| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第12-16页 |
| 1.1 高边坡滑坡监测研究背景 | 第12页 |
| 1.2 滑坡监测目的和意义 | 第12页 |
| 1.2.1 滑坡监测的目的 | 第12页 |
| 1.2.2 滑坡监测的意义 | 第12页 |
| 1.3 滑坡监测的方法以及趋势 | 第12-14页 |
| 1.3.1 测量方法 | 第13页 |
| 1.3.2 数据处理流程 | 第13页 |
| 1.3.3 滑坡预报方法 | 第13-14页 |
| 1.4 本文的结构 | 第14-16页 |
| 2 相关技术 | 第16-38页 |
| 2.1 狄克逊准则 | 第16-18页 |
| 2.1.1 粗大误差 | 第16页 |
| 2.1.2 狄克逊准则法 | 第16-18页 |
| 2.2 灰色模型 | 第18-20页 |
| 2.2.1 GM(1,1)模型原理 | 第18-19页 |
| 2.2.2 灰色GM( 1，1) 模型的精度 | 第19-20页 |
| 2.3 神经网络 | 第20-30页 |
| 2.3.1 人工神经网络的处理节点 | 第20-23页 |
| 2.3.2 BP神经网络 | 第23-30页 |
| 2.3.2.1 BP神经网络概述 | 第23-24页 |
| 2.3.2.2 BP神经网络原理 | 第24-27页 |
| 2.3.2.3 BP神经网络的执行步骤 | 第27-29页 |
| 2.3.2.4 BP神经网络层数 | 第29页 |
| 2.3.2.5 节点数的确定 | 第29页 |
| 2.3.2.6 数据样本集的预处理 | 第29-30页 |
| 2.4 卡尔曼滤波 | 第30-37页 |
| 2.4.1 离散卡尔曼滤波 | 第30-34页 |
| 2.4.1.1 数学模型 | 第30-33页 |
| 2.4.1.2 Kalman滤波的初值 | 第33页 |
| 2.4.1.3 离散卡尔曼滤波的特点 | 第33-34页 |
| 2.4.2 自适应卡尔曼滤波 | 第34-37页 |
| 2.4.2.1 基于极大验后估计原理的自适应卡尔曼滤波 | 第34-36页 |
| 2.4.2.2 基于方差分量估计原理的自适应卡尔曼滤波 | 第36-37页 |
| 2.4.2.3 方差补偿自适应卡尔曼滤波 | 第37页 |
| 2.5 本章小结 | 第37-38页 |
| 3 边坡监测预警方案 | 第38-46页 |
| 3.1 工程概况 | 第38页 |
| 3.2 监测系统的构成 | 第38-40页 |
| 3.3 数据采集 | 第40-42页 |
| 3.3.1 采集设备 | 第40-41页 |
| 3.3.2 数据通讯设备 | 第41-42页 |
| 3.3.2.1 有线通讯 | 第41页 |
| 3.3.2.2 无线通讯 | 第41-42页 |
| 3.4 监测点的布设 | 第42-44页 |
| 3.4.1 变形点 | 第42-43页 |
| 3.4.2 基准点 | 第43页 |
| 3.4.3 基站 | 第43-44页 |
| 3.5 监测程序 | 第44-45页 |
| 3.6 成果报告的报送 | 第45页 |
| 3.7 本章小结 | 第45-46页 |
| 4 BPKF边坡监测模型 | 第46-53页 |
| 4.1 BP神经网络建模 | 第47-48页 |
| 4.1.1 一步预测状态修正BP神经网络 | 第47-48页 |
| 4.1.2 测量数据修正估计BP神经网络 | 第48页 |
| 4.2 卡尔曼滤波模型建立 | 第48-51页 |
| 4.3 BPKF建模 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 实验性能测试 | 第53-61页 |
| 5.1 实验数据 | 第53-54页 |
| 5.2 数据预处理 | 第54-55页 |
| 5.3 BPKF算法评估 | 第55-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-62页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在校期间发表的学术论文 | 第65页 |
| 个人简历 | 第65页 |
| 在学期间发表的学术论文 | 第65页 |