| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 致谢 | 第7-12页 |
| 第一章 绪论 | 第12-18页 |
| ·课题背景 | 第12-13页 |
| ·本课题研究的目的与意义 | 第13-14页 |
| ·国内外研究现状 | 第14-17页 |
| ·预测领域研究进展及现状 | 第14-15页 |
| ·大坝变形预测的国内外研究现状 | 第15-16页 |
| ·支持向量机应用于变形预测中的研究现状 | 第16-17页 |
| ·本文研究的主要内容 | 第17-18页 |
| 第二章 大坝变形分析与建模的基本理论与方法 | 第18-33页 |
| ·大坝变形几何分析 | 第18-22页 |
| ·参考点的稳定性分析 | 第18-22页 |
| ·大坝变形物理解释 | 第22-24页 |
| ·大坝变形统计分析法 | 第22-23页 |
| ·大坝变形分析确定函数法 | 第23页 |
| ·大坝监控混合模型 | 第23-24页 |
| ·大坝变形分析数据处理的基本理论与方法 | 第24-33页 |
| ·大坝变形统计回归分析模型 | 第24-25页 |
| ·大坝变形时间序列分析模型 | 第25-26页 |
| ·大坝变形灰色系统分析模型 | 第26-29页 |
| ·神经网络系统分析模型 | 第29-33页 |
| 第三章 统计学习理论和支持向量机 | 第33-47页 |
| ·统计学习理论 | 第33-36页 |
| ·概述 | 第33页 |
| ·经验风险最小化 | 第33-34页 |
| ·VC(Vapnik Chervoneakis)维 | 第34页 |
| ·学习机推广能力的界 | 第34-36页 |
| ·支持向量机(SVM)原理 | 第36-41页 |
| ·支持向量机算法的发展历史和现状 | 第36-37页 |
| ·支持向量机的应用研究 | 第37页 |
| ·支持支持向量机基本思想 | 第37-39页 |
| ·支持向量机核函数 | 第39-41页 |
| ·支持向量机回归估计方法 | 第41-45页 |
| ·支持向量机线性回归模型 | 第41-44页 |
| ·支持向量机非线性回归模型 | 第44-45页 |
| ·支持向量机训练算法 | 第45-47页 |
| ·块选算法(Chunking) | 第45页 |
| ·分解算法(Decomposing) | 第45-46页 |
| ·序列最小优化算法(SMO) | 第46-47页 |
| 第四章 基于SVM的大坝监测模型 | 第47-54页 |
| ·变形数据数据预处理及样本选择 | 第47-50页 |
| ·变形数据预处理概述 | 第47-48页 |
| ·输入数据预处理 | 第48-49页 |
| ·样本选择 | 第49-50页 |
| ·大坝变形预测模型 | 第50-52页 |
| ·核函数的选择 | 第50页 |
| ·参数的确定 | 第50-51页 |
| ·预测模型算法 | 第51-52页 |
| ·模型评价指标 | 第52页 |
| ·基于支持向量机回归模型的训练步骤 | 第52-54页 |
| 第五章 大坝变形预测工程实例分析与比较 | 第54-64页 |
| ·港口湾水库大坝监测概况 | 第54-55页 |
| ·实测资料分析及预处理 | 第55-57页 |
| ·观测资料分析 | 第55-56页 |
| ·数据预处理 | 第56-57页 |
| ·模型建立分析 | 第57页 |
| ·预测结果与分析 | 第57-61页 |
| ·与其他预测模型的比较分析 | 第61-64页 |
| ·回归预测方法 | 第61-62页 |
| ·BP神经网络预测法 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·总结 | 第64页 |
| ·建议与展望 | 第64-66页 |
| 参考文献 | 第66-67页 |