智能变形分析方法综合研究
| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| ·引言 | 第9-10页 |
| ·研究现状 | 第10-13页 |
| ·变形测量技术发展现状 | 第10-11页 |
| ·变形分析预报发展现状 | 第11-13页 |
| ·论文的结构 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 小波变换数据去噪处理 | 第15-27页 |
| ·小波变换的现状 | 第15-16页 |
| ·小波变换的原理 | 第16-17页 |
| ·小波分解与重构 | 第17-19页 |
| ·小波去噪评价指标 | 第19-20页 |
| ·小波去噪应用分析 | 第20-26页 |
| ·实例1 | 第20-22页 |
| ·实例2 | 第22-24页 |
| ·实例3 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 小波神经网络变形预报 | 第27-49页 |
| ·人工神经网络 | 第27-32页 |
| ·人工神经网络的现状 | 第27-28页 |
| ·人工神经网络的原理 | 第28-32页 |
| ·神经网络的基本概念 | 第28-29页 |
| ·BP 神经网络原理 | 第29-30页 |
| ·BP 神经网络反向传播训练算法 | 第30-32页 |
| ·小波神经网络 | 第32-34页 |
| ·小波神经网络概述 | 第32页 |
| ·小波神经网络结构 | 第32-34页 |
| ·小波神经网络优点 | 第34页 |
| ·实例分析 | 第34-48页 |
| ·实例1 | 第34-39页 |
| ·BP 神经网络预测 | 第34-36页 |
| ·小波神经网络预测 | 第36-38页 |
| ·前215 周期预测后91 周期 | 第38-39页 |
| ·实例2 | 第39-44页 |
| ·前132 周期预测后132 周期 | 第40-41页 |
| ·前185 周期预测后79 周期 | 第41-42页 |
| ·前205 周期预测后59 周期 | 第42-44页 |
| ·实例3 | 第44-48页 |
| ·前150 周期预测后150 周期 | 第44-45页 |
| ·前210 周期预测后90 周期 | 第45-47页 |
| ·前250 周期预测后50 周期 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 遗传小波神经网络变形预报 | 第49-66页 |
| ·遗传算法 | 第49-52页 |
| ·遗传算法概述 | 第49-50页 |
| ·遗传算法的运算步骤 | 第50-51页 |
| ·遗传算法求全局最优解算例 | 第51-52页 |
| ·遗传小波神经网络 | 第52-55页 |
| ·遗传小波神经网络概述 | 第52-53页 |
| ·遗传小波神经网络实现过程 | 第53-55页 |
| ·遗传小波神经网络变形预测实例 | 第55-62页 |
| ·实例1 | 第55-58页 |
| ·实例2 | 第58-60页 |
| ·实例3 | 第60-62页 |
| ·三种算法预测能力稳定性分析 | 第62-64页 |
| ·三种算法预测的有效区间 | 第64页 |
| ·本章小结 | 第64-66页 |
| 第五章 多传感器变形测量系统构建 | 第66-73页 |
| ·变形测量系统现状 | 第66页 |
| ·GeoMoS 系统简介 | 第66-67页 |
| ·多传感器变形测量系统构建的关键问题 | 第67-72页 |
| ·系统工作模型 | 第67-68页 |
| ·传感器数据传输 | 第68-69页 |
| ·多传感器数据管理及预处理 | 第69-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| ·主要研究工作 | 第73-74页 |
| ·进一步研究工作 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第79-81页 |
| 致谢 | 第81页 |
