| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-16页 |
| 1.1 概述 | 第11-12页 |
| 1.2 研究的目的及意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-16页 |
| 2 小波分析理论 | 第16-22页 |
| 2.1 小波分析的基本概述 | 第16-17页 |
| 2.2 小波基函数 | 第17-18页 |
| 2.3 小波阈值 | 第18-19页 |
| 2.3.1 阈值的选取 | 第18-19页 |
| 2.4 小波分析的去噪原理 | 第19-20页 |
| 2.4.1 小波去噪效果的评价标准 | 第20页 |
| 2.5 小波去噪的过程 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 3 智能网络的基本理论 | 第22-38页 |
| 3.1 人工智能神经网络概述 | 第22-25页 |
| 3.1.1 神经元模型 | 第22-23页 |
| 3.1.2 智能神经网络的结构 | 第23-24页 |
| 3.1.3 人工智能网络的应用特点 | 第24-25页 |
| 3.2 BP神经网络 | 第25-32页 |
| 3.2.1 BP网络的神经元及结构模型 | 第26-28页 |
| 3.2.2 BP网络的学习算法 | 第28-29页 |
| 3.2.3 BP网络的结构设计 | 第29-30页 |
| 3.2.4 BP网络的局限性 | 第30-32页 |
| 3.3 RBF神经网络 | 第32-36页 |
| 3.3.1 RBF网络的神经元及结构模型 | 第32-34页 |
| 3.3.2 RBF网络的学习算法 | 第34-35页 |
| 3.3.3 RBF网络的构建步骤 | 第35-36页 |
| 3.4 BP网络和RBF网络的差异对比 | 第36页 |
| 3.5 RBF网络的局部优化 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 基于小波分析理论的数据处理与分析 | 第38-48页 |
| 4.1 工程实例 | 第38页 |
| 4.2 数据小波预处理 | 第38-42页 |
| 4.2.1 小波函数的选取 | 第38-40页 |
| 4.2.2 阈值的选取 | 第40-41页 |
| 4.2.3 小波的多尺度分析 | 第41-42页 |
| 4.3 小波去噪对泛化能力的影响分析 | 第42页 |
| 4.4 监测数据的去噪与分析 | 第42-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 基于智能神经网络进行建筑物基础沉降预测与分析 | 第48-66页 |
| 5.1 建筑物沉降监测原理 | 第48页 |
| 5.2 数据来源 | 第48-49页 |
| 5.3 建立建筑物基础沉降智能神经网络预测模型 | 第49-52页 |
| 5.3.1 建立BPNN网络预测模型 | 第49-51页 |
| 5.3.2 建立RBFNN及CVRBFNN网络预测模型 | 第51-52页 |
| 5.3.3 三种预测模型的差异化对比 | 第52页 |
| 5.4 智能神经网络对建筑物基础沉降预测与分析 | 第52-65页 |
| 5.4.1 智能神经网络模型的数据预测 | 第52-59页 |
| 5.4.2 预测结果的对比与分析 | 第59-65页 |
| 5.5 本章小结 | 第65-66页 |
| 6 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 作者简历 | 第71-73页 |
| 学位论文数据集 | 第73-74页 |