边坡位移序列的预测模型研究与应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-13页 |
| ·研究背景和目的 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·问题的提出及论文的研究内容 | 第12-13页 |
| 2 统计预测模型的基本原理 | 第13-25页 |
| ·灰色系统模型 | 第13-18页 |
| ·基本原理 | 第13-15页 |
| ·原始数据的检验 | 第15页 |
| ·GM(1,1)模型 | 第15-17页 |
| ·模型的预测和检验 | 第17-18页 |
| ·时间序列分析模型 | 第18-21页 |
| ·模型的形式 | 第18-19页 |
| ·模型的识别和定阶 | 第19-20页 |
| ·模型的参数估计 | 第20页 |
| ·模型的检验 | 第20-21页 |
| ·模型的预测 | 第21页 |
| ·指数平滑模型 | 第21-24页 |
| ·本章小结 | 第24-25页 |
| 3 RBF 神经网络模型的原理及优化 | 第25-41页 |
| ·人工神经网络概述 | 第25-27页 |
| ·基本原理 | 第25-26页 |
| ·优势和存在的问题 | 第26-27页 |
| ·RBF 网络的基本原理 | 第27-31页 |
| ·径向基函数（RBF） | 第27-29页 |
| ·RBF 网络的结构 | 第29页 |
| ·RBF 网络的映射机理 | 第29-31页 |
| ·RBF 网络的训练准则和常用算法 | 第31-32页 |
| ·网络中心的确定 | 第31-32页 |
| ·网络权值的调整 | 第32页 |
| ·基于人工免疫算法的 RBF 网络优化 | 第32-38页 |
| ·免疫系统基本理论 | 第32-33页 |
| ·RBF 网络和免疫系统的相似性 | 第33-35页 |
| ·免疫算法在 RBF 网络优化中的应用 | 第35-38页 |
| ·RBF 网络的建立和预测 | 第38-39页 |
| ·数据的归一化 | 第38-39页 |
| ·网络模型的建立 | 第39页 |
| ·本章小结 | 第39-41页 |
| 4 实例应用与分析 | 第41-56页 |
| ·实例数据 | 第41-42页 |
| ·统计模型的实例应用 | 第42-47页 |
| ·GM(1,1)模型 | 第42-43页 |
| ·AR 模型 | 第43-45页 |
| ·三次指数平滑模型 | 第45-46页 |
| ·小结 | 第46-47页 |
| ·RBF 网络模型的实例应用 | 第47-52页 |
| ·RBF 网络的预测分析 | 第47-50页 |
| ·免疫算法对 RBF 网络的优化效果分析 | 第50-52页 |
| ·小结 | 第52页 |
| ·组合预测模型的建立及实例应用 | 第52-55页 |
| ·组合模型的建立 | 第52-53页 |
| ·组合模型的应用分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 5 边坡变形预测系统设计与实现 | 第56-61页 |
| ·系统结构设计 | 第56页 |
| ·系统开发环境 | 第56页 |
| ·系统实现 | 第56-60页 |
| ·系统主界面 | 第56-57页 |
| ·文件操作及数据预处理 | 第57-58页 |
| ·数据预处理 | 第58-59页 |
| ·建模分析与预测 | 第59页 |
| ·图形显示 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 6 结论与展望 | 第61-63页 |
| ·结论 | 第61页 |
| ·展望 | 第61-63页 |
| 攻读硕士学位期间公开发表的学术论文 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-66页 |
