| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8页 |
| 1.2 变形监测概述 | 第8-10页 |
| 1.3 研究现状 | 第10-11页 |
| 1.4 论文的主要内容 | 第11-13页 |
| 第二章 变形分析常用的建模方法 | 第13-21页 |
| 2.1 变形预测常见模型及其特点 | 第13页 |
| 2.2 灰色理论模型 | 第13-16页 |
| 2.2.1 理论简介 | 第13-14页 |
| 2.2.2 GM模型 | 第14页 |
| 2.2.3 灰色理论建模步骤 | 第14-16页 |
| 2.3 时间序列分析模型 | 第16-18页 |
| 2.3.1 模型简介 | 第16页 |
| 2.3.2 时间序列模型的特点及适用性 | 第16页 |
| 2.3.3 常用时间序列预测模型 | 第16-18页 |
| 2.4 回归分析模型 | 第18-19页 |
| 2.4.1 一元线性回归模型 | 第18页 |
| 2.4.2 多元线性回归分析模型 | 第18页 |
| 2.4.3 非线性回归分析模型 | 第18-19页 |
| 2.5 人工神经网络模型 | 第19-20页 |
| 2.5.1 模型简介 | 第19页 |
| 2.5.2 人工神经网络基本特点 | 第19-20页 |
| 2.5.3 人工神经网络的学习方式 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 基于贫信息的动态变形单点预测模型 | 第21-43页 |
| 3.1 基于GM（1,1）的单点预测模型 | 第21-26页 |
| 3.1.1 单点预测模型数据的生成 | 第21-22页 |
| 3.1.2 GM（1,1）模型的基本形式 | 第22-23页 |
| 3.1.3 灰色模型参数a和u的求解 | 第23-24页 |
| 3.1.4 GM（1,1）模型精度检验 | 第24-26页 |
| 3.2 单点预测模型群的建立 | 第26-28页 |
| 3.2.1 GM（1,1）模型群 | 第26-27页 |
| 3.2.2 实例分析 | 第27-28页 |
| 3.3 GM（1,1）模型背景值的重构 | 第28-35页 |
| 3.3.1 背景值误差来源分析 | 第28-29页 |
| 3.3.2 已有背景值构造方法研究 | 第29-30页 |
| 3.3.3 基于非齐次指数函数的背景值重构 | 第30-32页 |
| 3.3.4 实例分析 | 第32-35页 |
| 3.4 GM（1,1）模型初始值的优化 | 第35-39页 |
| 3.4.1 以(0)x(1) 为初始条件的GM（1,1）模型 | 第36页 |
| 3.4.2 以(1)x(n) 为初始条件的GM（1,1）模型 | 第36-37页 |
| 3.4.3 基于变形数据滚动的(1)x(n) GM（1,1）模型 | 第37页 |
| 3.4.4 实例分析 | 第37-39页 |
| 3.5 基于双重优化的单点预测GM(1,1)模型 | 第39-42页 |
| 3.5.1 双重优化单点预测模型的构建 | 第40页 |
| 3.5.2 实例分析 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于贫信息的动态变形组合预测模型 | 第43-68页 |
| 4.1 串联式组合预测模型的构建 | 第43-45页 |
| 4.2 GM(1,1)与线性回归串联组合预测 | 第45-49页 |
| 4.2.1 灰线性组合模型 | 第45-47页 |
| 4.2.2 实例分析 | 第47-49页 |
| 4.3 GM(1,1)与时序AR(p)串联组合预测 | 第49-58页 |
| 4.3.1 GM(1,1)与AR(p)模型的比较 | 第50页 |
| 4.3.2 灰时序组合模型 | 第50-51页 |
| 4.3.3 实例分析 | 第51-58页 |
| 4.4 并联式组合预测模型的构建 | 第58-59页 |
| 4.5 线性定权并联组合模型 | 第59-61页 |
| 4.6 RBF非线性定权并联组合模型 | 第61-67页 |
| 4.6.1 RBF神经网络原理 | 第61-62页 |
| 4.6.2 基于RBF的非线性定权方法 | 第62页 |
| 4.6.3 RBF网络最优拓扑结构的建立 | 第62-64页 |
| 4.6.4 实例分析 | 第64-67页 |
| 4.7 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |
