| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状与发展趋势 | 第11-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第二章 结构动力响应信息特性分析 | 第19-25页 |
| 2.1 引言 | 第19页 |
| 2.2 结构动力响应信息的产生机理 | 第19-21页 |
| 2.3 结构响应信息的类型与特征 | 第21-24页 |
| 2.3.1 非平稳特性 | 第21-22页 |
| 2.3.2 非线性特性 | 第22页 |
| 2.3.3 时序关联性特性 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于主成分分析的桥梁结构振动数据预处理 | 第25-34页 |
| 3.1 引言 | 第25页 |
| 3.2 结构监测响应信息预处理概述 | 第25-26页 |
| 3.3 预处理方法介绍 | 第26-30页 |
| 3.3.1 归一化处理 | 第26-27页 |
| 3.3.2 基于PCA方法的结构响应信息的预处理 | 第27-30页 |
| 3.4 基于PCA主成分分析的北黎大桥仿真实验 | 第30-32页 |
| 3.4.1 北黎大桥仿真模型简介 | 第30-31页 |
| 3.4.2 仿真模型工况模拟 | 第31页 |
| 3.4.3 北黎大桥仿真模型试验数据预处理 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 基于深度学习的结构损伤识别研究 | 第34-59页 |
| 4.1 引言 | 第34页 |
| 4.2 基于传统机器学习方法SVM的结构损伤识别 | 第34-40页 |
| 4.2.1 支持向量机 | 第34-39页 |
| 4.2.2 基于SVM的北黎大桥仿真模型实验 | 第39-40页 |
| 4.3 基于深度学习的结构损伤识别研究 | 第40-57页 |
| 4.3.1 MLP神经网络 | 第40-44页 |
| 4.3.2 基于MLP的仿真模型损伤识别 | 第44-48页 |
| 4.3.3 LSTM神经网络 | 第48-53页 |
| 4.3.4 基于LSTM的仿真模型损伤识别 | 第53-57页 |
| 4.4 仿真实验结果 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于Bookshelf框架模型结构损伤识别 | 第59-86页 |
| 5.1 引言 | 第59页 |
| 5.2 实验平台简介 | 第59页 |
| 5.2.1 硬件平台 | 第59页 |
| 5.2.2 软件平台 | 第59页 |
| 5.3 Bookshelf框架模型简介 | 第59-63页 |
| 5.3.1 框架介绍 | 第59-61页 |
| 5.3.2 测试方法及数据采集 | 第61-62页 |
| 5.3.3 Bookshelf框架损伤工况模拟 | 第62-63页 |
| 5.4 基于PCA方法的实验数据预处理 | 第63-69页 |
| 5.5 基于SVM方法的Bookshelf框架结构损伤识别 | 第69-71页 |
| 5.6 基于MLP方法的Bookshelf框架结构损伤识别 | 第71-78页 |
| 5.6.1 基于MLP的模型结构设计 | 第71-72页 |
| 5.6.2 损失函数设定 | 第72-73页 |
| 5.6.3 模型训练实验 | 第73-76页 |
| 5.6.4 模型测试实验 | 第76-78页 |
| 5.7 基于LSTM方法的Bookshelf框架结构损伤识别 | 第78-84页 |
| 5.7.1 基于LSTM的模型结构设计 | 第78-80页 |
| 5.7.2 损失函数设定 | 第80页 |
| 5.7.3 模型训练实验 | 第80-82页 |
| 5.7.4 模型测试实验 | 第82-84页 |
| 5.8 实验结果与分析 | 第84-85页 |
| 5.9 本章小结 | 第85-86页 |
| 第六章 全文总结与展望 | 第86-88页 |
| 6.1 全文总结 | 第86-87页 |
| 6.2 后续展望 | 第87-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 攻读硕士学位期间取得的成果 | 第93页 |
