| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-17页 |
| ·本课题研究背景与意义 | 第9-12页 |
| ·国内外研究的现状 | 第12-15页 |
| ·预测学的发展 | 第12-13页 |
| ·变形预测基本模型方法 | 第13-14页 |
| ·支持向量机在回归预测中应用现状 | 第14-15页 |
| ·本文研究的主要内容 | 第15-17页 |
| ·本文研究主要内容 | 第15页 |
| ·本文研究方法 | 第15-17页 |
| 第二章 变形分析基本理论 | 第17-33页 |
| ·变形分析基本内容 | 第17-22页 |
| ·建筑物变形的几何分析 | 第17-21页 |
| ·参考点的稳定性分析 | 第17-19页 |
| ·观测值的平差处理 | 第19-21页 |
| ·变形的物理解释 | 第21-22页 |
| ·统计分析法 | 第21页 |
| ·确定函数法 | 第21-22页 |
| ·混合模型法 | 第22页 |
| ·变形分析的基本数学模型 | 第22-33页 |
| ·统计模型的建立 | 第22-26页 |
| ·多元线性回归模型 | 第22-23页 |
| ·逐步回归统计模型 | 第23-26页 |
| ·灰色系统分析模型 | 第26-28页 |
| ·时间序列分析模型 | 第28-29页 |
| ·神经网络系统分析模型 | 第29-33页 |
| 第三章 统计学习理论与支持向量机 | 第33-47页 |
| ·统计学习理论 | 第33-37页 |
| ·机器学习概述 | 第33-34页 |
| ·经验风险最小化与统计学习理论 | 第34-35页 |
| ·VC维(Vapnik-Chervoneakis Dimension) | 第35页 |
| ·学习机推广能力的界 | 第35-36页 |
| ·结构风险最小化 | 第36-37页 |
| ·支持向量机原理 | 第37-47页 |
| ·支持向量机理论概述 | 第38-42页 |
| ·支持向量机算法的发展 | 第38页 |
| ·支持向量机的应用 | 第38页 |
| ·支持向量机基本概念 | 第38-40页 |
| ·支持向量机核函数 | 第40-42页 |
| ·支持向量回归 | 第42-47页 |
| ·ε-支持向量回归 | 第42-44页 |
| ·ε-支持向量机回归估计算法 | 第44-46页 |
| ·支持向量机训练算法 | 第46-47页 |
| 第四章 基于支持向量机的变形预测 | 第47-61页 |
| ·变形数据的预处理 | 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48-50页 |
| ·奇异值查找 | 第48-49页 |
| ·数据替换与插补 | 第49-50页 |
| ·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 |
| ·模型评定指标及训练步骤 | 第52-53页 |
| ·模型评定指标 | 第52页 |
| ·训练步骤 | 第52-53页 |
| ·变形预测工程实例与分析 | 第53-61页 |
| ·工程监测概况 | 第53页 |
| ·观测资料分析 | 第53-54页 |
| ·数据预处理 | 第54-55页 |
| ·建立模型 | 第55页 |
| ·基于支持向量机回归预测结果与分析 | 第55-57页 |
| ·BP神经网络预测结果与分析 | 第57-59页 |
| ·与BP神经网络预测模型的比较 | 第59-60页 |
| ·两种预测结果的比较分析 | 第60-61页 |
| 第五章 结论与展望 | 第61-65页 |
| ·总结 | 第61-62页 |
| ·展望 | 第62-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70页 |