| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 粒子群优化算法的研究现状 | 第12-14页 |
| 1.2.2 BP神经网络的研究现状 | 第14页 |
| 1.2.3 地震人员损失评估方法研究现状 | 第14-16页 |
| 1.3 论文研究内容及技术路线 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 课题相关基础知识 | 第19-29页 |
| 2.1 粒子群优化算法 | 第19-22页 |
| 2.1.1 基本PSO算法 | 第19-21页 |
| 2.1.2 带惯性权重的PSO算法 | 第21-22页 |
| 2.2 BP神经网络 | 第22-25页 |
| 2.2.1 BP算法原理 | 第22-24页 |
| 2.2.2 BP算法步骤 | 第24-25页 |
| 2.3 地震人员损失快速评估 | 第25-28页 |
| 2.3.1 影响地震灾害大小的因素 | 第25-26页 |
| 2.3.2 地震烈度衰减关系 | 第26-27页 |
| 2.3.3 地震人员损失评估流程 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于PSO的地震人员死亡率模型研究 | 第29-38页 |
| 3.1 引言 | 第29-30页 |
| 3.2 PAGER人员死亡率模型 | 第30-31页 |
| 3.3 基于PSO的人员死亡率模型参数优化算法 | 第31-33页 |
| 3.4 实验及结果分析 | 第33-37页 |
| 3.4.1 数据来源及处理 | 第33页 |
| 3.4.2 模型学习训练 | 第33-34页 |
| 3.4.3 结果分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于神经网络的烈度衰减融合模型研究 | 第38-49页 |
| 4.1 引言 | 第38-39页 |
| 4.2 烈度衰减模型 | 第39-40页 |
| 4.2.1 中国西部烈度衰减模型 | 第39页 |
| 4.2.2 矩阵衰减模型 | 第39-40页 |
| 4.3 基于BP神经网络的融合模型 | 第40-43页 |
| 4.4 实验及结果分析 | 第43-48页 |
| 4.4.1 数据来源及处理 | 第43-44页 |
| 4.4.2 模型学习训练 | 第44-45页 |
| 4.4.3 结果分析 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 地震应急辅助决策系统设计及实现 | 第49-77页 |
| 5.1 系统需求分析 | 第49-53页 |
| 5.1.1 总体需求分析 | 第49-52页 |
| 5.1.2 烈度衰减融合模型预测模块需求分析 | 第52页 |
| 5.1.3 地震人员死亡和经济损失预测模块需求分析 | 第52-53页 |
| 5.2 系统总体设计 | 第53-62页 |
| 5.2.1 系统架构设计 | 第54-55页 |
| 5.2.2 系统数据库设计 | 第55-59页 |
| 5.2.3 系统功能设计 | 第59-61页 |
| 5.2.4 系统部署设计 | 第61-62页 |
| 5.3 地震应急辅助决策系统实现 | 第62-74页 |
| 5.3.1 烈度衰减融合模型预测模块实现 | 第62-65页 |
| 5.3.2 地震人员死亡和经济损失预测模块实现 | 第65-68页 |
| 5.3.3 系统功能模块集成 | 第68-74页 |
| 5.4 系统功能测试 | 第74-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77页 |
| 6.2 下一步工作展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 附录 | 第85-95页 |
| 攻硕期间取得的研究成果 | 第95页 |