| 摘要 | 第1页 |
| Abstract | 第6-7页 |
| 详细摘要 | 第7-10页 |
| Detailed Abstract | 第10-17页 |
| 1 绪论 | 第17-27页 |
| ·论文研究背景与意义 | 第17-18页 |
| ·变形分析的内涵 | 第18-19页 |
| ·变形的几何分析 | 第18页 |
| ·变形的物理解释 | 第18-19页 |
| ·国内外关于变形预测与分析的研究现状 | 第19-21页 |
| ·大坝变形监测分析中存在的问题 | 第21页 |
| ·变形监测与分析的发展趋势 | 第21-22页 |
| ·支持向量机模型研究现状 | 第22-24页 |
| ·论文研究主要内容及章节安排 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 2 大坝变形分析与建模的基本理论与方法 | 第27-53页 |
| ·大坝监测确定性模型 | 第27-29页 |
| ·基本定义 | 第27页 |
| ·构造模型 | 第27-28页 |
| ·确定各环境影响分量结构形式 | 第28-29页 |
| ·建立模型 | 第29页 |
| ·模型检验和校正 | 第29页 |
| ·大坝监测统计模型 | 第29-39页 |
| ·回归分析 | 第29-32页 |
| ·时间序列法 | 第32-37页 |
| ·灰色系列分析模型 | 第37-39页 |
| ·神经网络系统分析模型 | 第39-42页 |
| ·BP网络的拓扑结构 | 第39-40页 |
| ·BP网络的学习算法 | 第40-42页 |
| ·基于BP神经网络的变形预测 | 第42页 |
| ·统计学习理论与支持向量机 | 第42-51页 |
| ·机器学习 | 第43页 |
| ·统计学习理论 | 第43-45页 |
| ·支持向量机基本原理 | 第45-51页 |
| ·本章小结 | 第51-53页 |
| 3 小浪底水利枢纽大坝变形监测系统的布设及资料分析 | 第53-65页 |
| ·小浪底水利枢纽工程概况 | 第53-54页 |
| ·小浪底大坝变形监测方案设计 | 第54-61页 |
| ·监测方案设计原则 | 第54页 |
| ·监测项目及断面选择 | 第54-55页 |
| ·小浪底大坝外部变形监测设计与实施 | 第55-61页 |
| ·变形观测成果的整理 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 4 PCA-SVM方法在小浪底大坝变形预测中的应用 | 第65-93页 |
| ·变形数据数据预处理及样本选择 | 第65-69页 |
| ·变形数据预处理概述 | 第65-66页 |
| ·输入数据预处理 | 第66-68页 |
| ·样本选择 | 第68-69页 |
| ·PCA-SVM预测模型 | 第69-74页 |
| ·预测模型参数的选取对预测结果的影响 | 第71-72页 |
| ·预测模型计算 | 第72-73页 |
| ·预测精度评价 | 第73-74页 |
| ·概率主成分分析(PPCA)模型研究 | 第74-83页 |
| ·概率主成分分析模型的基本理论 | 第74-76页 |
| ·数据缺失的概率主成分的EM算法 | 第76-83页 |
| ·PCA-SVM预测模型计算过程 | 第83-84页 |
| ·应用小浪底水利枢纽大坝观测数据进行实例分析 | 第84-91页 |
| ·PCA-SVM算例分析 | 第84-86页 |
| ·PPCA-SVM算例分析 | 第86-91页 |
| ·本章小结 | 第91-93页 |
| 5 大坝变形预测模型影响因子的关联分析 | 第93-113页 |
| ·相关性分析的支持向量机的研究 | 第93-97页 |
| ·大坝位移的主要影响因子 | 第93-94页 |
| ·Kendall秩相关系数法 | 第94-95页 |
| ·Spearman秩相关系数法 | 第95-96页 |
| ·Pearson相关系数法 | 第96-97页 |
| ·基于相关性分析的支持向量机预测模型的建立 | 第97页 |
| ·基于灰色关联分析的支持向量机 | 第97-101页 |
| ·灰色关联因子空间 | 第97-98页 |
| ·灰色关联度的基本理论 | 第98-100页 |
| ·灰色关联度计算步骤 | 第100-101页 |
| ·基于灰色关联分析的支持向量机(GRA-SVM)的预测过程 | 第101页 |
| ·精度评定 | 第101页 |
| ·基于小浪底水利枢纽大坝观测数据的实例分析 | 第101-111页 |
| ·基于相关性分析的算例分析 | 第101-103页 |
| ·基于灰色关联分析的算例分析 | 第103-111页 |
| ·本章小结 | 第111-113页 |
| 6 基于变异时序的GM-SVM预测模型 | 第113-127页 |
| ·变异时间序列分析的GM模型 | 第113-116页 |
| ·GM(1,1)模型 | 第113-114页 |
| ·变异时间序列回归模型的优选 | 第114-116页 |
| ·GM-SVM | 第116-118页 |
| ·组合模型思路 | 第116-117页 |
| ·GM_SVM模型构建 | 第117-118页 |
| ·变异时序GM-SVM | 第118-119页 |
| ·基于小浪底水利枢纽大坝观测数据的GM-SVM预测实例分析 | 第119-125页 |
| ·本章小结 | 第125-127页 |
| 7 基于支持向量机的大坝变形预测模型对比分析 | 第127-137页 |
| ·不同模型对长期样本数据预测的适用范围 | 第127-130页 |
| ·不同模型对最佳预测样本数的确定 | 第130页 |
| ·不同模型对短期样本数据预测的适用范围 | 第130-133页 |
| ·不同模型适宜性评价 | 第133-135页 |
| ·本章小结 | 第135-137页 |
| 8 结论与展望 | 第137-141页 |
| ·结论 | 第137-138页 |
| ·展望 | 第138-141页 |
| 参考文献 | 第141-147页 |
| 致谢 | 第147-149页 |
| 作者简介 | 第149页 |
