| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第9-15页 |
| 1.1 地铁隧道变形监测的目的和意义 | 第9页 |
| 1.2 地铁隧道的变形监测技术 | 第9-11页 |
| 1.3 地铁隧道变形监测数据处理的方法 | 第11-14页 |
| 1.4 本文研究的主要内容 | 第14-15页 |
| 2 小波分析 | 第15-22页 |
| 2.1 小波分析的发展 | 第15页 |
| 2.2 小波变换的定义 | 第15-16页 |
| 2.3 多分辨率分析和Mallat算法 | 第16-17页 |
| 2.3.1 多分辨率分析 | 第16-17页 |
| 2.3.2 Mallat算法 | 第17页 |
| 2.4 小波基函数 | 第17-19页 |
| 2.5 小波的分解与重构 | 第19页 |
| 2.6 小波函数的选取 | 第19-21页 |
| 2.7 本章总结 | 第21-22页 |
| 3 BP神经网络及其应用 | 第22-35页 |
| 3.1 人工神经网络的概述 | 第22页 |
| 3.2 BP神经网络结构 | 第22-23页 |
| 3.3 BP神经网络处理单元模型 | 第23-25页 |
| 3.3.1BP神经网络处理的数学模型 | 第23-24页 |
| 3.3.2 转移函数 | 第24-25页 |
| 3.4 BP神经网络的学习算法 | 第25-28页 |
| 3.5 BP神经网络的优缺点 | 第28-29页 |
| 3.5.1 BP神经网络的优点 | 第28页 |
| 3.5.2 BP神经网络的缺点 | 第28-29页 |
| 3.6 BP神经网络的改进方法 | 第29-30页 |
| 3.6.1 增加动量项的BP算法 | 第29页 |
| 3.6.2 自适应调整学习率的优化算法 | 第29-30页 |
| 3.7 算例分析 | 第30-34页 |
| 3.8 本章总结 | 第34-35页 |
| 4 BP小波神经网络模型及其应用 | 第35-54页 |
| 4.1 BP小波神经网络的概述 | 第35页 |
| 4.2 BP小波神经网络的分类 | 第35-36页 |
| 4.3 BP小波神经网络的学习算法 | 第36-37页 |
| 4.4 BP小波神经网络的模型 | 第37-39页 |
| 4.5 BP小波神经网络的程序实现 | 第39-41页 |
| 4.6 BP小波神经网络在地铁隧道变形分析中的应用 | 第41-53页 |
| 4.6.1 模型的确定 | 第42-45页 |
| 4.6.2 模型的训练和预测 | 第45-53页 |
| 4.7 本章总结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-60页 |