| 第1章 绪论 | 第1-22页 |
| 1．1 概述 | 第12-15页 |
| 1．1．1 土木工程结构进行健康监测的重要性 | 第12-13页 |
| 1．1．2 健康监测系统的构成 | 第13页 |
| 1．1．3 建筑结构健康监测系统的应用现状 | 第13-15页 |
| 1．2 结构损伤检测的基本方法 | 第15-18页 |
| 1．2．1 动力指纹法 | 第15-16页 |
| 1．2．2 系统识别法 | 第16-17页 |
| 1．2．3 神经网络法 | 第17-18页 |
| 1．3 结构损伤识别技术存在的问题 | 第18-19页 |
| 1．4 结构损伤检测的支持向量机方法 | 第19-20页 |
| 1．5 本文的研究内容 | 第20-22页 |
| 第2章 支持向量机回归 | 第22-40页 |
| 2．1 机器学习问题 | 第22-23页 |
| 2．2 统计学习理论 | 第23-27页 |
| 2．2．1 经验风险最小化 | 第23-24页 |
| 2．2．2 VC维 | 第24-25页 |
| 2．2．3 推广性的界 | 第25-26页 |
| 2．2．4 结构风险最小化 | 第26-27页 |
| 2．3 支持向量机 | 第27-31页 |
| 2．3．1 最优超平面 | 第27-29页 |
| 2．3．2 分类支持向量机 | 第29-31页 |
| 2．4 支持向量机回归 | 第31-38页 |
| 2．4．1 线性回归问题 | 第32-34页 |
| 2．4．2 核函数 | 第34-36页 |
| 2．4．3 特征空间与核方法 | 第36-38页 |
| 2．5 支持向量机回归的学习算法 | 第38-39页 |
| 2．6 小结 | 第39-40页 |
| 第3章 基于序贯最小二乘支持向量机的结构损伤在线识别 | 第40-56页 |
| 3．1 引言 | 第40-41页 |
| 3．2 最小二乘支持向量机回归 | 第41-42页 |
| 3．3 序贯最小二乘支持向量机 | 第42-45页 |
| 3．3．1 序贯增量最小二乘支持向量机 | 第42-44页 |
| 3．3．2 序贯缩减最小二乘支持向量机 | 第44-45页 |
| 3．4 非线性体系损伤识别的序贯最小二乘支持向量机方法 | 第45-55页 |
| 3．4．1 结构模型 | 第45-47页 |
| 3．4．2 数值分析 | 第47-55页 |
| 3．5 小结 | 第55-56页 |
| 第4章 振动台试验验证 | 第56-70页 |
| 4．1 试验概况 | 第56页 |
| 4．2 试验设计 | 第56-63页 |
| 4．2．1 试验装置 | 第56页 |
| 4．2．2 模型的相似设计 | 第56-57页 |
| 4．2．3 模型的设计与制作 | 第57-59页 |
| 4．2．4 材料性能指标 | 第59页 |
| 4．2．5 测点布置 | 第59-60页 |
| 4．2．6 加速度输入波 | 第60-62页 |
| 4．2．7 试验加载制度 | 第62-63页 |
| 4．3 试验现象 | 第63-64页 |
| 4．4 结构参数识别 | 第64-68页 |
| 4．4．1 数据预处理 | 第64-65页 |
| 4．4．2 模型结构参数识别 | 第65-68页 |
| 4．5 小结 | 第68-70页 |
| 第5章 总结 | 第70-72页 |
| 5．1 论文总结 | 第70页 |
| 5．2 进一步研究的设想 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录A 最优化理论 | 第78-81页 |
| 个人简历 在读期间发表的学术论文 | 第81页 |