| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 安全监测的作用、意义及应用情况 | 第11-19页 |
| ·深基坑工程的发展简介 | 第11-12页 |
| ·工程安全监测的简述、意义和作用 | 第12-14页 |
| ·安全监测数学模型简述 | 第14-16页 |
| ·神经网络模型的发展及建立模型的可行性 | 第16-18页 |
| ·本文研究内容 | 第18-19页 |
| 第二章 RBF 神经网络基本原理及监测模型结构 | 第19-31页 |
| ·人工神经元网络原理与应用 | 第19-25页 |
| ·人工神经元网络的发展 | 第19-20页 |
| ·人工神经元 | 第20-22页 |
| ·人工神经网络特点 | 第22页 |
| ·人工神经网络的常见模型 | 第22-24页 |
| ·BP 网络模型与 RBF 网络模型 | 第24-25页 |
| ·RBF 神经网络模型原理 | 第25-29页 |
| ·RBF 神经网络模型 | 第25-27页 |
| ·RBF 网络的学习算法 | 第27-29页 |
| ·RBF 基坑安全监测模型结构 | 第29-30页 |
| ·监测模型的作用分析 | 第29页 |
| ·本文模型的输入层构造和中心选取思想简述 | 第29-30页 |
| ·RBF 模型结构及运行步骤 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第三章 深基坑RBF 监测模型输入影响因子集的构造原理 | 第31-41页 |
| ·影响因素分析和因子形式 | 第31-32页 |
| ·土体本构模型的建立与发展 | 第32-33页 |
| ·土体的蠕变本构模型 | 第33-34页 |
| ·土体材料蠕变的定义和研究内容 | 第33页 |
| ·从岩土蠕变特性出发建立本构方程 | 第33-34页 |
| ·土体基于遗传蠕变的应变本构模型 | 第34-35页 |
| ·构造影响因子 | 第35-39页 |
| ·遗传蠕变本构方程推导分析 | 第35页 |
| ·反映瞬时变形的影响因子 | 第35-36页 |
| ·反映蠕变历史变形的影响因子 | 第36-37页 |
| ·等效开挖深度 | 第37-39页 |
| ·RBF 监测模型的输入影响因子集 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 RBF 神经网络变形监测模型应用 | 第41-59页 |
| ·工程背景简介 | 第41-43页 |
| ·工程概况 | 第41页 |
| ·地质条件 | 第41-42页 |
| ·基坑监测数据说明 | 第42-43页 |
| ·观测资料数据分析及RBF 监测模型的应用一 | 第43-52页 |
| ·构造输入影响因子 | 第44-46页 |
| ·监测模型程序运用 | 第46-48页 |
| ·监测模型对1-53 天的训练结果 | 第48-51页 |
| ·监测模型对54-61 天的预测 | 第51-52页 |
| ·RBF 监测模型应用二 | 第52-58页 |
| ·1-73 天训练样本构造 | 第52-54页 |
| ·监测模型对1-73 天的训练和结果 | 第54-56页 |
| ·监测模型对74-86 天的预测 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 RBF 监测模型的学习中心确定 | 第59-73页 |
| ·监测模型输入层和学习中心确定的重要性 | 第59-60页 |
| ·针对样本特点的中心选择方法 | 第60-62页 |
| ·中心选择方法应用 | 第62-71页 |
| ·三种方法的中心选择 | 第62页 |
| ·方法1 的应用举例 | 第62-65页 |
| ·方法2 的应用举例 | 第65-68页 |
| ·方法3 的应用举例 | 第68-71页 |
| ·三种方法对比 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 结论与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 附录 | 第79-90页 |
| 致谢 | 第90-91页 |
| 攻读硕士学位期间完成的科研成果 | 第91-94页 |
| 上海交通大学学位论文答辩决议书 | 第94页 |