| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-16页 |
| ·大坝安全监测概述及意义 | 第8-9页 |
| ·大坝安全监测模型 | 第9-11页 |
| ·大坝安全监测模型概述 | 第9-10页 |
| ·大坝安全监测统计模型研究现状 | 第10-11页 |
| ·大坝安全监测模型的发展 | 第11页 |
| ·数据挖掘中的新方法——支持向量机 | 第11-14页 |
| ·支持向量机的提出 | 第11-12页 |
| ·支持向量机的国内外研究现状 | 第12-14页 |
| ·本文主要研究内容 | 第14-16页 |
| 2 统计学习理论 | 第16-28页 |
| ·机器学习问题 | 第16页 |
| ·经验风险最小化原则 | 第16-17页 |
| ·统计学习理论核心思想 | 第17-19页 |
| ·VC维 | 第17-18页 |
| ·结构风险最小化原则 | 第18-19页 |
| ·支持向量机基本原理和思想 | 第19-27页 |
| ·分类问题 | 第19-23页 |
| ·回归估计问题 | 第23-25页 |
| ·核函数及损失函数 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 3 基于支持向量机的大坝安全监测统计模型的实现 | 第28-50页 |
| ·基于支持向量机的渗流统计模型 | 第28-43页 |
| ·研究资料及初步分析 | 第28-31页 |
| ·模型建立及因子选择 | 第31-32页 |
| ·核函数的选取及参数的选择 | 第32-33页 |
| ·结果与分析 | 第33-38页 |
| ·径向基函数神经网络模型 | 第38-40页 |
| ·支持向量机法与RBF神经网络法结果比较 | 第40-43页 |
| ·基于支持向量机的应变统计模型 | 第43-49页 |
| ·研究资料 | 第43-45页 |
| ·模型的建立及因子选择 | 第45-46页 |
| ·核函数的选取及参数的选择 | 第46页 |
| ·结果与分析 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 4 基于最小二乘支持向量机的大坝安全监测统计模型的实现 | 第50-63页 |
| ·最小二乘支持向量机基本原理及优缺点 | 第50-51页 |
| ·最小二乘支持向量机的研究现状 | 第51-52页 |
| ·基于最小二乘支持向量机的渗流统计模型 | 第52-56页 |
| ·模型建立及因子的选择 | 第52页 |
| ·结果与分析 | 第52-56页 |
| ·基于最小二乘支持向量机的应变统计模型 | 第56-62页 |
| ·模型的建立及因子的选择 | 第56-57页 |
| ·结果与分析 | 第57-62页 |
| ·本章小结 | 第62-63页 |
| 5 基于PLS-LSSVM的大坝安全监测统计模型 | 第63-74页 |
| ·偏最小二乘的基本思想和回归算法 | 第64-65页 |
| ·PLS-LSSVM的基本思想 | 第65页 |
| ·基于PLS-LSSVM的渗流统计模型 | 第65-70页 |
| ·多重相关性诊断 | 第65-66页 |
| ·模型的求解与分析 | 第66-70页 |
| ·基于PLS-LSSVM的应变统计模型 | 第70-73页 |
| ·多重相关性诊断 | 第70页 |
| ·模型的求解与分析 | 第70-73页 |
| ·本章小结 | 第73-74页 |
| 6 结论与建议 | 第74-76页 |
| ·结论 | 第74-75页 |
| ·建议 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间实践工作和发表论文 | 第83页 |