改进支持向量机在大坝变形预测中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2.国内外研究现状 | 第9-11页 |
| 1.2.1 变形分析研究现状 | 第9-10页 |
| 1.2.2 SVM研究现状 | 第10-11页 |
| 1.3 研究内容及技术路线 | 第11-13页 |
| 1.3.1 论文研究内容 | 第11-12页 |
| 1.3.2 论文技术路线 | 第12-13页 |
| 1.4 论文章节安排 | 第13-14页 |
| 第二章 大坝变形监测及变形数据预处理 | 第14-22页 |
| 2.1 大坝变形监测 | 第14-16页 |
| 2.1.1 大坝变形原因 | 第14页 |
| 2.1.2 大坝变形的影响因子 | 第14-15页 |
| 2.1.3 监测点布设 | 第15页 |
| 2.1.4 大坝变形监测方法 | 第15-16页 |
| 2.2 大坝变形监测数据预处理 | 第16-22页 |
| 2.2.1 一元线性回归法 | 第17页 |
| 2.2.2 观测资料筛选法 | 第17-18页 |
| 2.2.3 奇异值检验插补法 | 第18页 |
| 2.2.4 小波分析法 | 第18-22页 |
| 第三章 统计学习理论和SVM理论基础 | 第22-30页 |
| 3.1 统计学习理论 | 第22-24页 |
| 3.1.1 学习过程一致性条件 | 第22页 |
| 3.1.2 VC维理论 | 第22-23页 |
| 3.1.3 推广性的界 | 第23页 |
| 3.1.4 结构风险最小化 | 第23-24页 |
| 3.2 SVM理论 | 第24-30页 |
| 3.2.1 广义最优分类面 | 第24-25页 |
| 3.2.2 SVM的分类 | 第25-27页 |
| 3.2.3 SVM回归 | 第27-29页 |
| 3.2.4 SVM参数影响分析 | 第29-30页 |
| 第四章 改进SVM大坝预测模型的构建 | 第30-38页 |
| 4.1 GEP算法 | 第30-34页 |
| 4.1.1 GEP算法原理 | 第30-31页 |
| 4.1.2 GEP算法遗传操作 | 第31-34页 |
| 4.2 基于GEP算法的改进SVM模型设计 | 第34-38页 |
| 4.2.1 建模流程 | 第34-36页 |
| 4.2.2 建模实现 | 第36-38页 |
| 第五章 大坝变形预测应用分析 | 第38-58页 |
| 5.1 项目概况 | 第38-46页 |
| 5.1.1 概述 | 第38页 |
| 5.1.2 监测点的布设 | 第38-42页 |
| 5.1.3 小波分析数据预处理 | 第42-46页 |
| 5.2 改进SVM在大坝变形预测中的应用 | 第46-54页 |
| 5.2.1 改进SVM参数择优 | 第46-48页 |
| 5.2.2 基于改进SVM模型大坝变形数据分析 | 第48-54页 |
| 5.3 传统SVM在大坝变形预测中的应用 | 第54-55页 |
| 5.4 预测结果比较与分析 | 第55-58页 |
| 5.4.1 预测结果比较 | 第55-57页 |
| 5.4.2 预测结果分析 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间的研究成果 | 第64-65页 |
