摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-19页 |
1.1 概述 | 第11-12页 |
1.2 大坝安全监测的意义 | 第12-13页 |
1.3 大坝变形分析与预测的理论基础 | 第13-16页 |
1.4 本文的主要研究内容 | 第16-17页 |
1.5 本文的技术结构 | 第17-19页 |
第二章 BP神经网络模型 | 第19-35页 |
2.1 人工神经网络简介 | 第19-20页 |
2.2 人工神经网络的发展历史 | 第20-21页 |
2.3 人工神经元的结构及模型 | 第21-24页 |
2.3.1 生物神经元的结构 | 第21页 |
2.3.2 人工神经元模型 | 第21-22页 |
2.3.3 人工神经网络模型 | 第22-24页 |
2.4 人工神经网络的特点 | 第24页 |
2.5 神经网络的学习方式 | 第24-25页 |
2.6 BP算法及BP神经网络 | 第25-34页 |
2.6.1 BP算法简介 | 第25-26页 |
2.6.2 BP算法的数学原理 | 第26-28页 |
2.6.3 标准BP网络学习算法 | 第28-29页 |
2.6.4 动量BP算法 | 第29页 |
2.6.5 学习率可变的BP算法 | 第29-30页 |
2.6.6 BP神经网络的结构与实现流程 | 第30-33页 |
2.6.7 BP神经网络的缺陷 | 第33-34页 |
本章小结 | 第34-35页 |
第三章 基于遗传算法的BP神经网络模型在大坝变形分析中的应用 | 第35-47页 |
3.1 引言 | 第35-36页 |
3.2 遗传算法 | 第36-39页 |
3.2.1 生物进化论与遗传学说 | 第36页 |
3.2.2 遗传算法原理 | 第36-39页 |
3.3 遗传算法的应用 | 第39-40页 |
3.4 GA-BP网络模型的实现 | 第40-43页 |
3.5 GA-BP算法可行性测试 | 第43-45页 |
本章小结 | 第45-47页 |
第四章 基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用 | 第47-55页 |
4.1 引言 | 第47页 |
4.2 BP神经网络与PSO算法简介 | 第47-52页 |
4.2.1 BP神经网络的网络结构与算法原理 | 第48-49页 |
4.2.2 标准PSO算法的基本原理 | 第49-51页 |
4.2.3 改进粒子群优化算法 | 第51-52页 |
4.3 基于IPSO算法的BP神经网络模型 | 第52-54页 |
4.3.1 IPSO算法优化BP网络的初始权值和阈值 | 第52-53页 |
4.3.2 IPSO-BP算法的实现步骤 | 第53-54页 |
本章小结 | 第54-55页 |
第五章 应用实例及其结果分析 | 第55-72页 |
5.1 工程概况 | 第55-56页 |
5.2 大坝变形的主要影响因子分析 | 第56-58页 |
5.3 单一BP网络预测模型 | 第58-59页 |
5.4 基于GA-BP算法模型的实现及结果分析 | 第59-65页 |
5.4.1 数据的处理和GA-BP网络模型参数设定 | 第59-61页 |
5.4.2 GA-BP模型训练及结果分析 | 第61-62页 |
5.4.3 误差分析与算法评价指标对比 | 第62-64页 |
5.4.4 结论 | 第64-65页 |
5.5 基于IPSO-BP算法模型的实现及结果分析 | 第65-71页 |
5.5.1 数据的预处理和IPSO-BP网络模型参数设定 | 第65-66页 |
5.5.2 IPSO-BP神经网络训练以及结果输出 | 第66-69页 |
5.5.3 误差分析与算法评价指标对比 | 第69-71页 |
本章小结 | 第71-72页 |
第六章 结论与展望 | 第72-75页 |
6.1 主要结论 | 第72-73页 |
6.2 展望 | 第73-75页 |
致谢 | 第75-76页 |
参考文献 | 第76-80页 |
附录A 攻读硕士学位期间发表论文 | 第80-81页 |
附录B 硕士学位期间参与实践项目 | 第81页 |