第1章 绪论
1.1 结构模态参数辨识的意义与基本任务
1.1.1 模态参数辨识的意义
1.1.2 模态参数辨识的基本任务
1.2 仅基于响应的结构模态参数辨识发展现状
1.2.1 频域模态参数辨识方法
1.2.2 时域模态参数辨识方法
1.2.3 存在的主要问题及研究进展情况
1.3 深度学习在反问题中的应用
第2章 时间序列模型
2.1 引言
2.2 ARMAX模型
2.2.1 平稳随机激励下的ARMAX模型
2.2.2 结构动力学方程的状态空间表示
2.2.3 状态空间模型与ARMA模型的等价性
2.2.4 模型结构选择
2.3 TARMA模型
2.3.1 TARMA模型的基本形式
2.3.2 基于泛函展开的TARMA模型
2.3.3 TARMA模型参数的估计
2.3.4 模型结构选择
2.4 模态参数的计算
2.5 小结
第3章 基于传递率的结构模态参数辨识方法
3.1 引言
3.2 传递率的概念与计算方法
3.2.1 频域传递率
3.2.2 时域传递率
3.2.3 四种传递率的统一表示形式
3.3 传递率的影响因素分析
3.3.1 响应传递率影响因素分析
3.3.2 功率谱密度传递率影响因素分析
3.4 传递率在模态参数辨识中的应用
3.4.1 频域和时域响应传递率的应用
3.4.2 功率谱密度传递率及相关函数传递率的应用
3.4.3 基于功率谱密度传递率与奇异值分解的辨识方法
3.5 仿真结果与比较分析
3.5.1 TTOMA与FTOMA方法对比
3.5.2 CFTOMA与PSDTM-SVD方法对比
3.6 小结
第4章 基于信号分解的结构模态参数辨识方法
4.1 引言
4.2 非平稳信号分析与分解
4.2.1 非平稳信号分析方法
4.2.2 非平稳信号分解
4.3 基于统计特性的谐波响应检测
4.4 时变结构密频模态检测与辨识
4.5 仿真结果与分析
4.5.1 四自由度时变刚度系统
4.5.2 模态参数辨识结果
4.5.3 信噪比影响分析
4.6 小结
第5章 基于最大互相关熵的结构模态参数辨识方法
5.1 引言
5.2 非高斯脉冲噪声的表征
5.2.1 Alpha稳态分布的概念
5.2.2 Alpha稳态分布的数学形式
5.3 互相关熵的基本概念
5.4 基于广义最大互相关熵的批量辨识方法
5.4.1 权重函数选取准则
5.4.2 分步最小二乘-最大互相关熵估计方法
5.4.3 模型结构问题的讨论
5.5 基于广义最大互相关熵的递推辨识方法
5.5.1 基于非结构化TARMA模型的递推方法
5.5.2 基于TARMA模型的卡尔曼滤波估计方法
5.6 仿真结果与分析
5.6.1 三自由度时变刚度系统
5.6.2 批量辨识方法对比与分析
5.6.3 递推辨识方法对比与分析
5.7 小结
第6章 基于深度学习的结构模态参数黑箱递推辨识方法
6.1 引言
6.2 深度学习模型
6.2.1 全连接网络
6.2.2 循环神经网络
6.3 递推辨识网络模型与步骤
6.3.1 模态参数黑箱递推辨识网络
6.3.2 模态参数黑箱递推辨识步骤
6.4 递推辨识结果与分析
6.4.1 四自由度时变刚度系统
6.4.2 递推辨识结果
6.4.3 相关影响因素分析
6.5 小结
第7章 基于深度学习的时变结构模态参数递推辨识综合增强方法
7.1 引言
7.2 时变结构振动场递推重建方法
7.2.1 时变结构振动场重建任务的基本描述
7.2.2 递推重建网络模型与步骤
7.2.3 递推重建结果与分析
7.3 时变结构辨识的单模态递推筛选方法
7.3.1 单模态递推筛选网络与步骤
7.3.2 单模态递推筛选结果与分析
7.4 时变结构递推辨识综合增强
7.5 任务“粒度”对深度学习模型的影响
7.6 小结
参考文献
附录 主要缩略词
展开
