摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-24页 |
1.1 研究背景与意义 | 第12-13页 |
1.2 变形监测的方法 | 第13-15页 |
1.2.1 按监仪器分类 | 第13-15页 |
1.2.2 按监测建筑物目标分类 | 第15页 |
1.3 研究现状 | 第15-23页 |
1.3.1 变形监测数据粗差的识别与剔除 | 第16-17页 |
1.3.2 变形监测数据滤波与预测问题 | 第17-22页 |
1.3.3 测量机器人的控制系统软件 | 第22-23页 |
1.4 本文主要工作 | 第23-24页 |
第2章 监测数据粗差剔除的理论和方法 | 第24-38页 |
2.1 概述 | 第24页 |
2.2 监测数据粗差剔除的方法 | 第24-36页 |
2.2.1 狄克逊准则 | 第24-26页 |
2.2.2 格拉布斯准则 | 第26-28页 |
2.2.3 拉依达准则 | 第28-31页 |
2.2.4 数据跳跃法 | 第31-36页 |
2.3 小结 | 第36-38页 |
第3章 基于小波变换的滤波与灰色预测 | 第38-94页 |
3.1 小波变换原理 | 第38-54页 |
3.1.1 傅丽叶变换 | 第38-42页 |
3.1.2 小波变换 | 第42-54页 |
3.2 小波去噪研究 | 第54-68页 |
3.2.1 小波去噪原理 | 第56-57页 |
3.2.2 小波阈值去噪 | 第57-64页 |
3.2.3 小波去噪方法和小波基函数的影响 | 第64-68页 |
3.3 基于小波分析理论的灰色预测方法 | 第68-81页 |
3.3.1 灰色理论预测方法 | 第70-73页 |
3.3.2 基于小波理论的灰色GM(1,1)模型 | 第73-74页 |
3.3.3 算例 | 第74-78页 |
3.3.4 维数的研究 | 第78-81页 |
3.4 基于小波去噪的改进灰色自适应变形预测方法研究 | 第81-85页 |
3.4.1 灰色自适应模型 | 第81-82页 |
3.4.2 改进灰色自适应模型 | 第82-83页 |
3.4.3 基于小波去噪的改进灰色自适应变形预测算法 | 第83页 |
3.4.4 算例 | 第83-85页 |
3.5 基于小波滤波与卡尔曼滤波灰色预测模型的对比研究 | 第85-92页 |
3.5.1 卡尔曼滤波器简介 | 第85页 |
3.5.2 卡尔曼滤波的算法与特点 | 第85-92页 |
3.6 小结 | 第92-94页 |
第4章 变形监测数据H_2/H_∞滤波器设计 | 第94-110页 |
4.1 问题的提出 | 第94-95页 |
4.2 H_∞滤波器设计 | 第95-100页 |
4.2.1 H_∞滤波器 | 第95-98页 |
4.2.2 H_∞滤波器滤波效果分析 | 第98-99页 |
4.2.3 计算实例 | 第99-100页 |
4.3 变形监测数据滤波的H_2/H_∞滤波方案 | 第100-108页 |
4.3.1 H2/H_∞滤波方案的必要性讨论 | 第100-101页 |
4.3.2 H2/H_∞优化滤波器的算法 | 第101-104页 |
4.3.3 H_2/H_∞滤波器LMI算法 | 第104-106页 |
4.3.4 算例 | 第106-108页 |
4.4 小结 | 第108-110页 |
第5章 测量机器人自控系统的实现 | 第110-140页 |
5.1 系统开发环境 | 第110-111页 |
5.2 测量机器人自动测量系统的总体设计 | 第111-112页 |
5.3 测量机器人自动测量系统的数据库设计 | 第112-119页 |
5.4 测量机器人自动测量系统的功能 | 第119-129页 |
5.4.1 设计的结构 | 第119-120页 |
5.4.2 系统功能详细介绍 | 第120-129页 |
5.5 数据处理模块设计 | 第129-135页 |
5.5.1 Access数据库FinalPoint表的创建 | 第129页 |
5.5.2 模块界面的设计 | 第129-135页 |
5.6 监测数据的处理 | 第135-138页 |
5.7 小结 | 第138-140页 |
第6章 结论与展望 | 第140-143页 |
6.1 主要研究结论 | 第140-141页 |
6.2 主要创新点 | 第141页 |
6.3 研究工作展望 | 第141-143页 |
参考文献 | 第143-151页 |
个人简历 | 第151-152页 |
攻读博士期间发表的论文 | 第152-153页 |
致谢 | 第153页 |