| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景及意义 | 第9-11页 |
| 1.2 变形预测的国内外研究现状 | 第11-13页 |
| 1.3 本文研究的内容与结构安排 | 第13-16页 |
| 第2章 变形预测涉及的理论基础 | 第16-41页 |
| 2.1 相空间重构理论 | 第16-22页 |
| 2.1.1 Takens定理简介 | 第17-18页 |
| 2.1.2 相空间重构理论及其参数选取方法 | 第18-21页 |
| 2.1.3 时间序列的混沌特性识别 | 第21-22页 |
| 2.2 支持向量机回归理论 | 第22-29页 |
| 2.2.1 统计学习理论概述 | 第22-25页 |
| 2.2.2 支持向量机回归原理 | 第25-27页 |
| 2.2.3 支持向量机参数选取 | 第27-29页 |
| 2.3 小波分析理论 | 第29-36页 |
| 2.3.1 小波分析原理 | 第29-31页 |
| 2.3.2 Mallat塔式算法 | 第31-32页 |
| 2.3.3 小波函数的选取依据 | 第32-35页 |
| 2.3.4 小波去噪方法及性能评价 | 第35-36页 |
| 2.4 时间序列分析理论 | 第36-40页 |
| 2.4.1 时间序列分析简介 | 第36页 |
| 2.4.2 时间序列分析模型分类 | 第36-38页 |
| 2.4.3 非平稳时间序列的ARIMA模型 | 第38页 |
| 2.4.4 ARIMA模型的建立步骤 | 第38-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 灰狼算法优化SVM在时间序列中的应用 | 第41-58页 |
| 3.1 灰狼算法简介 | 第41-49页 |
| 3.1.1 灰狼算法基本原理 | 第42页 |
| 3.1.2 灰狼算法描述 | 第42-46页 |
| 3.1.3 灰狼算法优化SVM的实现 | 第46-47页 |
| 3.1.4 实验结果分析 | 第47-49页 |
| 3.2 改进的灰狼算法研究(IGWO) | 第49-52页 |
| 3.2.1 算法改进策略 | 第50-51页 |
| 3.2.2 改进灰狼算法的测试方案 | 第51-52页 |
| 3.3 IGWO算法实验及可行性分析 | 第52-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第4章 小波与ARIMA的PSR-IGWO-SVM优化组合预测方法 | 第58-73页 |
| 4.1 组合模型概述与分类 | 第58-61页 |
| 4.1.1 数据预处理型组合模型 | 第58-59页 |
| 4.1.2 误差修正型组合模型 | 第59-60页 |
| 4.1.3 权重分配型组合模型 | 第60-61页 |
| 4.2 小波与ARIMA的PSR-IGWO-SVM组合模型的建立 | 第61-72页 |
| 4.2.1 模型建立的合理性分析 | 第61-62页 |
| 4.2.2 数据预处理+误差修正组合模型的结构 | 第62-64页 |
| 4.2.3 模型精度评定标准 | 第64-65页 |
| 4.2.4 残差型SVM建模实例比较 | 第65-72页 |
| 4.3 本章小结 | 第72-73页 |
| 第5章 优化组合模型在高铁变形预测中的应用 | 第73-79页 |
| 5.1 工程概况与资料来源 | 第73-74页 |
| 5.2 小波与ARIMA的PSR-IGWO-SVM组合模型预测应用与分析 | 第74-78页 |
| 5.2.1 单项预测模型与组合模型结果对比分析 | 第74-75页 |
| 5.2.2 各组合模型预测结果对比分析 | 第75-78页 |
| 5.3 本章小结 | 第78-79页 |
| 第6章 结论与展望 | 第79-81页 |
| 6.1 本文工作研究总结 | 第79-80页 |
| 6.2 工作展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 | 第87-88页 |
| 致谢 | 第88页 |
