| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-11页 |
| 第一章 绪论 | 第11-20页 |
| ·引言 | 第11-13页 |
| ·国内外研究的历史与现状 | 第13-18页 |
| ·遗传算法历史回顾 | 第13-14页 |
| ·神经网络历史回顾 | 第14-16页 |
| ·神经网络和遗传算法在基桩检测中的应用 | 第16-18页 |
| ·本文研究的主要内容和创新之处 | 第18-20页 |
| 第二章 基桩检测的基本理论 | 第20-35页 |
| ·桩的分类 | 第20-22页 |
| ·基桩检测方法 | 第22-23页 |
| ·基桩动测法的基本理论 | 第23-34页 |
| ·应力波的波动理论 | 第24-27页 |
| ·波形分析相关术语 | 第27-29页 |
| ·桩土计算模型 | 第29-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 BP 神经网络的基本原理、实现及应用 | 第35-54页 |
| ·人工神经网络的基本原理 | 第36-41页 |
| ·人 人工神经网络的基本概念 | 第36-38页 |
| ·运用神经网络的基本原则 | 第38-39页 |
| ·误差反向传播神经网络 | 第39-41页 |
| ·BP神经网络的实现 | 第41-49页 |
| ·面向对象技术及基本概念 | 第41-43页 |
| ·BP神经网络程序设计分析 | 第43-49页 |
| ·BP神经网络在单桩竖向极限承载力预测中的应用 | 第49-53页 |
| ·数据来源及处理 | 第49-52页 |
| ·BP神经网络预测结果及分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 遗传算法的改进、实现及应用 | 第54-73页 |
| ·遗传算法概述 | 第54-59页 |
| ·基本遗传算法(SGA)的构成要素 | 第54-55页 |
| ·基本遗传算法(SGA)的计算过程 | 第55-56页 |
| ·基本遗传算法(SGA)的缺点及参数选择 | 第56-58页 |
| ·基本遗传算法的改进 | 第58-59页 |
| ·改进遗传算法及其实现 | 第59-68页 |
| ·改进遗传算法 | 第59-63页 |
| ·改进遗传算法的实现 | 第63-68页 |
| ·改进遗传算法在基桩竖向承载力预测中的应用 | 第68-72页 |
| ·遗传算法优化BP 神经网络结构 | 第68-69页 |
| ·优化BP 神经网络的预测结果及分析 | 第69-70页 |
| ·遗传算法优化BP 神经网络初始权值和阈值 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第五章 基于遗传算法和神经网络的基桩完整性类别智能判断 | 第73-90页 |
| ·遗传算法和神经网络在基桩低应变完整性检测中的应用 | 第73-78页 |
| ·数据来源及处理 | 第73-75页 |
| ·基桩完整性类别判断的BP 神经网络模型建立 | 第75-77页 |
| ·优化神经网络的预测结果 | 第77-78页 |
| ·基于遗传算法和神经网络的基桩完整性类别智能判断 | 第78-88页 |
| ·基于遗传算法和神经网络的基桩完整性类别智能判断方法 | 第78-80页 |
| ·基于遗传算法和神经网络的基桩完整性类别智能判断系统构造 | 第80-81页 |
| ·基于遗传算法和神经网络的基桩完整性类别智能判断软件 | 第81-88页 |
| ·本章小结 | 第88-90页 |
| 第六章 基于进化支持向量机的单桩竖向承载力预测 | 第90-105页 |
| ·支持向量机的若干概念 | 第90-96页 |
| ·统计学习理论和支持向量机 | 第90-91页 |
| ·结构风险最小化原理 | 第91-92页 |
| ·最优分类面 | 第92-94页 |
| ·支持向量回归机 | 第94-96页 |
| ·基于进化支持向量机的单桩竖向承载力预测 | 第96-101页 |
| ·进化支持向量回归机原理 | 第96-97页 |
| ·进化支持向量回归机实现 | 第97-98页 |
| ·工程实例 | 第98-101页 |
| ·智能化方法在基桩检测中的应用 | 第101-104页 |
| ·智能化方法概述 | 第101-102页 |
| ·基桩检测专家系统构造原理 | 第102-104页 |
| ·本章小结 | 第104-105页 |
| 第七章 结论与展望 | 第105-107页 |
| ·结论 | 第105-106页 |
| ·展望 | 第106-107页 |
| 参考文献 | 第107-110页 |
| 科研成果统计 | 第110-111页 |
| 致谢 | 第111页 |
