| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 选题的背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 滑坡的研究现状 | 第14-17页 |
| 1.2.2 CBR的研究及应用现状 | 第17-18页 |
| 1.3 研究思路和方法 | 第18-20页 |
| 1.4 主要研究内容和目标 | 第20-21页 |
| 第2章 铁路滑坡特征属性选择研究 | 第21-33页 |
| 2.1 铁路滑坡概述 | 第21-26页 |
| 2.1.1 滑坡发生的影响因素 | 第22页 |
| 2.1.2 铁路滑坡的危险性 | 第22-23页 |
| 2.1.3 铁路滑坡的治理 | 第23-25页 |
| 2.1.4 铁路滑坡的决策难点 | 第25-26页 |
| 2.2 铁路滑坡的特征属性选择及量化 | 第26-32页 |
| 2.2.1 指标体系 | 第26-29页 |
| 2.2.2 指标量化 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于CBR的滑坡区域铁路设计方案决策系统的构建研究 | 第33-63页 |
| 3.1 CBR概述 | 第33-40页 |
| 3.1.1 CBR的特点及分类 | 第33-35页 |
| 3.1.2 CBR中的技术概述 | 第35-39页 |
| 3.1.3 基于CBR的决策系统框架 | 第39-40页 |
| 3.2 铁路滑坡案例特征属性约简 | 第40-51页 |
| 3.2.1 属性选择的搜索策略和评价策略 | 第40-41页 |
| 3.2.2 属性优化选择方法概述 | 第41-45页 |
| 3.2.3 算例 | 第45-51页 |
| 3.3 基于CBR的滑坡区域铁路设计方案决策系统的构建 | 第51-57页 |
| 3.3.1 铁路滑坡线路方案决策的流程 | 第51-52页 |
| 3.3.2 铁路滑坡CBR决策系统的技术路线和系统框架 | 第52-54页 |
| 3.3.3 铁路滑坡CBR决策系统的关键技术 | 第54-57页 |
| 3.4 基于人工神经网络的案例重用及决策 | 第57-62页 |
| 3.4.1 神经网络模型的应用类型 | 第58页 |
| 3.4.2 常用的神经网络各模型对比分析 | 第58-59页 |
| 3.4.3 算例 | 第59-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第4章 铁路滑坡案例数据库的设计及应用研究 | 第63-82页 |
| 4.1 关系型数据库技术探讨 | 第63-69页 |
| 4.1.1 数据库系统 | 第64-65页 |
| 4.1.2 关系模型 | 第65-67页 |
| 4.1.3 E-R模型 | 第67-68页 |
| 4.1.4 数据库设计 | 第68页 |
| 4.1.5 数据库处理应用程序 | 第68-69页 |
| 4.2 铁路滑坡案例数据库的设计及应用 | 第69-81页 |
| 4.2.1 铁路滑坡案例E-R模型分析 | 第69-72页 |
| 4.2.2 铁路滑坡案例库关系模型建立 | 第72-77页 |
| 4.2.3 铁路滑坡案例库应用示例 | 第77-81页 |
| 4.3 本章小结 | 第81-82页 |
| 第5章 基于CBR的滑坡区域铁路设计方案决策系统的应用 | 第82-90页 |
| 5.1 案例背景介绍 | 第82-83页 |
| 5.2 基于CBR的案例求解过程 | 第83-89页 |
| 5.2.1 提取案例 | 第83-84页 |
| 5.2.2 案例匹配 | 第84-85页 |
| 5.2.3 案例重用 | 第85-88页 |
| 5.2.4 案例入库 | 第88-89页 |
| 5.3 本章小结 | 第89-90页 |
| 结论与展望 | 第90-92页 |
| 致谢 | 第92-93页 |
| 参考文献 | 第93-97页 |
| 附录1 | 第97-109页 |
| 附录1.1 基于粗糙集的属性约简算法 | 第97-103页 |
| 附录1.2 基于信息熵的属性约简算法 | 第103-106页 |
| 附录1.3 人工神经网络算法 | 第106-109页 |
| 攻读硕士学位期间参加科研与生产实践项目情况 | 第109页 |
