| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.2 国内外现状 | 第12-14页 |
| 1.2.1 人工神经网络 | 第12-13页 |
| 1.2.2 隧道变形监测与安全评估 | 第13-14页 |
| 1.3 主要研究内容及关键问题 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 人工神经网络及优化算法 | 第17-33页 |
| 2.1 人工神经网络概述 | 第17-19页 |
| 2.2 BP神经网络 | 第19-25页 |
| 2.2.1 网络拓扑结构 | 第19-20页 |
| 2.2.2 BP算法 | 第20-23页 |
| 2.2.3 BP神经网络的性能分析 | 第23-25页 |
| 2.3 BP神经网络优化算法 | 第25-33页 |
| 2.3.1 动量-自适应学习速率算法 | 第25-26页 |
| 2.3.2 Levenberg-Marquardt算法 | 第26-27页 |
| 2.3.3 遗传BP神经网络算法 | 第27-29页 |
| 2.3.4 优化算法的仿真分析 | 第29-33页 |
| 第3章 模型组合理论与智能神经网络构建 | 第33-41页 |
| 3.1 模型组合理论 | 第33-37页 |
| 3.1.1 模型组合分类 | 第33-34页 |
| 3.1.2 并联型组合模型 | 第34-37页 |
| 3.1.3 模型组合应考虑的问题 | 第37页 |
| 3.2 BP神经网络组合器 | 第37-38页 |
| 3.3 智能神经网络模型 | 第38-41页 |
| 3.3.1 结构设计 | 第38-39页 |
| 3.3.2 工作步骤 | 第39页 |
| 3.3.3 性能评价 | 第39-41页 |
| 第4章 隧道运营期的变形监测与预测分析 | 第41-58页 |
| 4.1 隧道变形监测工程概况 | 第41-48页 |
| 4.1.1 监测方案与监测成果 | 第41-46页 |
| 4.1.2 隧道运营期变形监测特征与难点 | 第46-48页 |
| 4.2 基于时间序列的智能神经网络隧道变形预测分析 | 第48-53页 |
| 4.2.1 基于时间序列的智能神经网络预测方法 | 第48-49页 |
| 4.2.2 基于时间序列的盐水沟隧道运营期变形预测 | 第49-53页 |
| 4.3 基于隧道变形关联因素的智能神经网络隧道变形预测分析 | 第53-58页 |
| 4.3.1 基于变形关联因素的智能神经网络预测方法 | 第53-54页 |
| 4.3.2 基于隧道变形关联因素的盐水沟隧道运营期变形预测 | 第54-58页 |
| 第5章 基于神经网络与变形监测成果的隧道安全评估 | 第58-67页 |
| 5.1 隧道安全评价指标体系构建 | 第58-60页 |
| 5.1.1 评价指标设置 | 第58-59页 |
| 5.1.2 评价集设计 | 第59-60页 |
| 5.1.3 评价体系构造 | 第60页 |
| 5.2 安全评估指标度量 | 第60-62页 |
| 5.2.1 数值表现 | 第60-61页 |
| 5.2.2 趋势表现 | 第61-62页 |
| 5.3 隧道安全评估 | 第62-67页 |
| 5.3.1 隧道安全评估步骤 | 第62-63页 |
| 5.3.2 隧道安全状态评估分析 | 第63-67页 |
| 结论及展望 | 第67-69页 |
| 结论 | 第67-68页 |
| 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第74页 |
