基于粒子群算法的边坡位移预测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状及存在的不足 | 第12-16页 |
| 1.2.1 国内研究现状 | 第12-14页 |
| 1.2.2 国外研究现状 | 第14-16页 |
| 1.2.3 存在的不足 | 第16页 |
| 1.3 研究内容和技术路线 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 边坡位移的经验模态分解 | 第18-30页 |
| 2.1 经验模态分解的提出 | 第18-19页 |
| 2.2 经验模态分解的实现 | 第19-25页 |
| 2.2.1 瞬时频率和本征模态函数 | 第19-20页 |
| 2.2.2 分解过程 | 第20-23页 |
| 2.2.3 分解过程的分析 | 第23-25页 |
| 2.3 边坡位移的经验模态分解 | 第25-29页 |
| 2.3.1 边坡位移的特征分析 | 第26-27页 |
| 2.3.2 边坡位移的经验模态分解方法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 边坡位移的支持向量机预测 | 第30-46页 |
| 3.1 支持向量机的理论基础 | 第30-33页 |
| 3.1.1 算法的提出 | 第30-31页 |
| 3.1.2 经验风险 | 第31-32页 |
| 3.1.3 结构风险 | 第32-33页 |
| 3.2 支持向量机的实现过程 | 第33-41页 |
| 3.2.1 线性分类 | 第33-35页 |
| 3.2.2 线性回归 | 第35-38页 |
| 3.2.3 非线性回归 | 第38-41页 |
| 3.3 核函数的性质及常用核函数 | 第41-43页 |
| 3.3.1 核函数的性质 | 第41-42页 |
| 3.3.2 高斯核函数 | 第42-43页 |
| 3.3.3 多项式核函数 | 第43页 |
| 3.4 边坡位移的支持向量机预测 | 第43-44页 |
| 3.4.1 核函数的选择 | 第43-44页 |
| 3.4.2 参数寻优取值范围 | 第44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 边坡位移预测的参数取值范围寻优 | 第46-62页 |
| 4.1 粒子群算法的由来 | 第46-48页 |
| 4.1.1 复杂适应系统 | 第46-47页 |
| 4.1.2 粒子群算法 | 第47-48页 |
| 4.2 基本粒子群算法 | 第48-50页 |
| 4.2.1 粒子群算法的实现原理 | 第48-49页 |
| 4.2.2 粒子群算法的更新迭代过程 | 第49-50页 |
| 4.3 粒子群差分算法 | 第50-56页 |
| 4.3.1 算法的提出 | 第50-51页 |
| 4.3.2 更新迭代过程 | 第51-53页 |
| 4.3.3 参数的选择 | 第53-56页 |
| 4.4 边坡位移预测的参数取值或取值范围寻优 | 第56-61页 |
| 4.4.1 训练集周期寻优 | 第56-58页 |
| 4.4.2 参数取值范围寻优 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 编程和实例验证 | 第62-70页 |
| 5.1 位移预测的Matlab编程实现 | 第62-64页 |
| 5.1.1 实现流程 | 第62-63页 |
| 5.1.2 部分语句说明 | 第63-64页 |
| 5.2 边坡位移预测 | 第64-69页 |
| 5.2.1 振荡型边坡 | 第64-66页 |
| 5.2.2 增长型边坡 | 第66-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第六章 结论和展望 | 第70-72页 |
| 6.1 结论 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录A 训练集周期寻优 | 第76-80页 |
| 附录B 边坡位移预测 | 第80-83页 |
| 附录C 监测点位移值 | 第83-85页 |
| 攻读学位期间取得的研究成果 | 第85页 |
