声明
第一章绪论
1.1 课题研究背景及意义
1.2 多传感器监测技术研究现状
1.3 数据滤波方法研究现状
1.3.1 小波与小波包滤波方法
1.3.2 经验模态分解及其改进方法
1.3.3 Kalman滤波方法
1.3.4 粒子滤波方法
1.3.5 多传感器数据融合方法
1.4 模态参数识别方法研究现状
1.4.1 随机子空间识别方法
1.4.2 随机减量技术
1.4.3 自然激励技术
1.4.4 Ibrahim时域分析法
1.4.5 时间序列分析技术
1.4.6 特征系统实现算法
1.5 存在的问题
1.6 本文研究的主要内容及技术路线
1.6.1 本文研究的主要内容
1.6.2 本文研究的技术路线
第二章 RTK-GNSS 多路径误差分析及经验模态分解方法研究
2.1 GNSS 相对定位原理
2.1.1 GNSS 静态相对定位
2.1.2 GNSS 动态相对定位
2.1.3 多系统GNSS时空统一
2.1.4 RTK-GNSS 技术
2.2 多路径效应分析
2.2.1 载波相位测量中的多路径误差
2.2.2 削弱多路径误差的策略
2.3 RTK-GNSS 稳定性试验研究
2.3.1 试验方案与过程
2.3.2 位置精度因子
2.3.3 背景噪声特性分析
2.4 基于CC-CEEMDAN-WP 的联合滤波方法
2.4.1 EEMD、CEEMD及CEEMDAN算法
2.4.2 小波包技术
2.4.3 CC-CEEMDAN-WP
2.5 算法仿真验证
2.6 本章小结
第三章 结构模态参数识别算法研究
3.1 环境激励下模态参数识别方法
3.1.1 随机子空间识别方法
3.1.2 ARMA时序分析方法
3.1.3 随机减量技术
3.1.4 自然激励技术
3.1.5 Ibrahim时域分析法
3.1.6 特征系统实现算法
3.2 数值算例验证
3.2.1 SSI/cov与SSI/data仿真分析
3.2.2 RDT-ITD仿真分析
3.2.3 NExT-ARMA仿真分析
3.2.4 NExT-ERA仿真分析
3.2.5 模态参数识别精度对比
3.3 基于数据驱动的随机子空间改进算法
3.4 超高层结构模态参数识别
3.4.1 天津117大厦概况
3.4.2 测点布置方案
3.4.3 结构有限元模型建立
3.4.4 RTK-GNSS 监测数据结果
3.4.5 数据滤波处理
3.5 结构模态参数识别
3.6 本章小结
第四章 多传感器多速率加权数据融合算法研究
4.1 多传感器数据融合
4.1.1 多传感器数据融合基本类别
4.1.2 多传感器数据融合体系结构
4.1.3 多传感器数据融合常用算法
4.1 基于蒙特卡罗思想的粒子滤波算法
4.1.1 蒙特卡罗思想
4.1.2 序贯重要性采样
4.1.3 粒子退化与重采样
4.1.4 标准粒子滤波算法
4.2 改进粒子滤波算法
4.2.1 扩展卡尔曼粒子滤波算法（EKPF）
4.2.2 不敏卡尔曼粒子滤波算法（UKPF）
4.2.3 容积卡尔曼粒子滤波算法（CKPF）
4.3 多速率加权数据融合估计算法
4.3.1 多速率EKPF加权数据融合估计算法
4.3.2 多速率UKPF加权数据融合估计算法
4.3.3 多速率CKPF加权数据融合估计算法
4.4 算法仿真验证
4.4.1 算例一
4.4.2 算例二
4.5 本章小结
第五章基于GNSS与加速度计的大跨径桥梁模态参数识别
5.1 桥梁概况
5.1.1 天津市彩虹大桥
5.1.2 天津市永和大桥
5.2 结构有限元模型建立
5.3 数据采集与融合处理
5.3.1 彩虹大桥测点布置方案
5.3.2 永和大桥测点布置方案
5.3.3 原始监测结果
5.3.4 数据融合结果
5.4 结构模态参数识别
5.5 本章小结
第六章结论与展望
6.1 本文主要结论
6.2 本文创新点
6.3 前景展望
参考文献
发表论文和参加科研情况说明
致 谢
天津大学;
