| 第1章 绪论 | 第1-14页 |
| 1．1 问题的提出 | 第8-9页 |
| 1．2 研究现状 | 第9-11页 |
| 1．3 本文所做的工作 | 第11-14页 |
| 第2章 新奥法及施工监测 | 第14-19页 |
| 2．1 新奥法及其发展 | 第14-15页 |
| 2．2 新奥法施工监测 | 第15-19页 |
| 2．2．1 现场监控量测的必要性 | 第15-17页 |
| 2．2．2 隧道工程中监控量测的实施 | 第17页 |
| 2．2．3 监测数据的处理 | 第17-19页 |
| 第3章 统计学习理论和支持向量机 | 第19-36页 |
| 3．1 机器学习理论有关概念 | 第19-22页 |
| 3．1．1 机器学习 | 第19-20页 |
| 3．1．2 经验风险最小化及其局限性 | 第20-22页 |
| 3．2 统计学习理论主要研究内容 | 第22-25页 |
| 3．2．1 概述 | 第22-23页 |
| 3．2．2 VC维 | 第23页 |
| 3．2．3 推广性的界 | 第23-24页 |
| 3．2．4 结构风险最小化 | 第24-25页 |
| 3．3 支持向量机 | 第25-36页 |
| 3．3．1 支持向量机发展和应用 | 第25-26页 |
| 3．3．2 支持向量机主要优点 | 第26-27页 |
| 3．3．3 支持向量机基本思想 | 第27-30页 |
| 3．3．4 支持向量机核函数 | 第30-32页 |
| 3．3．5 支持向量机函数拟合 | 第32-34页 |
| 3．3．6 支持向量机算法步骤 | 第34-35页 |
| 3．3．7 支持向量机和神经网络的区别 | 第35-36页 |
| 第4章 最小二乘支持向量机 | 第36-43页 |
| 4．1 支持向量机的改进 | 第36-37页 |
| 4．2 最小二乘支持向量机原理 | 第37-39页 |
| 4．3 LS-SVM预测模型的建立 | 第39-43页 |
| 4．3．1 时序分析预测和回归预测 | 第39页 |
| 4．3．2 等步长时序预测的不同形式 | 第39-40页 |
| 4．3．3 样本的构建 | 第40-41页 |
| 4．3．4 模型参数的确定 | 第41-42页 |
| 4．3．5 预测效果指标 | 第42-43页 |
| 第5章 最小二乘支持向量机预测仿真试验 | 第43-54页 |
| 5．1 带噪声的LS-SVM回归分析预测仿真 | 第43-47页 |
| 5．1．1 LS-SVM模型建立和预测仿真 | 第43-45页 |
| 5．1．2 LS-SVM回归预测结果分析 | 第45-47页 |
| 5．2 LS-SVM时序预测仿真 | 第47-50页 |
| 5．2．1 LS-SVM等步长时序预测模型建立和预测仿真 | 第47-48页 |
| 5．2．2 LS-SVM等步长时序预测结果分析 | 第48-50页 |
| 5．3 与径向基神经网络预测结果的比较 | 第50-53页 |
| 5．3．1 径向基神经网络模型 | 第50-51页 |
| 5．3．2 径向基神经网络仿真比较 | 第51-53页 |
| 5．4 预测仿真试验小结 | 第53-54页 |
| 第6章 LS-SVM非线性预测工程实例 | 第54-62页 |
| 6．1 工程监测概况 | 第54-55页 |
| 6．2 模型建立分析 | 第55页 |
| 6．3 基于LS-SVM的回归拟合预测 | 第55-59页 |
| 6．4 基于LS-SVM的前向外推迭代预测 | 第59-62页 |
| 第7章 结论与展望 | 第62-64页 |
| 7．1 结论 | 第62页 |
| 7．2 展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间参与的科研成果与发表论文情况 | 第67-68页 |
| 致谢 | 第68页 |