| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第10-12页 |
| 1.2.2 小结 | 第12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 第二章 地铁结构变形预测模型研究 | 第14-25页 |
| 2.1 地铁结构变形监测研究 | 第14-17页 |
| 2.1.1 地铁结构变形的原因及影响因素 | 第14-15页 |
| 2.1.2 地铁结构变形的控制标准 | 第15-16页 |
| 2.1.3 地铁结构变形监测的目的及内容 | 第16-17页 |
| 2.2 地铁结构变形监测方案设计 | 第17-19页 |
| 2.2.1 监测仪器 | 第17页 |
| 2.2.2 监测网的设计 | 第17-18页 |
| 2.2.3 地铁结构变形的监测方法 | 第18-19页 |
| 2.3 地铁结构变形预测模型研究 | 第19-24页 |
| 2.3.1 时间序列模型 | 第19-21页 |
| 2.3.2 BP神经网络 | 第21-22页 |
| 2.3.3 遗传算法 | 第22-24页 |
| 2.4 小结 | 第24-25页 |
| 第三章 地铁结构变形预测模型分析及实例研究 | 第25-43页 |
| 3.1 数据预处理 | 第25-27页 |
| 3.2 时间序列模型分析及实例研究 | 第27-32页 |
| 3.2.1 时间序列模型建模过程 | 第27-29页 |
| 3.2.2 实例研究 | 第29-32页 |
| 3.3 BP神经网络模型分析及实例研究 | 第32-35页 |
| 3.3.1 BP神经网络建模过程 | 第32-33页 |
| 3.3.2 实例研究 | 第33-35页 |
| 3.4 融合模型及其优化 | 第35-41页 |
| 3.4.1 时间序列模型与BP神经网络模型的融合 | 第35-36页 |
| 3.4.2 BP神经网络模型遗传算法的优化 | 第36-39页 |
| 3.4.3 时间序列与BP神经网络融合模型遗传算法的优化 | 第39-41页 |
| 3.5 小结 | 第41-43页 |
| 第四章 地铁工程安全监控系统的研制及应用 | 第43-56页 |
| 4.1 系统总体设计 | 第43-46页 |
| 4.1.1 系统总体结构 | 第43页 |
| 4.1.2 系统功能分析 | 第43-45页 |
| 4.1.3 系统的开发实现 | 第45-46页 |
| 4.2 系统主要部分 | 第46-49页 |
| 4.2.1 基于4G的RTU(数据采集与传输)设备 | 第46页 |
| 4.2.2 基于云服务的结构变形智能监测管理系统 | 第46-49页 |
| 4.3 系统集成与工程示范应用 | 第49-55页 |
| 4.3.1 示范工程概况 | 第49-50页 |
| 4.3.2 监测主要内容及监测网的布设 | 第50-51页 |
| 4.3.3 监测网的测量与计算 | 第51-53页 |
| 4.3.4 成果云平台展示 | 第53-55页 |
| 4.4 小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 5.1 本文主要工作及结论 | 第56-57页 |
| 5.2 本文创新点 | 第57页 |
| 5.3 研究展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简介 | 第62页 |