基于D-S证据理论的白水河滑坡状态跃迁研究
| 作者简历 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景、目的及意义 | 第14-15页 |
| 1.2 滑坡状态跃迁的研究现状 | 第15-16页 |
| 1.3 D-S证据理论的研究现状 | 第16-17页 |
| 1.4 研究内容及技术路线 | 第17-18页 |
| 1.5 本文的结构安排 | 第18-20页 |
| 第二章 方法背景 | 第20-27页 |
| 2.1 D-S证据理论 | 第20-23页 |
| 2.1.1 D-S证据理论的提出 | 第20-21页 |
| 2.1.2 D-S证据理论的基本函数 | 第21-22页 |
| 2.1.3 Dempster合成法则 | 第22-23页 |
| 2.2 k均值算法 | 第23-24页 |
| 2.3 粒子群优化算法 | 第24页 |
| 2.4 BP神经网络 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 先验数据的获取 | 第27-34页 |
| 3.1 “阶梯型”监测点 | 第27-31页 |
| 3.1.1 白水河滑坡 | 第27页 |
| 3.1.2 八字门滑坡 | 第27-30页 |
| 3.1.3 卡子湾滑坡 | 第30-31页 |
| 3.2 人工降雨实验 | 第31-33页 |
| 3.2.1 实验仪器 | 第31-32页 |
| 3.2.2 实验方案 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 降雨数据的特征提取 | 第34-42页 |
| 4.1 降雨数据的预处理 | 第34-37页 |
| 4.1.1 按次统计降雨数据 | 第34-35页 |
| 4.1.2 运用k均值算法划分降雨类型 | 第35-36页 |
| 4.1.3 蒸发、入渗、径流的数据获取 | 第36-37页 |
| 4.2 降雨数据的特征向量表示 | 第37-39页 |
| 4.2.1 月降雨特征参量 | 第37-38页 |
| 4.2.2 求取12维权重系数 | 第38页 |
| 4.2.3 月降雨特征向量 | 第38-39页 |
| 4.3 验证降雨数据特征向量的有效性 | 第39-40页 |
| 4.4 本章小结 | 第40-42页 |
| 第五章 基于D-S证据理论的滑坡状态跃迁研究 | 第42-47页 |
| 5.1 滑坡状态的判定准则 | 第42页 |
| 5.2 识别框架的构造 | 第42-44页 |
| 5.2.1 判断问题的设立 | 第43页 |
| 5.2.2 评价指标的确定 | 第43-44页 |
| 5.2.3 识别框架的构造 | 第44页 |
| 5.3 基本可信度分配 | 第44-45页 |
| 5.3.1 概率的获取 | 第44-45页 |
| 5.3.2 基本可信度分配 | 第45页 |
| 5.4 Dempster合成法则 | 第45-46页 |
| 5.4.1 Dempster合成法则的定义 | 第45页 |
| 5.4.2 基本概率指派的信息融合 | 第45-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第六章 白水河滑坡实例 | 第47-60页 |
| 6.1 白水河滑坡简介 | 第47-49页 |
| 6.2 白水河滑坡的状态判定 | 第49-50页 |
| 6.3 白水河滑坡的识别框架 | 第50页 |
| 6.4 白水河滑坡的基本可信度 | 第50-55页 |
| 6.4.1 滑坡状态及其概率分配 | 第50-51页 |
| 6.4.2 降雨特征向量类型及其概率分配 | 第51-53页 |
| 6.4.3 库水位类型及其概率分配 | 第53-54页 |
| 6.4.4 基本可信度分配 | 第54-55页 |
| 6.5 多源信息的D-S证据理论信息融合 | 第55页 |
| 6.6 结果分析 | 第55-58页 |
| 6.7 本章小结 | 第58-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 7.1 总结 | 第60-61页 |
| 7.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
