| 郑重声明 | 第1-4页 |
| 摘要 | 第4-6页 |
| Abstract | 第6-11页 |
| 第1章 前言 | 第11-16页 |
| ·大坝安全监测的意义 | 第11页 |
| ·数据分析方法的发展与历史 | 第11-12页 |
| ·传统数据分析方法 | 第12-14页 |
| ·大坝安全监测新方法 | 第14页 |
| ·本文的主要研究内容 | 第14-16页 |
| 第2章 人工神经网络原理 | 第16-28页 |
| ·基本神经元模型 | 第16页 |
| ·激励函数 | 第16-17页 |
| ·网络结构及工作方式 | 第17-18页 |
| ·学习规则 | 第18-20页 |
| ·学习方式 | 第18-19页 |
| ·学习算法 | 第19-20页 |
| ·神经网络的计算能力及函数逼近 | 第20-21页 |
| ·前馈型神经网络工作原理 | 第21-28页 |
| ·前馈型神经网络BP算法理论基础 | 第21-25页 |
| ·前馈型神经网络的改进 | 第25-28页 |
| 第3章 遗传算法理论 | 第28-42页 |
| ·遗传算法的产生与发展 | 第28-30页 |
| ·遗传算法的基本思想 | 第30-31页 |
| ·遗传基因的编码 | 第31-32页 |
| ·适应度函数 | 第32页 |
| ·遗传算法的基本操作 | 第32-34页 |
| ·选择(selection) | 第33页 |
| ·交叉或基因重组(crossover/recombination) | 第33-34页 |
| ·变异(mutation) | 第34页 |
| ·遗传算法工作流程 | 第34-37页 |
| ·遗传算法的改进 | 第37-38页 |
| ·遗传算法的应用领域 | 第38-40页 |
| ·遗传算法优化人工神经网络 | 第40-42页 |
| 第4章 自适应遗传算法优化 | 第42-48页 |
| ·前馈型人工神经网络模型的建立 | 第42-44页 |
| ·人工神经网络结构的建立 | 第42-43页 |
| ·神经元输入输出值计算 | 第43页 |
| ·样本数据标准化 | 第43页 |
| ·连接权值和闭值的取值范围 | 第43-44页 |
| ·遗传算法设计与参数设定 | 第44-47页 |
| ·染色体组编码 | 第44-45页 |
| ·种群规模 | 第45页 |
| ·种群初始化 | 第45页 |
| ·适应度函数 | 第45页 |
| ·选择操作 | 第45-46页 |
| ·交叉操作 | 第46页 |
| ·变异操作 | 第46-47页 |
| ·遗传计算结束条件 | 第47页 |
| ·网络结构优化 | 第47页 |
| ·误差分析和测值预报 | 第47-48页 |
| 第5章 工程实例 | 第48-53页 |
| ·工程概况 | 第48-49页 |
| ·样本数据选取 | 第49-50页 |
| ·计算程序编制 | 第50页 |
| ·模型拟合效果与精度分析 | 第50-52页 |
| ·模型应用 | 第52-53页 |
| 第6章 大坝安全监测模型比较分析 | 第53-58页 |
| ·人工神经网络模型与传统大坝监测模型比较 | 第53-54页 |
| ·三种人工神经网络模型比较 | 第54页 |
| ·滞后效应对各种模型的影响 | 第54-57页 |
| ·温度对大坝监测效应量的滞后影响 | 第55-56页 |
| ·水位对大坝监测效应量的滞后影响 | 第56-57页 |
| ·各种模型成果分析比较 | 第57-58页 |
| 第7章 结语与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |