文摘
英文文摘
声明
第1章引言
1.1概述
1.1.1土木工程结构健康监测
1.1.2健康监测系统
1.1.3建筑结构健康监测系统的应用现状
1.2结构损伤检测的基本方法
1.2.1动力指纹法或模式识别法
1.2.2系统识别法
1.2.3神经网络方法
1.2.4遗传算法识别方法
1.3结构损伤识别技术存在的问题
1.4结构损伤识别的支持向量机方法
1.5本文研究的内容
第2章支持向量机(SVM)理论概述
2.1概述
2.2统计学习理论
2.2.1机器学习理论
2.2.2统计学习理论的核心内容
2.3支持向量机分类及其学习算法
2.3.1最优分类超平面
2.3.2软间隔分类超平面
2.3.3核函数
2.4支持向量机回归方法
2.4.1线性回归
2.4.2非线性回归
2.5支持向量机的学习算法
2.5.1Chunking算法
2.5.2分解算法
2.5.3SMO算法
2.6支持向量机学习算法的步骤
2.7本章小结
第3章支持向量机结构损伤模式识别
3.1概述
3.2最小二乘支持向量机回归
3.3小波核函数
3.3.1常用核函数
3.3.2支持向量机核函数条件
3.3.3小波理论
3.3.4小波核函数
3.4建立支持向量机的特性矢量
3.4.1固有频率对损伤的灵敏度
3.4.2构建特征向量
3.5数值模拟
3.5.1特征向量维数
3.5.2单损伤识别
3.5.3多损伤识别
3.5.4抗噪声能力及适用性
3.6本章小结
第4章支持向量机回归在线结构损伤识别
4.1概述
4.2增量式加权特征向量LS—SVM
4.2.1LS—SVM方法
4.2.2增量式加权特征向量LS—SVM(WVLS-SVM)
4.2.3剪切型结构参数识别
4.2.4数值模拟
4.3等样本集加权LS-SVM方法
4.3.1局部增加和局部修剪算法
4.3.2自适应误差加权LS-SVM回归方法
4.3.3自适应特征向量指数加权LS-SVM回归方法
4.3.4数值模拟
4.4抗噪声能力
4.5多自由度多损伤识别
4.6本章小结
第5章振动台试验结构损伤识别
5.1概述
5.2试验介绍
5.2.1试验概况
5.2.2试验设计
5.2.3试验现象
5.3试验数据分析与处理
5.4建立支持向量机
5.5试验模型结构损伤识别
5.5.1损伤识别结果
5.5.2损伤情况与试验现象比较
5.6本章小结
第6章总结
6.1论文结论
6.2进一步研究的方向和设想
致谢
参考文献
附录
个人简历在读期间发表的学术论文与研究成果
同济大学;
同济大学土木工程学院;