| 摘要 | 第4-7页 |
| Abstract | 第7-10页 |
| 1 引言 | 第15-25页 |
| 1.1 选题的背景及研究意义 | 第15-17页 |
| 1.2 滑坡灾害预测预报研究现状 | 第17-21页 |
| 1.2.1 滑坡灾害预测预报研究动态 | 第17-19页 |
| 1.2.2 现有滑坡预报方法存在的问题 | 第19-21页 |
| 1.3 本文研究的主要内容及技术路线 | 第21-25页 |
| 1.3.1 主要研究内容 | 第21-23页 |
| 1.3.2 技术路线 | 第23-25页 |
| 2 基于经典智能算法BP和RBF的滑坡变形位移预测 | 第25-61页 |
| 2.1 滑坡变形位移状态辨识与曲线特征分类 | 第25-31页 |
| 2.1.1 滑坡变形位移状态辨识 | 第25-26页 |
| 2.1.2 滑坡变形位移曲线特征分类 | 第26-27页 |
| 2.1.3 我国境内典型滑坡体案例 | 第27-31页 |
| 2.2 BP神经网络 | 第31-36页 |
| 2.2.1 BP网络的结构模型 | 第32-33页 |
| 2.2.2 BP网络的学习机理 | 第33-34页 |
| 2.2.3 BP神经网络的优缺点 | 第34-35页 |
| 2.2.4 BP神经网络的四种改进算法 | 第35-36页 |
| 2.3 BP神经网络滑坡预测时应注意的若干问题 | 第36-40页 |
| 2.3.1 滑坡位移数据归一化方法的选取 | 第36-37页 |
| 2.3.2 BP网络输入、输出层节点的设计 | 第37-38页 |
| 2.3.3 BP网络隐含层结构设计 | 第38页 |
| 2.3.4 BP网络传递函数的选取 | 第38-39页 |
| 2.3.5 学习速率的选取 | 第39页 |
| 2.3.6 BP神经网络学习算法的选取 | 第39-40页 |
| 2.4 基于BP神经网络的滑坡变形位移预测 | 第40-51页 |
| 2.4.1 滑坡位移数据的归一化处理 | 第40-42页 |
| 2.4.2 BP网络结构参数优选 | 第42-45页 |
| 2.4.3 BP学习算法选取的讨论 | 第45-47页 |
| 2.4.4 LMBP滑坡预测效果的进一步验证 | 第47-51页 |
| 2.5 基于RBF神经网络的滑坡变形位移预测 | 第51-56页 |
| 2.5.1 RBF网络的结构模型 | 第51-53页 |
| 2.5.2 RBF网络的学习机理 | 第53页 |
| 2.5.3 RBF网络参数优选 | 第53-54页 |
| 2.5.4 RBF神经网络在滑坡预测中的应用 | 第54-56页 |
| 2.6 BP、RBF神经网络滑坡预测有效性比较 | 第56-60页 |
| 2.6.1 BP、RBF神经网络特点比较 | 第56-57页 |
| 2.6.2 BP、RBF神经网络滑坡预测效果比较 | 第57-60页 |
| 2.7 本章小结 | 第60-61页 |
| 3 基于新型智能算法ELM的滑坡变形位移预测 | 第61-77页 |
| 3.1 极限学习机ELM | 第61-65页 |
| 3.1.1 ELM的提出 | 第61-62页 |
| 3.1.2 单隐层前馈型神经网络 | 第62页 |
| 3.1.3 ELM算法描述与训练步骤 | 第62-64页 |
| 3.1.4 ELM与BP、RBF的不同点比较 | 第64-65页 |
| 3.2 ELM滑坡变形位移预测实验分析 | 第65-68页 |
| 3.2.1 ELM滑坡预测建模网络参数的选取 | 第65-66页 |
| 3.2.2 ELM滑坡预测性能测试 | 第66-68页 |
| 3.2.3 ELM滑坡预测效果分析 | 第68页 |
| 3.3 ROBUST-ELM滑坡预测模型 | 第68-72页 |
| 3.3.1 LS估计求解ELM输出权值的缺点 | 第68-69页 |
