| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 论文研究背景和意义 | 第9-11页 |
| 1.2 变形预测方法综述 | 第11-15页 |
| 1.3 时空序列建模研究现状 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 第二章 时空序列数据分析和建模 | 第17-37页 |
| 2.1 时空序列分析概述 | 第17页 |
| 2.2 自相关性分析 | 第17-24页 |
| 2.2.1 时间自相关 | 第17-19页 |
| 2.2.2 空间自相关 | 第19-21页 |
| 2.2.3 时空自相关 | 第21-24页 |
| 2.3 平稳性分析 | 第24-27页 |
| 2.3.1 时间平稳 | 第24-25页 |
| 2.3.2 空间平稳 | 第25-26页 |
| 2.3.3 时空平稳 | 第26-27页 |
| 2.4 时空序列模型（STARMA）及其建模步骤 | 第27-36页 |
| 2.4.1 空间邻接性与空间权重矩阵 | 第28-32页 |
| 2.4.2 时空序列模型 | 第32-34页 |
| 2.4.3 建模步骤 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 人工神经网络理论与混合建模 | 第37-52页 |
| 3.1 人工神经网络 | 第37-45页 |
| 3.1.1 神经元模型 | 第37-42页 |
| 3.1.2 BP神经网络及其结构 | 第42-43页 |
| 3.1.3 BP算法的实现步骤 | 第43-45页 |
| 3.2 BP神经网络用于非平稳时空序列混合建模 | 第45-50页 |
| 3.2.1 混合模型建模思想 | 第46-49页 |
| 3.2.2 建模步骤 | 第49-50页 |
| 3.3 本章小结 | 第50-52页 |
| 第四章 时空序列模型在变形监测中的应用 | 第52-63页 |
| 4.1 数据概况 | 第52-53页 |
| 4.2 时空平稳性检验 | 第53-55页 |
| 4.3 确定空间权重矩阵 | 第55-56页 |
| 4.4 模型的建立 | 第56-58页 |
| 4.5 实验结果 | 第58-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 基于神经网络与时空序列的混合模型在变形监测中的应用 | 第63-71页 |
| 5.1 模型训练 | 第63-66页 |
| 5.2 模型结果与验证 | 第66-69页 |
| 5.3 本章小结 | 第69-71页 |
| 结论与展望 | 第71-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75页 |