基于相空间重构的GA-SVR组合模型边坡位移预测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 边坡变形行为预测研究现状 | 第9-11页 |
| 1.2.2 支持向量机在变形预测方面的研究现状 | 第11-12页 |
| 1.3 本文研究内容及章节安排 | 第12-14页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 章节安排 | 第13-14页 |
| 第二章 时序数据的预处理及相空间重构 | 第14-19页 |
| 2.1 时序数据的预处理 | 第14-16页 |
| 2.1.1 数据的归一化 | 第14-15页 |
| 2.1.2 数据的插值再生 | 第15-16页 |
| 2.2 混沌理论与相空间重构 | 第16-19页 |
| 2.2.1 混沌理论 | 第16页 |
| 2.2.2 混沌识别 | 第16-18页 |
| 2.2.3 相空间重构 | 第18-19页 |
| 第三章 统计学习理论和支持向量机 | 第19-33页 |
| 3.1 统计学习理论 | 第19-22页 |
| 3.1.1 机器学习问题的数学表示 | 第19-20页 |
| 3.1.2 经验风险最小原则与推广能力 | 第20页 |
| 3.1.3 推广能力的界与结构风险最小化 | 第20-22页 |
| 3.2 支持向量机原理及算法 | 第22-30页 |
| 3.2.1 分类支持向量机 | 第22-27页 |
| 3.2.2 回归支持向量机 | 第27-29页 |
| 3.2.3 支持向量机算法 | 第29-30页 |
| 3.3 支持向量机的参数优化 | 第30-33页 |
| 第四章 基于相空间重构的GA-SVR组合模型构建 | 第33-42页 |
| 4.1 支持向量机运行的环境 | 第33-34页 |
| 4.2 组合模型的构建 | 第34-42页 |
| 4.2.1 数据的预处理及样本重构 | 第35-39页 |
| 4.2.2 参数的确定 | 第39-42页 |
| 第五章 矿山边坡变形预测应用 | 第42-63页 |
| 5.1 矿山边坡概况及观测数据 | 第42-44页 |
| 5.2 观测数据的相空间重构 | 第44-47页 |
| 5.3 PSR-GA-SVR组合模型预测 | 第47-51页 |
| 5.3.1 点 245-4 的组合模型预测 | 第47-49页 |
| 5.3.2 点 200-1 的组合模型预测 | 第49-51页 |
| 5.4 传统SVR与组合模型预测对比分析 | 第51-57页 |
| 5.4.1 点 245-4 的传统SVR预测 | 第51-53页 |
| 5.4.2 点 200-1 的传统SVR预测 | 第53-55页 |
| 5.4.3 组合模型与传统模型预测对比分析 | 第55-57页 |
| 5.5 空间曲面变形分析 | 第57-63页 |
| 第六章 总结与展望 | 第63-64页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间的研究成果 | 第67-68页 |
