| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-24页 |
| ·大坝安全监控统计模型研究概述 | 第8-11页 |
| ·大坝安全监控统计模型研究的目的和意义 | 第8-9页 |
| ·大坝安全监控统计模型研究进展 | 第9-11页 |
| ·卡尔曼滤波技术概述 | 第11-16页 |
| ·卡尔曼滤波技术的产生、发展及应用现状 | 第12-13页 |
| ·实用卡尔曼滤波技术研究概况 | 第13-15页 |
| ·Kalman滤波与神经网络结合 | 第15-16页 |
| ·人工神经网络的产生、发展和应用现状 | 第16-22页 |
| ·模式识别 | 第17-18页 |
| ·非线性系统辨识 | 第18-22页 |
| ·本文的主要工作 | 第22-24页 |
| ·选题背景与研究任务 | 第22-23页 |
| ·主要工作 | 第23-24页 |
| 2 大坝安全监控的统计模型 | 第24-53页 |
| ·大坝安全监控统计模型 | 第24-35页 |
| ·重力坝变形监控统计模型 | 第24-26页 |
| ·土石坝变形监控统计模型 | 第26-30页 |
| ·渗流监控统计模型 | 第30-34页 |
| ·应力应变监控统计模型 | 第34-35页 |
| ·小结 | 第35页 |
| ·多元线性回归分析 | 第35-42页 |
| ·多元线性回归分析的基本假定 | 第35-36页 |
| ·回归方程 | 第36-39页 |
| ·回归方程的有效性和精度评价指标 | 第39-42页 |
| ·最小二乘回归统计模型存在的多重相关性问题 | 第42-53页 |
| ·多重相关性问题的实例分析 | 第42-46页 |
| ·多重相关性的危害 | 第46-49页 |
| ·多重相关性的诊断 | 第49-50页 |
| ·岭回归估计 | 第50-53页 |
| 3 偏最小二乘回归统计模型 | 第53-84页 |
| ·偏最小二乘回归方法 | 第54-64页 |
| ·观测数据表及其所含信息量的测量方法 | 第54-56页 |
| ·偏最小二乘回归的基本原理与方法 | 第56-64页 |
| ·偏最小二乘回归统计模型 | 第64-77页 |
| ·基于偏最小二乘回归的渗流统计模型 | 第64-69页 |
| ·基于偏最小二乘回归的应变统计模型 | 第69-77页 |
| ·大坝安全状态的评价方法 | 第77-80页 |
| ·偏最小二乘回归统计模型中回归系数的物理含义 | 第77-78页 |
| ·大坝安全状态的评价方法 | 第78-80页 |
| ·本章小结 | 第80-84页 |
| 4 卡尔曼滤波回归统计模型 | 第84-106页 |
| ·片尔曼滤波理论基础 | 第84-86页 |
| ·随机线性离散系统的 KALMAN滤波方程 | 第86-89页 |
| ·KALMAN滤波技术在大坝安全建模中的应用 | 第89-103页 |
| ·大坝安全监测信号的自适应滤波技术 | 第89-97页 |
| ·Kalman滤波回归统计模型 | 第97-103页 |
| ·本章小结 | 第103-106页 |
| 5 基于神经网络的大坝安全监控模型 | 第106-137页 |
| ·神经元模型和神经网络结构 | 第106-118页 |
| ·神经元模型 | 第106-109页 |
| ·网络结构及其符号的表示 | 第109-110页 |
| ·常用的神经网络和训练算法 | 第110-118页 |
| ·小结 | 第118页 |
| ·大坝安全监控的神经网络模型 | 第118-130页 |
| ·大坝安全监控的 BP神经网络模型 | 第119-124页 |
| ·大坝安全监控的 RBF神经网络模型 | 第124-130页 |
| ·小结 | 第130页 |
| ·基于 KALMAN滤波技术的大坝安全监控神经网络模型递推在线训练方法 | 第130-137页 |
| ·基本原理 | 第131-132页 |
| ·基于自适应扩展 Kalman滤波的 BP神经网络权值在线更新算法 | 第132-135页 |
| ·本章小结 | 第135-137页 |
| 6 总结与展望 | 第137-141页 |
| 致谢 | 第141-142页 |
| 参考文献 | 第142-151页 |
| 附录A | 第151-168页 |
| 附录B | 第168-173页 |
| 发表论文情况 | 第173页 |