| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 地表沉降量预测研究现状 | 第10-12页 |
| 1.3 支持向量机研究现状 | 第12-13页 |
| 1.4 论文内容和结构 | 第13-15页 |
| 第2章 基于实测值地表沉降量预测研究 | 第15-35页 |
| 2.1 引言 | 第15页 |
| 2.2 工程概况 | 第15-17页 |
| 2.3 时间序列分析模型 | 第17-18页 |
| 2.4 灰色预测模型 | 第18-19页 |
| 2.5 人工神经网络模型 | 第19-21页 |
| 2.6 支持向量回归模型 | 第21-32页 |
| 2.6.1 机器学习基本问题 | 第22-23页 |
| 2.6.2 统计学习理论 | 第23-25页 |
| 2.6.3 支持向量机 | 第25-29页 |
| 2.6.4 支持向量回归 | 第29-32页 |
| 2.7 模型性能评估标准 | 第32页 |
| 2.8 模型比较试验及结果分析 | 第32-33页 |
| 2.9 本章小结 | 第33-35页 |
| 第3章 基于EMD-QPSO的SVR在地表沉降预测中的应用 | 第35-61页 |
| 3.1 引言 | 第35-36页 |
| 3.2 经验模态分解 | 第36-41页 |
| 3.2.1 本征模态函数和瞬时频率 | 第36-37页 |
| 3.2.2 EMD分解过程 | 第37-40页 |
| 3.2.3 EMD分解方法的主要性质 | 第40-41页 |
| 3.3 样本选择及预处理 | 第41-47页 |
| 3.3.1 经验模态分解及重构 | 第41-45页 |
| 3.3.2 相空间重构 | 第45-47页 |
| 3.4 参数分析及选择 | 第47-51页 |
| 3.4.1 参数分析 | 第47-48页 |
| 3.4.2 粒子群优化算法原理 | 第48页 |
| 3.4.3 改进量子粒子群算法 | 第48-51页 |
| 3.5 SVR预测模型的构建 | 第51页 |
| 3.6 预测仿真实例 | 第51-59页 |
| 3.6.1 实验过程 | 第52-56页 |
| 3.6.3 预测结果对比 | 第56-59页 |
| 3.6.4 结果分析 | 第59页 |
| 3.7 本章小结 | 第59-61页 |
| 第4章 EMD-SVR-ARMA混合模型在地表沉降中的应用 | 第61-69页 |
| 4.1 引言 | 第61页 |
| 4.2 ARMA模型 | 第61-63页 |
| 4.2.1 ARMA模型定义 | 第61页 |
| 4.2.2 ARMA模型建立步骤 | 第61-63页 |
| 4.3 组合预测模型 | 第63-66页 |
| 4.3.1 ARMA建模 | 第63-65页 |
| 4.3.2 混合预测模型建模 | 第65-66页 |
| 4.3.3 EMD-SVR-ARMA模型流程图 | 第66页 |
| 4.4 预测仿真实例 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间所取得的成果 | 第75-77页 |
| 致谢 | 第77页 |