| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景及意义 | 第10-11页 |
| ·基坑变形预测方法的研究现状 | 第11-13页 |
| ·本文研究的主要内容 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第2章 基坑变形预测的基本原理概述 | 第15-25页 |
| ·剔除粗差及插补 | 第15-18页 |
| ·粗差 | 第15-16页 |
| ·探测粗差 | 第16-17页 |
| ·剔除粗差并插补 | 第17-18页 |
| ·RLG降噪理论 | 第18-20页 |
| ·小波去噪原理 | 第18-19页 |
| ·卡尔曼滤波原理 | 第19-20页 |
| ·RLG降噪方法建立 | 第20页 |
| ·本文所涉及模型的基本概述 | 第20-24页 |
| ·灰色系统 | 第20-21页 |
| ·神经网络概述 | 第21-22页 |
| ·支持向量机理论概述 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于GM(1,1)的RBF神经网络残差修正组合模型 | 第25-50页 |
| ·GM(1,1)的 RBF 神经网络残差修正组合模型概述 | 第25-35页 |
| ·GM(1,1)模型 | 第25-30页 |
| ·神经网络 | 第30-35页 |
| ·灰色理论与神经网络组合模型分类 | 第35-43页 |
| ·串联式组合模型 | 第35-37页 |
| ·并联式组合模型 | 第37-43页 |
| ·GM-RBF残差修正串联式组合模型建立 | 第43-47页 |
| ·建模合理性分析 | 第43-44页 |
| ·建模的必要性 | 第44页 |
| ·模型建立 | 第44-46页 |
| ·模型精度评定 | 第46页 |
| ·GM-RBF残差修正组合模优势以及特点 | 第46-47页 |
| ·实例分析 | 第47-49页 |
| ·本章总结 | 第49-50页 |
| 第4章 最小二乘支持向量机优化模型 | 第50-68页 |
| ·最小二乘支持向量机 | 第50-55页 |
| ·回归型支持向量机 | 第50-52页 |
| ·最小二乘支持向量机理论 | 第52-53页 |
| ·LSSVM建模 | 第53-54页 |
| ·LSSVM的优点 | 第54-55页 |
| ·PSO理论 | 第55-58页 |
| ·PSO算法概述 | 第55-56页 |
| ·PSO算法原理 | 第56-57页 |
| ·PSO算法实现步骤 | 第57-58页 |
| ·PSO算法的改进策略 | 第58-60页 |
| ·PSO算法面临的问题 | 第58页 |
| ·PSO算法几种改进策略 | 第58-60页 |
| ·基于改进的PSO优化LSSVM模型 | 第60-63页 |
| ·模型建立 | 第60-61页 |
| ·改进的PSO优化LSSVM可行性分析 | 第61-63页 |
| ·基于LSSVM的GM-RBF残差补偿组合模型 | 第63-67页 |
| ·GM(1,1)残差模型 | 第63-64页 |
| ·LSSVM的GM-RBF残差补偿组合模型 | 第64-65页 |
| ·实例分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第5章 组合模型在基坑变形预测中的应用 | 第68-79页 |
| ·工程概况 | 第68-69页 |
| ·组合模型预报结果对比分析 | 第69-78页 |
| ·组合模型与传统单一模型预测对比分析 | 第69-74页 |
| ·各组合模型预测对比分析 | 第74-78页 |
| ·本章小结 | 第78-79页 |
| 第6章 结论与展望 | 第79-81页 |
| ·主要工作及总结 | 第79-80页 |
| ·展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 申请学位期间的研究成果及发表学术论文 | 第85-87页 |
| 致谢 | 第87页 |