基于神经网络的结构破损诊断
| 第一章 绪论 | 第1-15页 |
| ·引言 | 第9-10页 |
| ·基于神经网络的结构破损诊断的研究现状 | 第10-14页 |
| ·结构破损诊断的定义 | 第10-11页 |
| ·基本原理 | 第11-12页 |
| ·人工神经网络简介 | 第12页 |
| ·研究现状及存在的问题 | 第12-14页 |
| ·本文的研究目的和内容 | 第14-15页 |
| 第二章 神经网络的基本理论及模型 | 第15-28页 |
| ·引言 | 第15页 |
| ·人工神经网络的发展史 | 第15-16页 |
| ·人工神经网络模型 | 第16-20页 |
| ·人脑神经系统 | 第16-17页 |
| ·人工神经元的数学模型 | 第17-18页 |
| ·人工神经网络的构成 | 第18-19页 |
| ·人工神经网络的类型 | 第19-20页 |
| ·BP神经网络 | 第20-26页 |
| ·典型BP网络的学习原理及训练过程 | 第21-24页 |
| ·BP网络的学习训练流程 | 第24页 |
| ·BP网络的优缺点 | 第24-26页 |
| ·其他神经网络模型简介 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 BP神经网络优化设计 | 第28-47页 |
| ·引言 | 第28页 |
| ·通常的改进措施 | 第28-32页 |
| ·附加动量法 | 第28-29页 |
| ·学习率自适应法 | 第29-30页 |
| ·Levenberg-Marquardt算法 | 第30-31页 |
| ·优化网络结构 | 第31-32页 |
| ·优化初始值 | 第32页 |
| ·基于遗传算法的BP网络优化设计 | 第32-46页 |
| ·遗传算法简介 | 第32-34页 |
| ·遗传算法的基本原理 | 第34-37页 |
| ·遗传算法的工作流程 | 第37-38页 |
| ·遗传算法的基本特点 | 第38-39页 |
| ·遗传算法和神经网络结合的必要性 | 第39页 |
| ·GA-BP算法 | 第39-41页 |
| ·遗传算子的设计 | 第41-45页 |
| ·GA-BP算法的工作流程 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于神经网络的结构破损诊断 | 第47-65页 |
| ·引言 | 第47页 |
| ·基本原理 | 第47-49页 |
| ·工作流程 | 第49-50页 |
| ·破损指标的选择 | 第50-51页 |
| ·定位指标 | 第50-51页 |
| ·程度指标 | 第51页 |
| ·数值仿真 | 第51-64页 |
| ·悬臂梁模型 | 第51-55页 |
| ·刚架模型 | 第55-57页 |
| ·UBC Benchmark模型 | 第57-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 结论与展望 | 第65-67页 |
| ·结论 | 第65页 |
| ·展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 在学期间的研究成果 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附图1 BP网络的学习训练流程 | 第72页 |
