矩阵型修正法矩阵修正法通过直接修正模型的质量矩阵和刚度矩阵来达到修正模型的效果[4]。Brock最早提出该方法。在此基础上Kabe提出了元素型修正方案，使修正后的刚度矩阵保持带状性[5]。Heylen提出正交性条件和灵敏度分析结合方法。28919
 参数型修正法
该方法是现阶段模型修正的主流。该方法将实测数据与理论数据的差值作为目标函数，选择一些对模型影响较大的参数进行修正，改变这些参数的值，使得所创建的目标函数的值达到最小。参数型修正法最重要的一步就是选择待修正的参数，Gyeong-HoKim和Youn-Sik Park首先提出了这一说法。参数对模型的影响度指标可以用灵敏度来衡量。灵敏度越高则说明该参数对模型计算结果影响越大。这些参数可以是弹性模里、杨氏模量、泊松比等。夏品奇的Safti斜拉桥模型，基于参数的灵敏度分析采用了参数型修正法，成功修正了该斜拉桥的21个待修正参数[6]。论文网
 新型模型修正法
近年来在实际的工程应用中，传统的方法在某些大型工程上不能完美实现，研究人员另辟蹊径通过仿生学得到了许多新型模型修正法。这些方法不同于传统的数学力学方法，如神经网络法，该方法通过模拟人脑神经元对信息的传递机制而来。自上世纪四十年代首次问世以来，因其强大的非线性映射性能、鲁棒性、高度并行性等，得到人们广泛的研究及应用。由最初的线性感知器逐渐发展到多层的前向型神经网络--BP（Back Propagation）神经网络。1981年，Kohonen提出了自组织特征映射神经网络即SQM神经网络[6]。1982年，Hopfield提出了具有循环互联的反馈型人工神经网络，被称为反馈神经网络。1985年，Powell提出了多变量插值的径向基函数方法。1988年，Broomhead和Lowe在此基础上提出了径向基神经网络，即RBF神经网络。自此神经网络的框架已经形成，后续的研究主要对这些方法进行算法上的优化。除神经网络外，遗传算法、蚁群算法、微粒群算法、人工免疫算法，也是基于仿生学开发出的优秀算法[7]，他们极大地丰富了模型修正的技术，为现代工程应用提供了更多的可行性方案。这些方法有别于传统方法，使用恰当往往会得到更加完美的结果，值得研究人员去关注。 模型修正国内外研究现状:http://www.youerw.com/yanjiu/lunwen_23957.html