面向滑坡监测的多源异构传感器信息融合方法研究
| 作者简介 | 第6-8页 |
| 摘要 | 第8-11页 |
| ABSTRACT | 第11-14页 |
| 第一章 绪论 | 第17-36页 |
| §1.1 研究背景、选题来源和意义 | 第17-22页 |
| 1.1.1 研究背景与选题来源 | 第17-20页 |
| 1.1.2 研究意义 | 第20-22页 |
| §1.2 选题国内外研究现状 | 第22-33页 |
| 1.2.1 国内外滑坡预测的研究现状 | 第22-28页 |
| 1.2.2 多源信息融合国内外研究现状 | 第28-33页 |
| §1.3 选题研究目标、方法 | 第33-34页 |
| §1.4 选题技术路线 | 第34页 |
| §1.5 选题研究内容和论文结构 | 第34-36页 |
| 第二章 滑坡监测与数据管理系统设计 | 第36-66页 |
| §2.1 多源异构数据管理平台设计 | 第38-47页 |
| 2.1.1 数据平台基本组成结构 | 第38-41页 |
| 2.1.2 多源异构监测数据管理方式 | 第41-47页 |
| §2.2 滑坡监测系统体系结构设计 | 第47-55页 |
| §2.3 系统集成与优化 | 第55-66页 |
| 2.3.1 系统硬件集成 | 第55-60页 |
| 2.3.2 系统软件集成 | 第60-61页 |
| 2.3.3 系统测试与优化 | 第61-66页 |
| 第三章 多源异构数据融合预处理方法研究 | 第66-90页 |
| §3.1 数据预处理简介 | 第67-72页 |
| §3.2 异常数据处理方法 | 第72-76页 |
| §3.3 数据平稳性检测、平滑化和补缺预处理 | 第76-83页 |
| 3.3.1 监测数据的平稳性检测方法 | 第77-79页 |
| 3.3.2 时间序列的平滑处理方法 | 第79-81页 |
| 3.3.3 缺失数据的补缺方法 | 第81-83页 |
| §3.4 非平稳数据GPU并行处理方法 | 第83-90页 |
| 3.4.1 基于CPU连续小波变换 | 第85-86页 |
| 3.4.2 基于GPU的连续小波变换 | 第86-87页 |
| 3.4.3 试验结果 | 第87-89页 |
| 3.4.4 小结 | 第89-90页 |
| 第四章 多源监测数据融合方法研究 | 第90-108页 |
| §4.1 滑坡影响因子的相关性分析方法 | 第91-94页 |
| §4.2 回归分析模型简介 | 第94-102页 |
| 4.2.1 一元线性回归模型 | 第95-99页 |
| 4.2.2 可线性化的一元非线性回归模型 | 第99页 |
| 4.2.3 多元线性回归模型 | 第99-102页 |
| 4.2.4 多元非线性回归模型 | 第102页 |
| §4.3 基于逐步回归分析的多源监测数据融合 | 第102-108页 |
| 4.3.1 逐步回归分析法 | 第102-103页 |
| 4.3.2 多源异构数据融合处理步骤 | 第103-107页 |
| 4.3.3 总结 | 第107-108页 |
| 第五章 BP-GM组合模型预测研究 | 第108-124页 |
| §5.1 黄土坡地质特征及滑坡区域地形地貌特点 | 第109-111页 |
| §5.2 黄土坡滑坡区域地质稳定性评价 | 第111-113页 |
| §5.3 基于BP神经网络滑坡预测 | 第113-117页 |
| 5.3.1 人工神经网络简介 | 第113-115页 |
| 5.3.2 BP神经网络预测流程 | 第115-117页 |
| §5.4 基于GM(1,1)滑坡预测 | 第117-120页 |
| 5.4.1 灰色系统的概念 | 第117-119页 |
| 5.4.2 GM(1,1)预测建模步骤 | 第119-120页 |
| §5.5 基于BP-GM(1,1)融合模型研究 | 第120-124页 |
| 5.5.1 BP-GM组合模型融合预测步骤 | 第120-121页 |
| 5.5.2 结果分析与模型评价 | 第121-123页 |
| 5.5.3 总结 | 第123-124页 |
| 第六章 结论和展望 | 第124-126页 |
| §6.1 创新点与研究成果 | 第124页 |
| §6.2 展望 | 第124-126页 |
| 致谢 | 第126-127页 |
| 参考文献 | 第127-133页 |
