| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 Kalman滤波在变形监测中的研究现状 | 第11页 |
| 1.2.2 BP神经网络在变形监测中的研究现状 | 第11-12页 |
| 1.2.3 BP神经网络结合Kalman滤波的研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文研究方法与思路 | 第14-15页 |
| 第2章 Kalman滤波及BP神经网络的基本理论 | 第15-28页 |
| 2.1 Kalman滤波模型 | 第15-20页 |
| 2.1.1 Kalman滤波模型概述 | 第15页 |
| 2.1.2 离散型Kalman滤波的数学模型 | 第15-17页 |
| 2.1.3 自适应Kalman滤波 | 第17-20页 |
| 2.2 BP神经网络模型 | 第20-28页 |
| 2.2.1 人工神经网络概述 | 第20-22页 |
| 2.2.2 BP神经网络的结构设计 | 第22-23页 |
| 2.2.3 BP神经网络的训练算法 | 第23-26页 |
| 2.2.4 BP神经网络的程序设计 | 第26-28页 |
| 第3章 两种Kalman滤波与BP神经网络组合模型分析 | 第28-33页 |
| 3.1 基于Kalman滤波和BP神经网络的最优加权组合模型 | 第28-30页 |
| 3.1.1 最优加权组合模型原理 | 第28-29页 |
| 3.1.2 权重的确定方法 | 第29-30页 |
| 3.2 基于Kalman滤波学习算法的BP神经网络模型 | 第30-33页 |
| 3.2.1 基于Kalman滤波的BP神经网络算法原理 | 第30页 |
| 3.2.2 基于Kalman滤波的BP神经网络算法的优化改进 | 第30-33页 |
| 第4章 Kalman-BP组合模型在变形分析中的应用 | 第33-49页 |
| 4.1 盐水沟隧道监测预警项目概述 | 第33-35页 |
| 4.2 变形监测数据的小波阈值去噪预处理 | 第35-36页 |
| 4.3 Kalman-BP组合模型的神经网络结构设计 | 第36-37页 |
| 4.4 基于Kalman-BP组合模型的变形分析与预测 | 第37-47页 |
| 4.4.1 “平稳”型变形趋势 | 第38-41页 |
| 4.4.2 “渐变”型变形趋势 | 第41-43页 |
| 4.4.3 “突变”型变形趋势 | 第43-45页 |
| 4.4.4 “高频叠加长周期”型变形趋势 | 第45-47页 |
| 4.5 Kalman-BP组合模型的评价与适用性分析 | 第47-49页 |
| 结论与展望 | 第49-51页 |
| 结论 | 第49页 |
| 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附表 | 第55-65页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第65页 |