| 3.3.2 误差处理视角下ELM输出权重的推求 | 第69页 |
| 3.3.3 M估计理论 | 第69-71页 |
| 3.3.4 M估计的权函数 | 第71-72页 |
| 3.3.5 Robust-ELM算法流程 | 第72页 |
| 3.4 ROBUST-ELM滑坡预测中的抗粗差性验证 | 第72-76页 |
| 3.4.1 Robust-ELM对单个粗差的抵御性验证 | 第72-75页 |
| 3.4.2 Robust-ELM对多个粗差的抵御性验证 | 第75-76页 |
| 3.5 本章小结 | 第76-77页 |
| 4 基于智能耦合模型的滑坡变形位移预测 | 第77-105页 |
| 4.1 滑坡耦合预测模型构建时需解决的关键问题 | 第77-79页 |
| 4.1.1 单一预测模型的选取标准 | 第77-78页 |
| 4.1.2 耦合预测模型的构建形式 | 第78-79页 |
| 4.2 基于权重约束的滑坡耦合预测模型 | 第79-88页 |
| 4.2.1“权重约束”耦合预测的思想 | 第79页 |
| 4.2.2 权重约束GM(1,1)-ELM算法实现流程 | 第79-80页 |
| 4.2.3 顾及不同约束准则的权重求取 | 第80-84页 |
| 4.2.4 不同约束准则下权重特点评述 | 第84页 |
| 4.2.5 滑坡算例分析 | 第84-88页 |
| 4.3 基于算法融合的滑坡预测耦合模型 | 第88-95页 |
| 4.3.1 算法融合的思想 | 第88-89页 |
| 4.3.2 基于算法融合的GM(1,1)-ELM实现流程 | 第89-90页 |
| 4.3.3 滑坡算例分析 | 第90-95页 |
| 4.4 顾及诱发因素影响的耦合模型 | 第95-102页 |
| 4.4.1 顾及诱发因素影响的耦合建模思想 | 第95-96页 |
| 4.4.2 顾及诱发因素的GM(1,1)-ELM实现流程 | 第96-97页 |
| 4.4.3 滑坡算例分析 | 第97-102页 |
| 4.5 滑坡变形耦合预测模型的适用性剖析 | 第102-103页 |
| 4.6 本章小结 | 第103-105页 |
| 5 基于多因素加权灰靶ELM的滑坡危险性评价 | 第105-121页 |
| 5.1 滑坡危险性评价已有方法存在的问题 | 第105-106页 |
| 5.2 滑坡危险性评价因素体系 | 第106-109页 |
| 5.2.1 滑坡灾害的形成条件 | 第107-108页 |
| 5.2.2 滑坡灾害的诱发因素 | 第108-109页 |
| 5.3 滑坡危险性评价的多因素加权灰靶ELM模型 | 第109-113页 |
| 5.3.1 基于GRA的滑坡危险性评价因素权重求取 | 第109-110页 |
| 5.3.2 灰靶决策支持下的滑坡危险等级区划 | 第110-112页 |
| 5.3.3 滑坡危险等级评价的灰靶ELM模型 | 第112-113页 |
| 5.4 基于灰靶ELM的重庆万州区滑坡危险性评价 | 第113-118页 |
| 5.4.1 研究区域滑坡概况及成因分析 | 第113-114页 |
| 5.4.2 基于GRA的万州区滑坡影响因素权重分析 | 第114-115页 |
| 5.4.3 基于灰靶决策的万州区滑坡危险等级区划 | 第115-117页 |
| 5.4.4 基于灰靶ELM的万州区滑坡危险等级评价 | 第117-118页 |
| 5.5 本章小结 | 第118-121页 |
| 6 结论与展望 | 第121-125页 |
| 6.1 主要研究成果 | 第121-123页 |
| 6.2 论文的主要创新点 | 第123页 |
| 6.3 后续研究工作 | 第123-125页 |
| 参考文献 | 第125-135页 |
| 致谢 | 第135-137页 |
| 作者简介 | 第137-138页 |
