| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-26页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.2 国内外研究综述 | 第13-24页 |
| 1.3 论文研究内容及结构安排 | 第24-26页 |
| 2 基于 SVM 的滑坡稳定性评价 | 第26-40页 |
| 2.1 引言 | 第26-27页 |
| 2.2 SVM 分类原理 | 第27-33页 |
| 2.3 影响坡体稳定的特征属性 | 第33-34页 |
| 2.4 SVM 在滑坡稳定性评价中的应用 | 第34-39页 |
| 2.5 本章小结 | 第39-40页 |
| 3 基于 GSA 算法优化的 BP 神经网络的静态滑坡位移预测 | 第40-62页 |
| 3.1 引言 | 第40-41页 |
| 3.2 算法介绍 | 第41-46页 |
| 3.3 基于 GSA 算法优化的 BP 神经网络模型构建 | 第46-48页 |
| 3.4 白水河-新滩滑坡实例分析 | 第48-60页 |
| 3.5 本章小结 | 第60-62页 |
| 4 降雨作用下的 GA-Elman 神经网络滑坡位移预测 | 第62-74页 |
| 4.1 引言 | 第62-63页 |
| 4.2 GA-Elman 神经网络建模 | 第63-69页 |
| 4.3 降雨作用下的白水河滑坡分析 | 第69-73页 |
| 4.4 本章小结 | 第73-74页 |
| 5 基于 GA-Elman 神经网络的滑坡位移预测控制 | 第74-90页 |
| 5.1 引言 | 第74-75页 |
| 5.2 预测控制的原理 | 第75-77页 |
| 5.3 基于 GA 算法的 Elman 神经网络预测控制 | 第77-83页 |
| 5.4 控制变量滑坡推力的计算 | 第83-86页 |
| 5.5 仿真结果分析 | 第86-89页 |
| 5.6 本章小结 | 第89-90页 |
| 6 结论与展望 | 第90-93页 |
| 6.1 全文总结 | 第90-91页 |
| 6.2 本文创新点 | 第91页 |
| 6.3 研究展望 | 第91-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-108页 |
| 附录1 作者攻读博士学位期间发表学术论文目录 | 第108-109页 |
| 附录2 攻读博士学位期间参加的科研项目 | 第109-110页 |
| 附录3 公开发表的学术论文与博士学位论文的关系 | 第110页 |
