| 1 前言 | 第1-12页 |
| 1．1 选题依据 | 第6-7页 |
| 1．2 滑坡研究现状及存在的问题 | 第7-8页 |
| 1．2．1 滑坡预测预报的研究现状 | 第7页 |
| 1．2．2 滑坡预测预报研究存在的问题 | 第7-8页 |
| 1．3 人工免疫系统的研究现状及其应用的可行性与优越性 | 第8-11页 |
| 1．3．1 人工免疫系统的研究现状 | 第8-10页 |
| 1．3．2 应用AIS解决滑坡问题的可行性与优越性 | 第10-11页 |
| 1．4 论文主要创新 | 第11-12页 |
| 2 生物免疫与人工免疫 | 第12-32页 |
| 2．1 生物免疫系统 | 第12-16页 |
| 2．1．1 生物免疫研究的发展 | 第12-13页 |
| 2．1．2 生物免疫的基本概念 | 第13-14页 |
| 2．1．3 生物免疫系统的基本特征 | 第14-15页 |
| 2．1．4 人工免疫与生物免疫 | 第15-16页 |
| 2．2 人工免疫系统 | 第16-32页 |
| 2．2．1 人工免疫系统的模型与算法 | 第16-28页 |
| 2．2．1．1 人工免疫系统模型与网络模型 | 第16-21页 |
| 2．2．1．2 人工免疫系统的算法 | 第21-26页 |
| 2．2．1．3 人工免疫系统与其他算法的比较 | 第26-28页 |
| 2．2．2 人工免疫系统的典型应用 | 第28-30页 |
| 2．2．3 人工免疫系统存在的问题和进一步研究方向 | 第30-32页 |
| 3 丹巴滑坡简介 | 第32-39页 |
| 3．1 滑坡区自然地质环境条件 | 第32-33页 |
| 3．1．1 地形地貌 | 第32页 |
| 3．1．2 地质条件 | 第32-33页 |
| 3．2 滑坡基本特征 | 第33-39页 |
| 3．2．1 滑坡规模 | 第33页 |
| 3．2．2 滑坡分区及各区基本特征 | 第33-35页 |
| 3．2．2．1 Ⅰ区 | 第33-34页 |
| 3．2．2．2 Ⅱ区 | 第34页 |
| 3．2．2．3 Ⅲ区 | 第34-35页 |
| 3．2．3 滑坡变形特征 | 第35-36页 |
| 3．2．4 滑坡监测数据样本 | 第36-39页 |
| 4 应用AIS处理滑坡数据 | 第39-48页 |
| 4．1 应用AIS进行数据压缩，减小数据规模 | 第39-43页 |
| 4．2 应用AIS去除数据噪声，提取滑坡真实信息 | 第43-48页 |
| 4．2．1 传统的降噪方法 | 第43-44页 |
| 4．2．2 新近发展的非线性滤波法 | 第44页 |
| 4．2．3 人工免疫算法 | 第44-48页 |
| 5 应用AIS识别滑坡突变点 | 第48-53页 |
| 5．1 现有的突变点判别法 | 第48-49页 |
| 5．2 应用免疫算法识别滑坡突变点 | 第49-53页 |
| 6 滑坡预报的多模型AIS融合 | 第53-67页 |
| 6．1 多模型融合的必要性 | 第53页 |
| 6．2 常用的融合方法 | 第53-54页 |
| 6．3 应用AIS对多模型进行融合 | 第54-67页 |
| 6．3．1 应用AIS进行融合的可行性与优越性 | 第54-55页 |
| 6．3．2 应用AIS对多个滑坡预测预报模型进行融合 | 第55-62页 |
| 6．3．2．1 四种预测预报模型在丹巴滑坡中的应用结果 | 第57-60页 |
| 6．3．2．2 丹巴滑坡的多模型AIS融合 | 第60-62页 |
| 6．3．3 应用新滩滑坡A3点监测资料检验以上模型与算法 | 第62-67页 |
| 6．3．3．1 四种预测预报模型在新滩滑坡中的应用结果 | 第62-64页 |
| 6．3．3．2 新滩滑坡的多模型AIS融合 | 第64-67页 |
| 7 结论与建议 | 第67-69页 |
| 7．1 结论 | 第67页 |
| 7．2 建议 | 第67-69页 |
| 8 致谢 | 第69-70页 |
| 9 参考文献 | 第70-74页 |
| 10 附录 | 第74-78页 |
| 10．1 丹巴滑坡其余典型监测点每日位移监测数据滤波结果 | 第74-77页 |
| 10．2 部分免疫模型流程图 | 第77-78页 |
