基于支持向量机的隧道围岩位移变形预测分析研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-19页 |
| ·论文研究背景 | 第9-12页 |
| ·隧道建设的背景 | 第9-11页 |
| ·隧道建设新奥法与监控量测意义 | 第11-12页 |
| ·岩土工程位移预测研究现状 | 第12-16页 |
| ·反分析法 | 第12-14页 |
| ·时间序列分析法 | 第14-16页 |
| ·本文主要研究内容 | 第16-19页 |
| 第二章 机器学习理论 | 第19-35页 |
| ·本章思路 | 第19页 |
| ·学习的可行性 | 第19-20页 |
| ·机器学习的背景 | 第19页 |
| ·机器学习的理论基础 | 第19-20页 |
| ·机器学习的基本概念 | 第20-23页 |
| ·误差与噪声 | 第21页 |
| ·统计学习理论 | 第21-23页 |
| ·VC维与偏差方差权衡 | 第23-26页 |
| ·VC维的定义 | 第23页 |
| ·VC维与泛化误差 | 第23-25页 |
| ·偏差方差权衡 | 第25-26页 |
| ·机器学习的归纳原则 | 第26-27页 |
| ·经验风险最小化 | 第26-27页 |
| ·结构风险最小化 | 第27页 |
| ·线性回归模型与学习曲线 | 第27-29页 |
| ·线性回归基本原理 | 第27-28页 |
| ·学习曲线 | 第28-29页 |
| ·规则化与验证 | 第29-34页 |
| ·过拟合与欠拟合的概念 | 第29-30页 |
| ·规则化的理论 | 第30-33页 |
| ·验证的理论 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 支持向量机原理与应用 | 第35-57页 |
| ·本章思路 | 第35页 |
| ·支持向量机原理 | 第35-40页 |
| ·原始的支持向量分类问题 | 第35-38页 |
| ·软间隔支持向量机与支持向量回归机 | 第38-40页 |
| ·核函数 | 第40-41页 |
| ·隧道围岩位移预测与超参数影响 | 第41-50页 |
| ·隧道围岩位移预测 | 第41-42页 |
| ·数据归一化 | 第42-44页 |
| ·参数寻优的不同方法理论 | 第44页 |
| ·隧道围岩位移预测算例及超参数影响分析 | 第44-50页 |
| ·多项式回归的隧道围岩位移预测 | 第50-54页 |
| ·一般多项式回归 | 第50-52页 |
| ·递归最小二乘法多项式回归 | 第52-54页 |
| ·不同特征影响程度的支持向量机回归 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第四章 数据预处理下的隧道围岩位移预测 | 第57-69页 |
| ·本章思路 | 第57页 |
| ·时间序列的不同表现形式 | 第57-59页 |
| ·数据预处理与支持向量机预测 | 第59-60页 |
| ·对数空间映射 | 第59-60页 |
| ·位移预测算例一 | 第60-63页 |
| ·隧道围岩位移预测算例二 | 第63-67页 |
| ·本章小结 | 第67-69页 |
| 第五章 小波核函数的隧道围岩位移预测 | 第69-89页 |
| ·本章思路 | 第69页 |
| ·时间序列的小波分析 | 第69页 |
| ·核函数构造 | 第69-70页 |
| ·非平稳信号 | 第70-72页 |
| ·算例 | 第72-89页 |
| ·建模结果 | 第73-79页 |
| ·结果分析 | 第79-89页 |
| 第六章 结论与展望 | 第89-91页 |
| ·结论 | 第89-90页 |
| ·展望 | 第90-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-95页 |
| 在学期间发表的论著 | 第95页 |
