基于LSSVM的地铁车站基坑周边建筑物的沉降规律与预测研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基坑开挖对建筑物影响的研究现状 | 第11-12页 |
| 1.2.2 支持向量机的研究现状 | 第12-13页 |
| 1.3 研究内容和技术路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 技术路线 | 第14-15页 |
| 2 支持向量机理论及小波变换理论 | 第15-29页 |
| 2.1 统计学习理论 | 第15-18页 |
| 2.1.1 机器学习的基本问题 | 第15-16页 |
| 2.1.2 VC维与推广性的界 | 第16-17页 |
| 2.1.3 结构风险最小化原则 | 第17-18页 |
| 2.2 支持向量机 | 第18-23页 |
| 2.2.1 基于分类的支持向量机 | 第18-19页 |
| 2.2.2 基于回归的支持向量机 | 第19-21页 |
| 2.2.3 核函数原理及参数影响因素 | 第21-23页 |
| 2.2.4 支持向量机的主要优点 | 第23页 |
| 2.3 小波变换理论 | 第23-28页 |
| 2.3.1 小波变换原理 | 第23-24页 |
| 2.3.2 小波变换的去噪原理与方法 | 第24-25页 |
| 2.3.3 小波基函数的类型 | 第25-26页 |
| 2.3.4 小波变换阈值函数类型 | 第26-27页 |
| 2.3.5 小波去噪效果的评价指标 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 参数寻优算法的研究 | 第29-36页 |
| 3.1 遗传算法 | 第29-30页 |
| 3.1.1 遗传算法基本原理 | 第29页 |
| 3.1.2 遗传算法流程 | 第29-30页 |
| 3.2 粒子群算法 | 第30-32页 |
| 3.2.1 粒子群算法的基本原理 | 第30-31页 |
| 3.2.2 粒子群算法流程 | 第31-32页 |
| 3.3 PSO和GA的算法结合研究 | 第32-35页 |
| 3.3.1 PSO和GA的异同 | 第32页 |
| 3.3.2 PSO和GA的结合方式 | 第32-33页 |
| 3.3.3 PSO-GA的算法流程 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 地铁站基坑周边建筑物的沉降规律研究 | 第36-52页 |
| 4.1 工程概况 | 第36-39页 |
| 4.1.1 受影响小区简况 | 第36-37页 |
| 4.1.2 工程地质 | 第37-39页 |
| 4.1.3 监测依据 | 第39页 |
| 4.2 受基坑施工影响建筑物的监测 | 第39-42页 |
| 4.2.1 监测内容 | 第39页 |
| 4.2.2 监测点的布设 | 第39-41页 |
| 4.2.3 监测频率与报警值 | 第41-42页 |
| 4.3 建筑物的沉降监测 | 第42-44页 |
| 4.4 小波阈值去噪处理与沉降规律研究 | 第44-51页 |
| 4.4.1 去噪样本的选择 | 第44页 |
| 4.4.2 数据的小波去噪处理 | 第44-48页 |
| 4.4.3 沉降规律分析 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 LSSVM模型应用于建筑物沉降的预测研究 | 第52-71页 |
| 5.1 LSSVM模型的训练样本选择与建模流程 | 第52-53页 |
| 5.2 参数寻优算法的应用分析 | 第53-55页 |
| 5.2.1 PSO的寻参分析 | 第53-54页 |
| 5.2.2 GA的寻参分析 | 第54页 |
| 5.2.3 PSO-GA的寻参分析 | 第54-55页 |
| 5.3 LSSVM模型的构建与训练 | 第55-62页 |
| 5.3.1 LSSVM模型的构建 | 第55-57页 |
| 5.3.2 预测性能评价指标 | 第57-58页 |
| 5.3.3 模型训练与拟合分析 | 第58-62页 |
| 5.4 模型的预测分析 | 第62-70页 |
| 5.5 本章小结 | 第70-71页 |
| 6 结论与展望 | 第71-72页 |
| 6.1 结论 | 第71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 作者简历 | 第76-78页 |
| 学位论文数据集 | 第78页 |
