| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-11页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文的研究内容与技术路线 | 第10-11页 |
| 2 支持向量机及土石坝安全监测模型的基本理论 | 第11-22页 |
| 2.1 机器学习 | 第11-14页 |
| 2.1.1 机器学习的目的 | 第11页 |
| 2.1.2 经验风险最小化原则 | 第11-12页 |
| 2.1.3 统计学习理论 | 第12-14页 |
| 2.2 支持向量机原理 | 第14-19页 |
| 2.2.1 分类问题 | 第14-16页 |
| 2.2.2 回归问题 | 第16-18页 |
| 2.2.3 核函数 | 第18页 |
| 2.2.4 损失函数 | 第18-19页 |
| 2.3 土石坝安全监测模型 | 第19-21页 |
| 2.3.1 土石坝位移模型建模因子 | 第19-20页 |
| 2.3.2 土石坝渗流模型建模因子 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 基于优化支持向量机的土石坝安全监测模型 | 第22-65页 |
| 3.1 基于支持向量机的土石坝安全监测模型 | 第22-23页 |
| 3.1.1 支持向量机模型的建立 | 第23页 |
| 3.2 基于PSO-SVM的土石坝安全监测模型 | 第23-26页 |
| 3.2.1 粒子群算法基本原理 | 第23-24页 |
| 3.2.2 粒子群算法流程 | 第24页 |
| 3.2.3 粒子群算法参数 | 第24-25页 |
| 3.2.4 粒子群算法特点 | 第25页 |
| 3.2.5 PSO-SVM模型的建立 | 第25-26页 |
| 3.3 基于ABC-SVM的土石坝安全监测模型 | 第26-30页 |
| 3.3.1 人工蜂群算法原理 | 第26-28页 |
| 3.3.2 人工蜂群算法流程 | 第28页 |
| 3.3.3 人工蜂群算法参数 | 第28-29页 |
| 3.3.4 人工蜂群算法特点 | 第29页 |
| 3.3.5 ABC-SVM模型的建立 | 第29-30页 |
| 3.4 工程算例 | 第30-64页 |
| 3.4.1 工程概况 | 第30-31页 |
| 3.4.2 位移监测概况 | 第31-32页 |
| 3.4.3 渗流监测概况 | 第32页 |
| 3.4.4 SVM模型与BP模型对比分析 | 第32-40页 |
| 3.4.5 PSO-SVM模型与SVM模型对比分析 | 第40-52页 |
| 3.4.6 ABC-SVM模型与PSO-SVM模型对比分析 | 第52-64页 |
| 3.5 本章小结 | 第64-65页 |
| 4 基于博弈论的土石坝安全性态模糊评价 | 第65-74页 |
| 4.1 评价模型的建立 | 第65-69页 |
| 4.1.1 监控指标的拟定 | 第65页 |
| 4.1.2 建立评判等级 | 第65-66页 |
| 4.1.3 权重的确定 | 第66-69页 |
| 4.2 工程实例分析 | 第69-73页 |
| 4.2.1 监控指标的确定 | 第69页 |
| 4.2.2 确定隶属度矩阵 | 第69-70页 |
| 4.2.3 确定权重 | 第70-73页 |
| 4.2.4 评价结果 | 第73页 |
| 4.3 本章小结 | 第73-74页 |
| 5 结论与展望 | 第74-76页 |
| 5.1 结论 | 第74页 |
| 5.2 展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 附录 | 第80页 |