
| ·改进的粒子群算法 | 第44-46页 |
| ·PSO 算法机理的数学理论 | 第46页 |
| ·本章小结 | 第46-47页 |
| 第三章 基于粒子群算法的桥梁结构可靠性稳健优化设计与损伤识别研究 | 第47-73页 |
| ·引言 | 第47-49页 |
| ·灰色关联分析 | 第49-51页 |
| ·多目标优化问题 | 第51-52页 |
| ·灰色粒子群算法优化策略 | 第52-55页 |
| ·算法的引入 | 第52-53页 |
| ·灰色粒子群算法 | 第53-54页 |
| ·多目标函数优化实例 | 第54-55页 |
| ·基于灰色粒子群算法的钢筋混凝土简支梁的可靠性稳健优化设计 | 第55-60页 |
| ·可靠性设计的随机摄动法 | 第55-56页 |
| ·可靠性稳健优化设计模型的建立 | 第56-58页 |
| ·数值算例 | 第58-60页 |
| ·基于粒子群算法和残余力向量的结构损伤识别 | 第60-71页 |
| ·残余力向量法 | 第60-61页 |
| ·目标函数的建立 | 第61-62页 |
| ·悬臂梁的损伤识别 | 第62-66页 |
| ·桁架的损伤识别 | 第66-71页 |
| ·本章总结 | 第71-73页 |
| 第四章 基于支持向量机和粒子群算法的桥梁结构损伤识别研究 | 第73-92页 |
| ·引言 | 第73-74页 |
| ·支持向量机的基本理论 | 第74-77页 |
| ·支持向量机的线性逼近 | 第74-76页 |
| ·支持向量机的非线性逼近 | 第76-77页 |
| ·基于支持向量机和粒子群算法的结构损伤识别方法 | 第77-81页 |
| ·基于支持向量机的非线性函数拟合 | 第77-79页 |
| ·多目优化模型的建立 | 第79-80页 |
| ·基于支持向量机和灰色粒子群算法进行结构损伤识别的步骤 | 第80-81页 |
| ·简支梁桥的损伤识别 | 第81-90页 |
| ·一个单元发生损伤的识别 | 第82-85页 |
| ·多个单元发生损伤的识别 | 第85-88页 |
| ·与其他方法比较 | 第88-90页 |
| ·本章小结 | 第90-92页 |
| 第五章 基于神经网络的桥梁结构损伤识别 | 第92-123页 |
| ·引言 | 第92-93页 |
| ·基于小波神经网络的桥梁结构损伤识别 | 第93-108页 |
| ·小波神经网络模型 | 第93-94页 |
| ·小波神经网络与常规神经网络的比较 | 第94-95页 |
| ·小波神经网络初始化 | 第95-96页 |
| ·小波神经网络基本算法 | 第96-98页 |
| ·基于局部学习的共轭梯度算法 | 第98-99页 |
| ·网络样本选取 | 第99-100页 |
| ·连续梁桥的损伤识别 | 第100-108页 |
| ·基于灰色聚类神经网络集成的损伤识别方法 | 第108-121页 |
| ·聚类分析 | 第108-109页 |
| ·基于灰色聚类的神经网络集成算法 | 第109-111页 |
| ·桁架的损伤识别 | 第111-116页 |
| ·斜拉桥的损伤识别 | 第116-121页 |
| ·本章小结 | 第121-123页 |
| 第六章 结论与展望 | 第123-126页 |
| 参考文献 | 第126-142页 |
| 作者在攻读博士学位期间发表的论文 | 第142-143页 |
| 致谢 | 第143-144页 |
| 摘要 | 第144-147页 |
| Abstract | 第147-150页 |
