| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 变形预测模型研究现状 | 第11-14页 |
| 1.2.2 相空间重构理论研究现状 | 第14-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 研究技术路线与方法 | 第16-18页 |
| 2 时间序列的相空间重构理论 | 第18-25页 |
| 2.1 相空间重构理论 | 第18-19页 |
| 2.1.1 相空间重构的基本原理 | 第18-19页 |
| 2.2 延迟时间与嵌入维数的选取 | 第19-24页 |
| 2.2.1 嵌入维数的选取 | 第19-22页 |
| 2.2.2 延迟时间的选取 | 第22-24页 |
| 2.3 小结 | 第24-25页 |
| 3 最小二乘支持向量机(LSSVM)理论 | 第25-35页 |
| 3.1 统计学习理论基础 | 第25-27页 |
| 3.1.1 机器学习 | 第25-26页 |
| 3.1.2 VC维理论基础 | 第26-27页 |
| 3.1.3 结构风险最小化原则 | 第27页 |
| 3.2 支持向量机 | 第27-32页 |
| 3.2.1 分类支持向量机 | 第28-29页 |
| 3.2.2 回归支持向量机 | 第29-31页 |
| 3.2.3 支持向量机核函数及参数 | 第31-32页 |
| 3.3 最小二乘支持向量机 | 第32-33页 |
| 3.4 模型参数优化的方法 | 第33-34页 |
| 3.5 小结 | 第34-35页 |
| 4 基于相空间重构理论的GLSSVM变形预测模型建立 | 第35-43页 |
| 4.1 预测模型的小波预处理 | 第35-38页 |
| 4.2 基于相空间重构的灰色最小二乘支持向量机预测模型 | 第38-41页 |
| 4.2.1 灰色最小二乘支持向量机(GLSSVM)基本理论 | 第38-39页 |
| 4.2.2 基于相空间重构的GLSSVM预测模型参数寻优 | 第39-40页 |
| 4.2.3 基于相空间重构理论的GLSSVM模型参数优化的流程 | 第40-41页 |
| 4.3 基于相空间重构的GLSSVM变形预测模型的建立 | 第41-42页 |
| 4.4 小结 | 第42-43页 |
| 5 基于相空间重构理论的GLSSVM模型在深基坑工程中的应用 | 第43-66页 |
| 5.1 工程概况 | 第43页 |
| 5.2 深基坑变形监测数据 | 第43-46页 |
| 5.2.1 实测数据的整理与分析 | 第44-46页 |
| 5.3 实测数据的小波去噪处理 | 第46-49页 |
| 5.3.1 小波去噪样本的选择 | 第47页 |
| 5.3.2 小波阈值法去噪 | 第47-49页 |
| 5.4 基于相空间重构理论的GLSSVM模型的样本构造与参数优化 | 第49-55页 |
| 5.4.1 数据预处理 | 第49-50页 |
| 5.4.2 基于相空间重构理论的数据样本构造 | 第50-53页 |
| 5.4.3 基于PSO的模型参数寻优 | 第53-55页 |
| 5.4.4 基于相空间重构理论的GLSSVM模型预测精度的评价指标 | 第55页 |
| 5.5 基于相空间重构理论的GLSSVM模型的训练与预测 | 第55-64页 |
| 5.6 小结 | 第64-66页 |
| 6 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |
