| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-20页 |
| ·变形监测研究的背景和意义 | 第12-13页 |
| ·变形分析与预报的研究现状和进展 | 第13-16页 |
| ·变形监测技术的进步对变形监测带来的影响 | 第16-17页 |
| ·本论文的主要研究内容 | 第17-20页 |
| 第2章 变形监测网的附加基准法平差及稳定性分析 | 第20-48页 |
| ·引言 | 第20-21页 |
| ·平差的基准问题 | 第21页 |
| ·基准的定义 | 第21页 |
| ·监测网平差基准的选择 | 第21页 |
| ·用附加基准方程法统一平差方式及进行成果转换 | 第21-29页 |
| ·用附加基准方程法进行经典平差 | 第21-24页 |
| ·不同基准条件下平差方式的统一形式 | 第24-27页 |
| ·不同基准条件下平差成果的相互转换 | 第27-28页 |
| ·附加基准法在GPS变形监测网平差中的应用 | 第28-29页 |
| ·顾及起算数据误差的附加基准平差 | 第29-36页 |
| ·精密平差中考虑起算数据误差影响的必要性 | 第29-31页 |
| ·顾及起算数据误差的附加基准法进行独立网平差 | 第31-33页 |
| ·扩展网参数精度与高级网参数精度的关系 | 第33-34页 |
| ·顾及起算数据误差的不同基准下的成果转换 | 第34-35页 |
| ·附加基准法经典自由网平差算例 | 第35-36页 |
| ·用附加基准法平差附合网及考虑起算数据误差的影响 | 第36-43页 |
| ·在附合网平差中考虑起算数据误差的意义 | 第36-37页 |
| ·用附加基准法平差附合网 | 第37-39页 |
| ·考虑起算数据误差的附合网平差 | 第39-40页 |
| ·附加基准法平差附合网算例 | 第40-43页 |
| ·监测网稳定性分析 | 第43-47页 |
| ·多期观测单位权中误差的综合估计 | 第44-45页 |
| ·图形一致性检验 | 第45页 |
| ·不稳定点搜索 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第3章 混合遗传算法及其在控制网平差中的应用研究 | 第48-80页 |
| ·引言 | 第48-49页 |
| ·遗传算法及其工作原理 | 第49-53页 |
| ·遗传算法的工作原理 | 第50-51页 |
| ·遗传算法的特点及优势 | 第51页 |
| ·改进的遗传算法 | 第51-53页 |
| ·改进遗传算法在非线性平差中的应用 | 第53-60页 |
| ·用遗传算法进行非线性平差的适应函数 | 第54-55页 |
| ·用遗传算法计算参数估值 | 第55-57页 |
| ·非线性算法参数的精度估算 | 第57-60页 |
| ·算法设计及最优遗传算子的确定 | 第60-69页 |
| ·非线性回归分析 | 第61-62页 |
| ·函数的非线性强度 | 第62-63页 |
| ·遗传算法实验设计 | 第63-64页 |
| ·算例 | 第64-69页 |
| ·用单纯形法对遗传操作进行改进的混合遗传算法 | 第69-78页 |
| ·无约束条件的单纯形法 | 第70-72页 |
| ·遗传算法与单纯形法结合的混合算法 | 第72-74页 |
| ·仿真试验 | 第74-77页 |
| ·混合遗传算法在控制网平差中的应用 | 第77-78页 |
| ·本章小结 | 第78-80页 |
| 第4章 改进的神经网络预测模型 | 第80-112页 |
| ·引言 | 第80-81页 |
| ·神经网络及BP算法 | 第81-88页 |
| ·神经网络的基本元素 | 第81-83页 |
| ·BP网络及其学习算法 | 第83-88页 |
| ·用遗传算法改进的BP前馈神经网络 | 第88-93页 |
| ·遗传算法与BP算法结合的工作原理 | 第88页 |
| ·用遗传算法优化神经网络结构 | 第88-92页 |
| ·将遗传算法用于神经网络连接权值的训练 | 第92-93页 |
| ·神经网络使用数据的预处理 | 第93-100页 |
| ·数据处理的方法与步骤 | 第93-94页 |
| ·异常值的定位及剔除 | 第94-98页 |
| ·数据的变换处理 | 第98-100页 |
| ·变形预报的组合预测 | 第100-103页 |
| ·实例分析 | 第103-110页 |
| ·神经网络模型进行变形预测的过程 | 第103-105页 |
| ·改进的神经网络与普通神经网络预测结果比较 | 第105-106页 |
| ·用指数平滑法和自回归法预测结果比较 | 第106-108页 |
| ·组合预测结果分析 | 第108-110页 |
| ·本章小结 | 第110-112页 |
| 第5章 基于ARMA新息模型的Kalman滤波法 | 第112-149页 |
| ·引言 | 第112-113页 |
| ·向量时间序列分析模型 | 第113-115页 |
| ·模型参数的RLS估计 | 第115-120页 |
| ·模型参数的LS算法及RLS算法 | 第115-117页 |
| ·向量ARMA模型的模型参数估计 | 第117-120页 |
| ·最优递推Kalman滤波器及预报器 | 第120-126页 |
| ·正交投影原理在Kalman滤波中的应用 | 第120-122页 |
| ·Kalman最优递推预报器和滤波器 | 第122-124页 |
| ·Riccati方程及其解算 | 第124-126页 |
| ·渐近稳定的稳态Kalman滤波 | 第126-129页 |
| ·Kalman状态空间模型与时间序列模型的相互转化 | 第129-135页 |
| ·状态空间模型化为ARMA模型 | 第129-130页 |
| ·将空间状态模型中的两个噪声系统合并成一个MA模型 | 第130-134页 |
| ·将ARMA模型化为状态空间模型 | 第134-135页 |
| ·用ARMA新息模型参数求取艺阵和KP阵 | 第135-138页 |
| ·自适应滤波及其在隧道变形分析中的应用 | 第138-145页 |
| ·新息模型预报器及其在隧道变形预测中的应用 | 第145-147页 |
| ·本章小结 | 第147-149页 |
| 第6章 结论与展望 | 第149-152页 |
| ·结论 | 第149-150页 |
| ·进一步工作的方向 | 第150-152页 |
| 致谢 | 第152-154页 |
| 参考文献 | 第154-162页 |
| 在读期间发表的学术论文与研究成果 | 第162-163页 |