基于改进粒子群优化算法的边坡稳定性分析
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-15页 |
| 1.1 研究的背景 | 第9-10页 |
| 1.2 边坡稳定性评价方法的国内外研究现状 | 第10-13页 |
| 1.2.1 边坡稳定性评价方法发展历程 | 第10页 |
| 1.2.2 定性分析方法 | 第10-11页 |
| 1.2.3 定量分析方法 | 第11-12页 |
| 1.2.4 物理模型方法 | 第12页 |
| 1.2.5 智能分析法 | 第12-13页 |
| 1.3 论文结构及技术路线 | 第13-15页 |
| 2.滑坡的形成条件及其作用因素 | 第15-20页 |
| 2.1 滑坡的形成条件 | 第15-17页 |
| 2.1.1 地形条件 | 第15页 |
| 2.1.2 地质条件 | 第15-17页 |
| 2.2 滑坡的作用因素 | 第17-20页 |
| 2.2.1 自然因素 | 第17-18页 |
| 2.2.2 人为因素 | 第18-20页 |
| 3.神经网络和粒子群算法原理 | 第20-44页 |
| 3.1 神经网络原理 | 第20-28页 |
| 3.1.1 人工神经网络 | 第20页 |
| 3.1.2 人工神经元模型 | 第20-22页 |
| 3.1.3 神经网络模型 | 第22页 |
| 3.1.4 神经网络学习规则 | 第22-23页 |
| 3.1.5 BP算法 | 第23-24页 |
| 3.1.6 BP神经网络的学习过程 | 第24-25页 |
| 3.1.7 BP网络学习算法 | 第25-27页 |
| 3.1.8 BP神经网络的性能分析 | 第27-28页 |
| 3.2 粒子群算法原理 | 第28-42页 |
| 3.2.1 群智能算法简介 | 第28-29页 |
| 3.2.2 粒子算法 | 第29页 |
| 3.2.3 粒子群算法的基本原理 | 第29-30页 |
| 3.2.4 标准粒子群算法 | 第30-31页 |
| 3.2.5 标准粒子群算法流程 | 第31-32页 |
| 3.2.6 改进粒子群算法 | 第32-37页 |
| 3.2.7 仿真实验 | 第37-41页 |
| 3.2.8 结果分析： | 第41-42页 |
| 3.3 改进粒子群算法优化BP神经网络 | 第42-44页 |
| 4.边坡稳定性的评价 | 第44-57页 |
| 4.1 案例分析 | 第44页 |
| 4.2 边坡评价的思路 | 第44-45页 |
| 4.3 模型的确定 | 第45-47页 |
| 4.3.1 粒子群优化神经网络模型输入的确定 | 第45页 |
| 4.3.2 神经网络模型层数的确定 | 第45-46页 |
| 4.3.3 神经网络模型隐含节点的确定 | 第46页 |
| 4.3.4 神经网络激活函数的确定 | 第46页 |
| 4.3.5 神经网络输出变量的确定 | 第46页 |
| 4.3.6 神经网络输出变量的确定 | 第46-47页 |
| 4.4 边坡稳定性数据的收集与归一化处理 | 第47-52页 |
| 4.4.1 改进粒子群BP网络样本的选择 | 第47-49页 |
| 4.4.2 原始数据归一化的源代码如下 | 第49-52页 |
| 4.5 边坡稳定性预测 | 第52-56页 |
| 4.6 结果分析 | 第56-57页 |
| 5.结论及展望 | 第57-59页 |
| 5.1 结论 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64-65页 |
