| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 滑坡防治措施研究 | 第11-12页 |
| 1.2.2 滑坡治理方案优选研究 | 第12-14页 |
| 1.2.3 滑坡变形监测数据分析研究 | 第14页 |
| 1.2.4 滑坡变形预测研究 | 第14-15页 |
| 1.3 研究内容及技术路线 | 第15-17页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 主要创新点 | 第16页 |
| 1.3.3 技术路线 | 第16-17页 |
| 第二章 滑坡概况与治理方案简介 | 第17-27页 |
| 2.1 滑坡概况 | 第17-19页 |
| 2.1.1 地理位置 | 第17页 |
| 2.1.2 地形地貌 | 第17页 |
| 2.1.3 地质构造与地层岩性 | 第17-18页 |
| 2.1.4 水文地质 | 第18页 |
| 2.1.5 滑坡成因分析 | 第18-19页 |
| 2.2 治理方案简介 | 第19-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 滑坡治理方案的多属性决策优选研究 | 第27-51页 |
| 3.1 引言 | 第27页 |
| 3.2 多属性决策基本思路 | 第27-31页 |
| 3.2.1 多属性决策的基本要素 | 第27-28页 |
| 3.2.2 多属性决策的特性 | 第28-29页 |
| 3.2.3 多属性决策求解过程 | 第29-31页 |
| 3.3 滑坡治理方案的AOWEA算子优选 | 第31-41页 |
| 3.3.1 指标体系的建立 | 第32-33页 |
| 3.3.2 决策矩阵的建立 | 第33-34页 |
| 3.3.3 指标属性的规范化 | 第34页 |
| 3.3.4 离差最大化的指标权重确定 | 第34-36页 |
| 3.3.5 AOWEA算子的滑坡治理方案优选模型与应用 | 第36-41页 |
| 3.4 滑坡治理方案的风险态度因子优选 | 第41-50页 |
| 3.4.1 风险态度因子 | 第41页 |
| 3.4.2 风险态度因子的滑坡治理方案优选模型与应用 | 第41-47页 |
| 3.4.3 风险态度因子方案优选结果的敏感性分析 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于变形监测分析的滑坡危险性评价 | 第51-70页 |
| 4.1 引言 | 第51页 |
| 4.2 滑坡变形监测方案 | 第51-52页 |
| 4.2.1 监测方案简介 | 第51-52页 |
| 4.2.2 监测方案实施 | 第52页 |
| 4.3 滑坡变形预警指标及风险指标的建立 | 第52-58页 |
| 4.3.1 滑坡变形预警指标的建立 | 第52-56页 |
| 4.3.2 滑坡变形风险指标的建立和风险分级 | 第56-58页 |
| 4.4 滑坡变形的危险性评价 | 第58-69页 |
| 4.4.1 中区滑坡危险性评价 | 第60-61页 |
| 4.4.2 南区滑坡危险性评价 | 第61-65页 |
| 4.4.3 北区滑坡危险性评价 | 第65-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 滑坡变形的Elman神经网络动态预测 | 第70-79页 |
| 5.1 引言 | 第70页 |
| 5.2 Elman神经网络 | 第70-72页 |
| 5.2.1 Elman神经网络概述 | 第70页 |
| 5.2.2 Elman神经网络结构 | 第70-71页 |
| 5.2.3 Elman神经网络学习算法 | 第71-72页 |
| 5.3 Elman神经网络的滑坡变形动态预测模型 | 第72-74页 |
| 5.3.1 预测模型建立 | 第72页 |
| 5.3.2 模型参数的设定 | 第72-73页 |
| 5.3.3 样本归一化处理 | 第73-74页 |
| 5.4 滑坡变形动态预测模型的工程应用 | 第74-77页 |
| 5.4.1 滑坡变形动态预测 | 第74-77页 |
| 5.4.2 滑坡变形预测预警 | 第77页 |
| 5.5 本章小结 | 第77-79页 |
| 总结与展望 | 第79-81页 |
| 总结 | 第79-80页 |
| 展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 攻读硕士研究生期间成果 | 第86-87页 |
| 致谢 | 第87页 |