混凝土重力坝变形监测统计模型研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 大坝安全监测的意义 | 第10-11页 |
| 1.2 大坝监测资料分析的国内外研究现状 | 第11-13页 |
| 1.3 重力坝变形监测技术 | 第13-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 2 监测回归模型 | 第16-27页 |
| 2.1 多元线性回归模型 | 第16-17页 |
| 2.2 统计模型效果检验 | 第17-19页 |
| 2.2.1 回归模型显著性检验 | 第18页 |
| 2.2.2 回归系数显著性检验 | 第18-19页 |
| 2.2.3 复测定系数检验 | 第19页 |
| 2.3 逐步回归分析 | 第19-20页 |
| 2.4 变形监测模型各分量的构成 | 第20-23页 |
| 2.4.1 水压分量的构成形式 | 第20-21页 |
| 2.4.2 温度分量的构成形式 | 第21-22页 |
| 2.4.3 时效分量的构成形式 | 第22-23页 |
| 2.5 工程实例 | 第23-27页 |
| 2.5.1 工程概况 | 第23页 |
| 2.5.2 模型因子选择 | 第23-24页 |
| 2.5.3 逐步回归模型分析结果 | 第24-27页 |
| 3 偏最小二乘回归模型 | 第27-37页 |
| 3.1 多重相关性问题 | 第27-28页 |
| 3.2 偏最小二乘法 | 第28-32页 |
| 3.2.1 偏最小二乘原理 | 第28-29页 |
| 3.2.2 偏最小二乘算法 | 第29-32页 |
| 3.2.3 交叉有效性 | 第32页 |
| 3.3 工程实例 | 第32-37页 |
| 3.3.1 多重共线性诊断 | 第32-33页 |
| 3.3.2 偏最小二乘回归模型 | 第33-37页 |
| 4 遗传神经网络模型 | 第37-46页 |
| 4.1 BP 神经网络 | 第37-40页 |
| 4.1.1 人工神经元结构 | 第37-39页 |
| 4.1.2 BP 神经网络结构及算法 | 第39-40页 |
| 4.2 遗传算法 | 第40-42页 |
| 4.2.1 遗传算法的概念 | 第40-41页 |
| 4.2.2 遗传算法的基本操作 | 第41-42页 |
| 4.3 遗传算法优化的 BP 神经网络模型 | 第42-43页 |
| 4.4 工程实例 | 第43-46页 |
| 5 多维多测点监测模型 | 第46-58页 |
| 5.1 多维多测点监测模型的一般表达式 | 第46-47页 |
| 5.2 多维多测点监测模型各个分量的确定 | 第47-51页 |
| 5.2.1 水压分量的确定 | 第47-49页 |
| 5.2.2 温度分量的确定 | 第49-50页 |
| 5.2.3 时效分量的确定 | 第50-51页 |
| 5.2.4 各个分量表达式中系数的确定 | 第51页 |
| 5.3 工程实例 | 第51-58页 |
| 5.3.1 多维多测点模型的建立 | 第52-57页 |
| 5.3.2 结果分析 | 第57-58页 |
| 6 结论 | 第58-60页 |
| 6.1 全文总结 | 第58-59页 |
| 6.2 研究展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 攻读学位期间的研究成果 | 第63页 |
