摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
1 绪论 | 第10-20页 |
1.1 研究背景和意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-16页 |
1.2.1 变形监测技术的研究现状 | 第11-12页 |
1.2.2 变形监测数据分析的研究现状 | 第12-16页 |
1.3 本文研究的主要内容 | 第16-17页 |
1.4 本文的技术路线及结构 | 第17-19页 |
1.4.1 本文的技术路线 | 第17-18页 |
1.4.2 论文的组织结构 | 第18-19页 |
1.5 本章小结 | 第19-20页 |
2 人工神经网络和经典BP网络 | 第20-40页 |
2.1 神经网络简介及发展史 | 第20-21页 |
2.2 神经网络的结构和分类 | 第21-25页 |
2.2.1 神经网络的结构 | 第21-23页 |
2.2.2 神经网络的分类 | 第23-24页 |
2.2.3 神经网络学习方式 | 第24-25页 |
2.3 神经网络的特点及应用 | 第25-26页 |
2.3.1 神经网络的特点 | 第25-26页 |
2.3.2 神经网络的应用 | 第26页 |
2.4 BP神经网络 | 第26-38页 |
2.4.1 BP神经网络的结构与特点 | 第27-28页 |
2.4.2 最速下降BP法 | 第28-32页 |
2.4.3 最速下降BP法的改进 | 第32-34页 |
2.4.4 BP神经网络的设计 | 第34-35页 |
2.4.5 BP神经网络变形预测的基本流程 | 第35-36页 |
2.4.6 BP神经网络的优缺点 | 第36-37页 |
2.4.7 BP神经网络的优化 | 第37-38页 |
2.5 本章小结 | 第38-40页 |
3 粒子群算法和粒子群神经网络 | 第40-54页 |
3.1 粒子群算法概述 | 第40-44页 |
3.1.1 粒子群算法原理 | 第40-41页 |
3.1.2 粒子群算法的参数分析与改进 | 第41-44页 |
3.2 粒子群算法的基本流程 | 第44-45页 |
3.3 仿真测试 | 第45-50页 |
3.3.1 标准测试函数 | 第45-47页 |
3.3.2 参数设置 | 第47-48页 |
3.3.3 实验分析 | 第48-50页 |
3.4 粒子群BP神经网络算法 | 第50-52页 |
3.4.1 粒子群优化BP神经网络的基本思想 | 第51页 |
3.4.2 粒子群BP神经网络的操作步骤 | 第51-52页 |
3.4.3 粒子群BP神经网络的不足 | 第52页 |
3.5 粒子群算法的二次改进 | 第52-53页 |
3.6 本章小结 | 第53-54页 |
4 混沌粒子群BP神经网络 | 第54-66页 |
4.1 混沌理论概述 | 第54-58页 |
4.1.1 混沌的定义 | 第54-55页 |
4.1.2 混沌的特点 | 第55页 |
4.1.3 混沌映射 | 第55-58页 |
4.2 混沌粒子群算法(CPSO) | 第58-59页 |
4.3 仿真测试 | 第59-62页 |
4.3.1 算法设计 | 第59-60页 |
4.3.2 实验分析 | 第60-62页 |
4.4 混沌粒子群BP神经网络 | 第62-63页 |
4.5 本章小结 | 第63-66页 |
5 基于混沌粒子群神经网络的变形预测实例分析 | 第66-88页 |
5.1 实验准备 | 第66-69页 |
5.1.1 MATLAB神经工具箱函数的选取 | 第66-67页 |
5.1.2 模型精度评价因子的选取 | 第67页 |
5.1.3 实验数据的来源 | 第67-68页 |
5.1.4 数据的处理规则 | 第68-69页 |
5.2 BP神经网络预测 | 第69-74页 |
5.3 粒子群BP神经网络预测 | 第74-81页 |
5.4 改进粒子群神经网络预测 | 第81-87页 |
5.4.1 变异粒子群神经网络预测 | 第81-82页 |
5.4.2 混沌粒子群神经网络预测 | 第82页 |
5.4.3 结果对比分析 | 第82-87页 |
5.5 实验结果综合分析 | 第87页 |
5.6 本章小结 | 第87-88页 |
6 结论与展望 | 第88-90页 |
6.1 结论 | 第88页 |
6.2 展望 | 第88-90页 |
攻读硕士学位期间发表的学术论文及参加的科研项目目录 | 第90-92页 |
1.攻读硕士学位期间发表的学术论文 | 第90页 |
2.攻读硕士学位期间参加的科研项目 | 第90-92页 |
致谢 | 第92-94页 |
参考文献 | 第94-99页 |