改进的小波-BP神经网络在隧道变形监测中的应用
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-17页 |
| 1.1 选题的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-14页 |
| 1.2.1 新奥法隧道变形监测数据采集研究现状 | 第11-13页 |
| 1.2.2 新奥法隧道变形监测数据处理研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 技术路线 | 第15-17页 |
| 2 岑川隧道工程及变形监测技术 | 第17-32页 |
| 2.1 岑川隧道工程概况 | 第17-19页 |
| 2.2 隧道变形监测的目的与意义 | 第19页 |
| 2.3 隧道变形监测的方案设计 | 第19-31页 |
| 2.3.1 监测项目 | 第19-20页 |
| 2.3.2 监测方法与仪器配置 | 第20-23页 |
| 2.3.3 断面和监测点布设 | 第23-28页 |
| 2.3.4 监测频率 | 第28页 |
| 2.3.5 隧道变形监测网布设 | 第28-30页 |
| 2.3.6 变形监测工艺流程图 | 第30-31页 |
| 2.4 小结 | 第31-32页 |
| 3 小波-BP神经网络模型 | 第32-47页 |
| 3.1 小波分析 | 第32-40页 |
| 3.1.1 几种常用小波函数 | 第34-38页 |
| 3.1.2 阈值的选取 | 第38-39页 |
| 3.1.3 传统阈值函数 | 第39页 |
| 3.1.4 去噪精度评定 | 第39-40页 |
| 3.2 BP神经网络 | 第40-45页 |
| 3.2.1 BP神经网络的模型简介及原理 | 第40-41页 |
| 3.2.2 BP神经网络激活函数 | 第41-42页 |
| 3.2.3 BP神经网络学习算法步骤 | 第42-45页 |
| 3.3 小波-BP神经网络模型流程图 | 第45-46页 |
| 3.4 小结 | 第46-47页 |
| 4 改进小波-BP神经网络模型 | 第47-51页 |
| 4.1 改进阈值函数 | 第47页 |
| 4.2 遗传算法改进BP神经网络 | 第47-49页 |
| 4.2.1 BP神经网络存在的缺点 | 第47-48页 |
| 4.2.2 遗传算法 | 第48-49页 |
| 4.2.3 遗传算法改进BP神经网络算法 | 第49页 |
| 4.3 改进小波-BP神经网络模型流程图 | 第49-50页 |
| 4.4 小结 | 第50-51页 |
| 5 改进的小波-BP神经网络模型的应用 | 第51-68页 |
| 5.1 小波阈值去噪 | 第52-59页 |
| 5.1.1 小波函数的确定 | 第52-53页 |
| 5.1.2 分解层数的选择 | 第53-54页 |
| 5.1.3 小波阈值的选取 | 第54-55页 |
| 5.1.4 小波阈值函数的选择 | 第55-59页 |
| 5.2 变形监测数据预测分析 | 第59-67页 |
| 5.2.1 地表点变形监测数据预测分析 | 第59-64页 |
| 5.2.2 周边收敛点变形监测数据预测分析 | 第64-66页 |
| 5.2.3 拱顶下沉点变形监测数据预测分析 | 第66-67页 |
| 5.3 小结 | 第67-68页 |
| 6 结论与展望 | 第68-69页 |
| 6.1 结论 | 第68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |
