| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-12页 |
| 1 绪论 | 第12-24页 |
| 1.1 选题背景及研究意义 | 第12-13页 |
| 1.2 人工智能在岩土工程领域内发展 | 第13-15页 |
| 1.2.1 岩土力学传统研究方法存在的问题 | 第13-14页 |
| 1.2.2 人工智能的发展过程及其优越性 | 第14-15页 |
| 1.2.3 人工智能在岩土工程领域的应用 | 第15页 |
| 1.3 围岩变形监测与预测的意义及研究现状 | 第15-19页 |
| 1.4 现有人工智能方法存在的不足 | 第19-21页 |
| 1.4.1 人工神经元网络存在的问题 | 第19-20页 |
| 1.4.2 专家系统存在的问题 | 第20页 |
| 1.4.3 传统支持向量机存在的问题 | 第20-21页 |
| 1.5 本文章主要研究内容、思路及创新之处 | 第21-24页 |
| 2 统计学习理论及支持向量机基本理论 | 第24-38页 |
| 2.1 机器学习的基本问题 | 第24-27页 |
| 2.1.1 学习问题的描述 | 第24-25页 |
| 2.1.2 学习问题的分类 | 第25-26页 |
| 2.1.3 经验风险最小化 | 第26-27页 |
| 2.2 统计学习理论的核心内容 | 第27-30页 |
| 2.2.1 统计学习的一致性(Consisteney)理论 | 第27-28页 |
| 2.2.2 VC维(Vapnik-Chervonenkis Dimension)与推广性能的界 | 第28-29页 |
| 2.2.3 结构风险最小化原则 | 第29-30页 |
| 2.3 支持向量机基本原理 | 第30-36页 |
| 2.3.1 线性可分SVM和最优超平面 | 第31-33页 |
| 2.3.2 线性不可分SVM和软间隔 | 第33-34页 |
| 2.3.3 非线性SVM和内积核函数 | 第34-36页 |
| 2.4 小结 | 第36-38页 |
| 3 人工免疫系统及其算法设计 | 第38-46页 |
| 3.1 人工免疫系统构成 | 第38-39页 |
| 3.2 人工免疫系统特点及应用领域 | 第39-40页 |
| 3.3 免疫算法的基本操作 | 第40-43页 |
| 3.4 免疫规划算法与遗传算法效果比较 | 第43-44页 |
| 3.5 小结 | 第44-46页 |
| 4 支持向量机预测模型参数的优化方法 | 第46-54页 |
| 4.1 确定优化对象 | 第46-48页 |
| 4.2 交叉验证下的误差统计 | 第48-50页 |
| 4.3 根据优化方法编写程序 | 第50-54页 |
| 5 支持向量机算法的应用 | 第54-68页 |
| 5.1 非线性位移时序分析建模与预测研究 | 第54-63页 |
| 5.1.1 工程概况 | 第55-56页 |
| 5.1.2 结构计算参数 | 第56-58页 |
| 5.1.3 施工监测数据 | 第58-60页 |
| 5.1.4 使用时间序列预测模型进行位移预测 | 第60-63页 |
| 5.2 隧道三维弹塑性位移反分析 | 第63-68页 |
| 5.2.1 反分析数据来源 | 第63-64页 |
| 5.2.2 反分析方法及结果 | 第64-68页 |
| 6 大跨地下储库围岩位移预测的组合参数法 | 第68-102页 |
| 6.1 组合参数预测实现方法 | 第68-70页 |
| 6.2 工程概况 | 第70-72页 |
| 6.2.1 自然地理与地形地貌 | 第70页 |
| 6.2.2 区域地质构造 | 第70页 |
| 6.2.3 岩性特征及分布规律 | 第70-71页 |
| 6.2.4 节理裂隙发育特征 | 第71页 |
| 6.2.5 断层发育特征 | 第71页 |
| 6.2.6 水文地质特征 | 第71-72页 |
| 6.3 围岩现场监控量测 | 第72-77页 |
| 6.3.1 监测项目 | 第72-73页 |
| 6.3.2 监测方法 | 第73页 |
| 6.3.3 测点布置 | 第73-75页 |
| 6.3.4 监测结果 | 第75-77页 |
| 6.4 单一时间序列模型的围岩变形与锚杆轴力预测 | 第77-95页 |
| 6.4.1 逐个时间点预测效果 | 第77-82页 |
| 6.4.2 每四个时间点预测效果 | 第82-87页 |
| 6.4.3 每七个时间点预测效果 | 第87-92页 |
| 6.4.4 误差分析 | 第92-95页 |
| 6.5 组合参数模型的围岩变形预测 | 第95-100页 |
| 6.5.1 组合参数预测应用 | 第95-97页 |
| 6.5.2 预测对比与分析 | 第97-100页 |
| 6.6 小结 | 第100-102页 |
| 7 结论与展望 | 第102-104页 |
| 7.1 结论 | 第102-103页 |
| 7.2 展望 | 第103-104页 |
| 参考文献 | 第104-106页 |
| 作者简历 | 第106-110页 |
| 学位论文数据集 | 第110页 |