| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 变形监测的目的和意义 | 第9-10页 |
| 1.1.1 变形监测的目的 | 第9页 |
| 1.1.2 变形监测的意义 | 第9-10页 |
| 1.2 变形监测的内容与技术 | 第10-11页 |
| 1.3 变形分析与预报方法综述 | 第11-12页 |
| 1.3.1 变形分析 | 第11-12页 |
| 1.3.2 变形预报 | 第12页 |
| 1.4 本文研究内容 | 第12-14页 |
| 第二章 变形分析与建模的基本理论与方法 | 第14-31页 |
| 2.1 多元线性回归分析 | 第14-17页 |
| 2.1.1 多元线性回归分析模型 | 第14页 |
| 2.1.2 模型参数的估计 | 第14-15页 |
| 2.1.3 回归方程的显著性检验 | 第15-16页 |
| 2.1.4 回归系数的显著性检验 | 第16-17页 |
| 2.2 灰色理论系统 | 第17-20页 |
| 2.2.1 灰色理论系统的理论分析方法 | 第17-18页 |
| 2.2.2 灰色模型 | 第18-19页 |
| 2.2.3 灰色模型的检验 | 第19-20页 |
| 2.3 人工神经网络 | 第20-25页 |
| 2.3.1 人工神经网络的由来 | 第20-21页 |
| 2.3.2 人工神经网络的基本概念和特征 | 第21-22页 |
| 2.3.3 BP 神经网络 | 第22-24页 |
| 2.3.4 小波神经网络 | 第24-25页 |
| 2.4 时间序列分析 | 第25-31页 |
| 2.4.1 时间序列分析的概述 | 第25-26页 |
| 2.4.2 平稳的时间序列分析 | 第26-29页 |
| 2.4.3 模型识别与模型参数估计 | 第29-30页 |
| 2.4.4 模型适用性检验 | 第30-31页 |
| 第三章 基于 SAS 的时间序列分析 | 第31-49页 |
| 3.1 SAS 简介 | 第31页 |
| 3.2 基于 SAS 的时间序列预处理 | 第31-35页 |
| 3.2.1 基于 SAS 的平稳性经检验 | 第31-32页 |
| 3.2.2 纯随机性检验 | 第32-35页 |
| 3.3 基于 SAS 的时间序列分析模型的建立 | 第35-38页 |
| 3.3.1 平稳时间序列分析模型的建立 | 第35-36页 |
| 3.3.2 非平稳时间序列分析模型的建立 | 第36-38页 |
| 3.4 基于 SAS 的非平稳时间序列分析的实例分析 | 第38-49页 |
| 3.4.1 实例分析 1 | 第38-45页 |
| 3.4.2 实例分析 2 | 第45-49页 |
| 第四章 时间序列与其他模型的结合 | 第49-80页 |
| 4.1 利用传统的灰色模型提取趋势项 | 第49-57页 |
| 4.1.1 传统灰色模型的基本形式和建模步骤 | 第49-50页 |
| 4.1.2 实例分析 | 第50-57页 |
| 4.2 动态时变参数灰色模型 | 第57-66页 |
| 4.2.1 动态时序模型建模的基本过程 | 第57-59页 |
| 4.2.2 动态时变参数灰色时序模型 | 第59页 |
| 4.2.3 实例分析 | 第59-66页 |
| 4.3 BP 神经网络 | 第66-72页 |
| 4.3.1 BP 神经网络 | 第66页 |
| 4.3.2 实例分析 | 第66-72页 |
| 4.4 小波神经网络 | 第72-78页 |
| 4.4.1 小波神经网络模型结构 | 第72页 |
| 4.4.2 实例分析 | 第72-78页 |
| 4.5 预测结果精度分析与比较 | 第78-80页 |
| 第五章 结论与展望 | 第80-82页 |
| 5.1 结论 | 第80-81页 |
| 5.2 展望 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 致谢 | 第85页 |