| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 边坡稳定性分析方法及滑坡预报国内外研究现状 | 第11-13页 |
| 1.2.1 边坡稳定性分析方法 | 第11页 |
| 1.2.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容和创新点 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 创新点 | 第14-15页 |
| 第2章 边坡监测方法与监测点布设原则 | 第15-18页 |
| 2.1 边坡监测的基本方法 | 第15-16页 |
| 2.2 监测点的布设原则 | 第16-17页 |
| 2.2.1 基准点的布设原则 | 第16页 |
| 2.2.2 监测点的布设原则 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第3章 灰色BP神经网络残差模型的构建 | 第18-37页 |
| 3.1 灰色GM(1,1)模型及其改进 | 第18-26页 |
| 3.1.1 灰色系统理论的产生 | 第18页 |
| 3.1.2 灰色系统的概念与主要内容 | 第18-19页 |
| 3.1.3 GM(1,1)模型简介及基本形式 | 第19-21页 |
| 3.1.4 GM(1,1)模型的精度检验 | 第21-22页 |
| 3.1.5 GM(1,1)模型的改进 | 第22-26页 |
| 3.2 BP神经网络模型及其改进 | 第26-34页 |
| 3.2.1 BP神经网络概述 | 第26页 |
| 3.2.2 BP神经网络结构及其特点 | 第26-28页 |
| 3.2.3 BP神经网络的标准算法 | 第28-31页 |
| 3.2.4 BP神经网络的局限性 | 第31-32页 |
| 3.2.5 BP神经网络的几种改进 | 第32-33页 |
| 3.2.6 BP神经网络预测的实现步骤 | 第33-34页 |
| 3.3 GM(1,1)模型与BP神经网络模型的联合应用 | 第34-36页 |
| 3.3.1 两种预测模型联合应用的优越性 | 第34-35页 |
| 3.3.2 灰色BP神经网络残差模型的构建步骤 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 灰色BP神经网络残差模型的验证 | 第37-56页 |
| 4.1 1号监测点位移预测 | 第37-43页 |
| 4.2 2号监测点位移预测 | 第43-48页 |
| 4.3 3号监测点位移预测 | 第48-53页 |
| 4.4 模型预测位移效果分析 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于强度折减法的边坡滑坡预报 | 第56-75页 |
| 5.1 引言 | 第56页 |
| 5.2 边坡有限元模型的构建 | 第56-60页 |
| 5.2.1 边坡概况 | 第56-57页 |
| 5.2.2 ANSYS有限元模型的构建过程 | 第57-60页 |
| 5.3 基于强度折减法的边坡安全预测 | 第60-74页 |
| 5.3.1 折减系数相等的边坡稳定性预测 | 第60-71页 |
| 5.3.2 折减系数不等的边坡稳定性预测 | 第71-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第6章 结论与展望 | 第75-77页 |
| 6.1 结论 | 第75页 |
| 6.2 研究展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 在校期间发表的学术论文及其它成果 | 第81-82页 |
| 致谢 | 第82页 |