隧道形变动态检测与分析系统研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-23页 |
| 1.1 研究的背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 国外研究现状 | 第14-17页 |
| 1.2.2 国内研究现状 | 第17-20页 |
| 1.3 研究内容与章节安排 | 第20-23页 |
| 2 隧道形变动态检测与分析系统总体方案 | 第23-27页 |
| 2.1 系统工作原理 | 第23-24页 |
| 2.2 总体方案设计 | 第24-26页 |
| 2.2.1 硬件系统设计 | 第24-25页 |
| 2.2.2 数据处理算法设计 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 数据采集系统设计 | 第27-45页 |
| 3.1 数据采集系统主要设备 | 第27-30页 |
| 3.1.1 激光扫描测距仪 | 第27-29页 |
| 3.1.2 激光位移传感器 | 第29-30页 |
| 3.2 LMS500数据处理 | 第30-32页 |
| 3.2.1 LMS500与FPGA接口设计 | 第30-31页 |
| 3.2.2 LMS500数据采集逻辑设计 | 第31-32页 |
| 3.3 USB接口数据传输 | 第32-42页 |
| 3.3.1 USB芯片简介 | 第32-34页 |
| 3.3.2 USB与FPGA接口设计 | 第34-36页 |
| 3.3.3 USB接口逻辑设计 | 第36-39页 |
| 3.3.4 USB固件程序设计 | 第39-42页 |
| 3.4 本章小结 | 第42-45页 |
| 4 数据处理算法设计 | 第45-61页 |
| 4.1 多传感器相对定位算法设计 | 第45-51页 |
| 4.1.1 相对定位原理 | 第46-47页 |
| 4.1.2 确定基准数据 | 第47页 |
| 4.1.3 粗校准定位 | 第47-49页 |
| 4.1.4 细校准定位 | 第49-51页 |
| 4.2 基于RBF神经网络的隧道建模算法 | 第51-59页 |
| 4.2.1 RBF神经网络基础 | 第52-53页 |
| 4.2.2 RBF神经网络与内插 | 第53-55页 |
| 4.2.3 隧道建模算法原理 | 第55页 |
| 4.2.4 隧道模型建立 | 第55-59页 |
| 4.3 形变分析 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 实验验证与结果分析 | 第61-81页 |
| 5.1 多传感器相对定位算法验证 | 第62-69页 |
| 5.1.1 粗校准定位验证 | 第62-67页 |
| 5.1.2 细校准定位验证 | 第67-69页 |
| 5.2 基于RBF的隧道建模算法及形变分析验证 | 第69-76页 |
| 5.2.1 地铁环境模型及形变验证 | 第69-72页 |
| 5.2.2 实验室环境模型及形变验证 | 第72-76页 |
| 5.3 实验结果及误差分析 | 第76-77页 |
| 5.4 三维点云显示 | 第77-78页 |
| 5.5 本章小结 | 第78-81页 |
| 6 结论 | 第81-83页 |
| 6.1 论文工作总结 | 第81-82页 |
| 6.2 展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 作者简介及攻读硕士学位期间的研究成果 | 第87-91页 |
| 学位论文数据集 | 第91页 |
