| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究大坝变形监测的背景及意义 | 第12-13页 |
| 1.2 预测领域研究进展及现状 | 第13-14页 |
| 1.3 大坝变形监测的国内外研究现状 | 第14-16页 |
| 1.4 本文研究的主要内容 | 第16-18页 |
| 第二章 大坝变形监测的理论与方法 | 第18-32页 |
| 2.1 大坝变形监测的统计学模型 | 第18-27页 |
| 2.1.1 逐步回归分析法 | 第19页 |
| 2.1.2 混凝土重力坝变形监测统计模型 | 第19-23页 |
| 2.1.3 混凝土重力坝灰色分析模型 | 第23-25页 |
| 2.1.4 混凝土重力坝神经网络分析模型 | 第25-27页 |
| 2.2 大坝变形监测的确定性模型与混合模型 | 第27-28页 |
| 2.3 存在的问题 | 第28页 |
| 2.4 大坝变形监测分析的新理论和新方法 | 第28-30页 |
| 2.4.1 时间序列分析法 | 第28-29页 |
| 2.4.2 模糊聚类分析理论 | 第29-30页 |
| 2.4.3 突变理论 | 第30页 |
| 2.5 小结 | 第30-32页 |
| 第三章 支持向量机理论 | 第32-48页 |
| 3.1 机器学习问题概述 | 第32-36页 |
| 3.1.1 经验风险最小化与统计学习理论 | 第33-34页 |
| 3.1.2 VC维的概念 | 第34-36页 |
| 3.1.3 结构风险最小化原则 | 第36页 |
| 3.2 支持向量机原理 | 第36-42页 |
| 3.2.1 支持向量机算法的发展历史及研究现状 | 第37-38页 |
| 3.2.2 支持向量机的基本概念 | 第38-41页 |
| 3.2.3 支持向量机核函数 | 第41-42页 |
| 3.3 支持向量机回归估计方法 | 第42-44页 |
| 3.3.1 支持向量机线性回归模型 | 第42-43页 |
| 3.3.2 支持向量机非线性回归模型 | 第43-44页 |
| 3.4 LIBSVM工具箱简介 | 第44-46页 |
| 3.5 小结 | 第46-48页 |
| 第四章 新安江重力坝变形监测SVM模型的建立 | 第48-76页 |
| 4.1 新安江水电站工程概况及枢纽布置 | 第48-52页 |
| 4.1.1 工程防渗监测设施 | 第49-50页 |
| 4.1.2 工程安全监测系统 | 第50-52页 |
| 4.2 新安江重力坝基本监测数据分析 | 第52-55页 |
| 4.2.1 上下游水位监测资料分析 | 第52-54页 |
| 4.2.2 气温监测资料分析 | 第54-55页 |
| 4.3 变形监测SVM模型的建立 | 第55-74页 |
| 4.3.1 模型输入因子的选择 | 第55-58页 |
| 4.3.2 模型输入数据预处理 | 第58-60页 |
| 4.3.3 模型参数的优化选取 | 第60-62页 |
| 4.3.4 核函数的选择 | 第62-72页 |
| 4.3.5 模型评价指标 | 第72-73页 |
| 4.3.6 模型建立的训练步骤 | 第73-74页 |
| 4.4 小结 | 第74-76页 |
| 第五章 新安江重力坝变形监测SVM模型与BP模型的对比分析 | 第76-90页 |
| 5.1 16~ | 第76-80页 |
| 5.1.1 BP神经网络的训练 | 第76-79页 |
| 5.1.2 BP神经网络模型的预测 | 第79-80页 |
| 5.2 16~ | 第80-82页 |
| 5.3 18~ | 第82-88页 |
| 5.3.1 18~ | 第82-85页 |
| 5.3.2 18~ | 第85-87页 |
| 5.3.3 18~ | 第87-88页 |
| 5.4 小结 | 第88-90页 |
| 第六章 结论与展望 | 第90-92页 |
| 6.1 结论 | 第90-91页 |
| 6.2 展望 | 第91-92页 |
| 致谢 | 第92-94页 |
| 参考文献 | 第94-98页 |
| 附录 | 第98页 |