| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 结构健康监测研究的背景及意义 | 第8-9页 |
| 1.2 结构健康监测数据重构算法的意义及国内外研究现状 | 第9-11页 |
| 1.3 工程概况 | 第11-13页 |
| 1.4 本论文研究的主要内容 | 第13-14页 |
| 第二章 统计学习与支持向量机理论 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 机器学习理论 | 第14-16页 |
| 2.3 统计学习理论 | 第16-18页 |
| 2.3.1 学习过程一致性 | 第16-17页 |
| 2.3.2 VC 维 | 第17页 |
| 2.3.3 推广的界 | 第17页 |
| 2.3.4 结构风险最小化原则 | 第17-18页 |
| 2.4 支持向量机 | 第18-22页 |
| 2.4.1 最优分类超平面 | 第19-21页 |
| 2.4.2 核函数 | 第21-22页 |
| 2.5 支持向量机回归方法 | 第22-25页 |
| 2.5.1 线性回归 | 第22-23页 |
| 2.5.2 非线性回归 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于最小二乘支持向量机的丢失数据重构 | 第26-45页 |
| 3.1 引言 | 第26-27页 |
| 3.2 LS_SVM 数据重构算法 | 第27-30页 |
| 3.2.1 LS_SVM 算法 | 第27-28页 |
| 3.2.2 数据的关联度分析 | 第28页 |
| 3.2.3 数据的预处理 | 第28-29页 |
| 3.2.4 模型参数的选择 | 第29页 |
| 3.2.5 数据重构效果的误差指标 | 第29-30页 |
| 3.3 实验仿真测试 | 第30-43页 |
| 3.3.1 sinc(x)函数丢失数据的重构 | 第30-32页 |
| 3.3.2 应变数据的重构 | 第32-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于最小二乘支持向量机的白噪声污染数据的重构 | 第45-60页 |
| 4.1 引言 | 第45页 |
| 4.2 数据的灰度关联度分析 | 第45-49页 |
| 4.2.1 邓氏关联度 | 第46-47页 |
| 4.2.2 绝对关联度 | 第47-48页 |
| 4.2.3 T 型关联度 | 第48-49页 |
| 4.2.4 关联序 | 第49页 |
| 4.3 试验仿真测试 | 第49-59页 |
| 4.3.1 同变量灰度关联度重构法 | 第50-57页 |
| 4.3.2 不同变量灰度关联度重构法 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 结构健康监测系统的设计 | 第60-77页 |
| 5.1 引言 | 第60页 |
| 5.2 基于以太网通讯模式的结构健康监测系统 | 第60-61页 |
| 5.3 结构健康监测系统的软件系统设计 | 第61-72页 |
| 5.3.1 硬件开发平台简介 | 第61-63页 |
| 5.3.2 软件开发需求分析 | 第63-67页 |
| 5.3.3 软件功能模块 | 第67-72页 |
| 5.4 实验仿真测试 | 第72-76页 |
| 5.5 本章小结 | 第76-77页 |
| 总结与展望 | 第77-79页 |
| 研究工作总结 | 第77页 |
| 研究展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 致谢 | 第82-83页 |
| 个人简历与在学期间的研究成果及发表的学术论文 | 第83页 |