| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 边坡变形监测的研究目的和意义 | 第8页 |
| 1.2 边坡变形预测的研究现状和发展趋势 | 第8-9页 |
| 1.3 论文的主要内容及组织结构 | 第9-11页 |
| 第二章 边坡变形监测技术与变形预测理论基础 | 第11-37页 |
| 2.1 边坡变形监测的技术、内容与原则 | 第11-14页 |
| 2.1.1 边坡变形监测技术 | 第11-13页 |
| 2.1.2 边坡变形监测内容 | 第13页 |
| 2.1.3 边坡变形监测原则 | 第13-14页 |
| 2.2 BP神经网络模型 | 第14-20页 |
| 2.2.1 人工神经网络的特点 | 第14-15页 |
| 2.2.2 神经网络的处理单元 | 第15-16页 |
| 2.2.3 BP神经网络的结构及算法 | 第16-20页 |
| 2.3 Kalman滤波模型 | 第20-23页 |
| 2.3.1 Kalman滤波的介绍 | 第20-22页 |
| 2.3.2 Kalman滤波在变形监测中应用 | 第22-23页 |
| 2.4 灰色系统分析模型 | 第23-27页 |
| 2.4.1 灰色系统的基本概念 | 第23-24页 |
| 2.4.2 GM模型的建立 | 第24-27页 |
| 2.5 模糊系统理论 | 第27-34页 |
| 2.5.1 模糊系统 | 第27-30页 |
| 2.5.2 模糊逻辑 | 第30页 |
| 2.5.3 模糊推理 | 第30-33页 |
| 2.5.4 模糊系统工具箱函数列表 | 第33-34页 |
| 2.6 聚类分析 | 第34-36页 |
| 2.7 本章小结 | 第36-37页 |
| 第三章 基于自适应模糊神经网络评价模型的建立 | 第37-43页 |
| 3.1 模糊信息处理与神经网络的融合 | 第37-38页 |
| 3.2 模糊神经网络（FNN） | 第38-39页 |
| 3.3 自适应模糊神经推理系统的的建立 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于自适应模糊神经网络模型的边坡监测数据分析 | 第43-55页 |
| 4.1 边坡的基本概况 | 第43-46页 |
| 4.1.1 工程概况 | 第43-44页 |
| 4.1.2 监测说明 | 第44-45页 |
| 4.1.3 边坡监测内容 | 第45-46页 |
| 4.2 基于自适应模糊神经网络模型的监测数据处理与预测分析 | 第46-54页 |
| 4.2.1 样本数据的归一化 | 第46-49页 |
| 4.2.2 自适应模糊神经网络模型与BP神经网络模型的监测数据处理 | 第49-52页 |
| 4.2.3 两种模型预测值的对比分析 | 第52-54页 |
| 4.3 本章小结 | 第54-55页 |
| 总结与展望 | 第55-57页 |
| 总结 | 第55页 |
| 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
