改进的灰色神经网络在高耸建筑物沉降预测中的应用研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 灰色神经网络的研究现状 | 第11-13页 |
| 1.2.2 果蝇优化算法研究现状 | 第13-14页 |
| 1.3 主要研究内容和技术路线 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 技术路线 | 第14-16页 |
| 2 灰色神经网络(GNN)基本理论 | 第16-27页 |
| 2.1 灰色系统理论 | 第16-20页 |
| 2.1.1 灰色生成 | 第17-18页 |
| 2.1.2 GM(1,1)模型 | 第18-20页 |
| 2.2 神经网络基本理论 | 第20-24页 |
| 2.2.1 人工神经网络 | 第20-22页 |
| 2.2.2 BP神经网络模型 | 第22-24页 |
| 2.3 灰色神经网络 | 第24-26页 |
| 2.3.1 灰色神经网络模型分类 | 第24页 |
| 2.3.2 灰色神经网络建模方法 | 第24-26页 |
| 2.4 小结 | 第26-27页 |
| 3 果蝇优化算法(FOA)的改进 | 第27-41页 |
| 3.1 果蝇优化算法 | 第27-30页 |
| 3.1.1 果蝇优化算法原理介绍 | 第27-30页 |
| 3.2 算法参数对优化性能的影响分析 | 第30-35页 |
| 3.2.1 种群大小对算法优化性能的影响 | 第30-32页 |
| 3.2.2 种群初始位置对算法优化性能的影响 | 第32-34页 |
| 3.2.3 种群迭代步长对算法优化性能的影响 | 第34-35页 |
| 3.3 果蝇优化算法的改进 | 第35-38页 |
| 3.3.1 算法改进策略 | 第35-36页 |
| 3.3.2 改进后的果蝇优化算法基本步骤 | 第36-38页 |
| 3.4 实验与结果分析 | 第38-40页 |
| 3.4.1 固定迭代次数算法优化性能分析 | 第38-39页 |
| 3.4.2 固定收敛精度算法优化性能分析 | 第39页 |
| 3.4.3 算法在高维-多峰函数上的优化性能 | 第39-40页 |
| 3.5 小结 | 第40-41页 |
| 4 改进的灰色神经网络变形预测模型 | 第41-50页 |
| 4.1 变形数据预处理 | 第41-46页 |
| 4.1.1 小波数据去噪 | 第41-45页 |
| 4.1.2 样本数据的归一化 | 第45-46页 |
| 4.2 改进的灰色神经网络变形预测模型建立 | 第46-49页 |
| 4.2.1 灰色神经网络变形预测模型建立 | 第46-47页 |
| 4.2.2 改进的果蝇算法优化灰色神经网络参数 | 第47页 |
| 4.2.3 预测模型流程及性能评价指标 | 第47-49页 |
| 4.3 小结 | 第49-50页 |
| 5 预测模型在高耸建筑物沉降预测中应用与分析 | 第50-64页 |
| 5.1 工程概况 | 第50页 |
| 5.2 监测方案设计 | 第50-52页 |
| 5.2.1 勘测依据 | 第50-51页 |
| 5.2.2 主要仪器设备 | 第51页 |
| 5.2.3 基准点以及沉降点的布设 | 第51页 |
| 5.2.4 观测周期 | 第51-52页 |
| 5.2.5 观测方法和精度标准 | 第52页 |
| 5.3 监测数据预处理 | 第52-55页 |
| 5.3.1 实验样本数据选择与分析 | 第52-54页 |
| 5.3.2 样本数据小波去噪 | 第54-55页 |
| 5.4 实验结果与分析 | 第55-62页 |
| 5.4.1 实验样本数据选择及归一化处理 | 第55-56页 |
| 5.4.2 灰色神经网络参数寻优分析 | 第56-58页 |
| 5.4.3 模型预测性能对比分析 | 第58-62页 |
| 5.5 小结 | 第62-64页 |
| 6 结论与展望 | 第64-65页 |
| 6.1 结论 | 第64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |
