基于时空序列模型的变形分析研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 研究现状及发展 | 第10-13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 第二章 变形分析常用的建模方法 | 第14-30页 |
| 2.1 回归分析法 | 第14-17页 |
| 2.2 灰色系统分析模型 | 第17-19页 |
| 2.2.1 数据生成 | 第17-18页 |
| 2.2.2 GM（1,1）模型 | 第18-19页 |
| 2.3 卡尔曼滤波模型 | 第19-20页 |
| 2.4 人工神经网络模型 | 第20-22页 |
| 2.5 时间序列分析模型 | 第22-29页 |
| 2.5.1 时间序列的基本模型 | 第22-23页 |
| 2.5.2 时间自相关性 | 第23-25页 |
| 2.5.3 时间平稳性 | 第25-26页 |
| 2.5.4 ARMA 模型的建立步骤 | 第26-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 时空序列分析模型 | 第30-44页 |
| 3.1 时空序列分析概述 | 第30-31页 |
| 3.2 时空自相关性 | 第31-35页 |
| 3.2.1 空间自相关 | 第31-33页 |
| 3.2.2 时空自相关 | 第33-35页 |
| 3.3 时空平稳性 | 第35-38页 |
| 3.3.1 空间平稳 | 第36-37页 |
| 3.3.2 时空平稳 | 第37-38页 |
| 3.4 延迟算子 | 第38-40页 |
| 3.4.1 空间延迟算子 | 第38页 |
| 3.4.2 时空延迟算子 | 第38-40页 |
| 3.5 STARMA 模型的建立步骤 | 第40-43页 |
| 3.5.1 模型识别 | 第40-41页 |
| 3.5.2 参数估计 | 第41-42页 |
| 3.5.3 模型检验 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 时间序列模型对深基坑数据进行分析 | 第44-52页 |
| 4.1 建模数据来源 | 第44-45页 |
| 4.2 数据预处理 | 第45-47页 |
| 4.2.1 平稳性分析 | 第45-46页 |
| 4.2.2 零均值处理 | 第46-47页 |
| 4.3 模型识别 | 第47-48页 |
| 4.4 参数估计与模型定阶 | 第48-49页 |
| 4.5 模型检验 | 第49-50页 |
| 4.6 预测 | 第50-51页 |
| 4.7 本章小结 | 第51-52页 |
| 第五章 时空序列模型对深基坑数据进行分析 | 第52-65页 |
| 5.1 数据概况 | 第52页 |
| 5.2 时空平稳性检验 | 第52-55页 |
| 5.3 空间邻接矩阵的建立 | 第55-56页 |
| 5.4 模型识别 | 第56-58页 |
| 5.5 参数估计 | 第58页 |
| 5.6 模型检验 | 第58-59页 |
| 5.7 精度评估及与 ARMA 模型的对比 | 第59-64页 |
| 5.8 本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69页 |
