| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 蚁群算法研究现状 | 第10-11页 |
| 1.3 支持向量机研究现状 | 第11-12页 |
| 1.4 边坡变形预测研究现状 | 第12-13页 |
| 1.5 本文研究内容 | 第13-14页 |
| 1.6 论文结构安排 | 第14-15页 |
| 第二章 蚁群算法 | 第15-23页 |
| 2.1 蚁群算法概况 | 第15页 |
| 2.2 蚁群算法的生物基础 | 第15-17页 |
| 2.3 真实蚂蚁与人工蚂蚁的异同 | 第17页 |
| 2.4 蚁群算法基本原理 | 第17-20页 |
| 2.5 蚁群算法的优缺点 | 第20-21页 |
| 2.5.1 蚁群算法的优点 | 第20-21页 |
| 2.5.2 蚁群算法的缺点 | 第21页 |
| 2.6 蚁群算法的主要应用 | 第21-22页 |
| 2.7 本章小结 | 第22-23页 |
| 第三章 统计学习理论与支持向量机 | 第23-33页 |
| 3.1 机器学习理论 | 第23-24页 |
| 3.2 统计学习理论 | 第24-26页 |
| 3.2.1 VC维 | 第25页 |
| 3.2.2 推广性的界 | 第25页 |
| 3.2.3 结构风险最小化 | 第25-26页 |
| 3.3 支持向量机 | 第26-31页 |
| 3.3.1 广义最优分类面 | 第26-27页 |
| 3.3.2 支持向量分类机 | 第27-29页 |
| 3.3.3 支持向量回归机 | 第29-31页 |
| 3.4 支持向量机参数的影响 | 第31-32页 |
| 3.5 支持向量机训练算法 | 第32页 |
| 3.6 SVM工具箱简介 | 第32页 |
| 3.7 本章小结 | 第32-33页 |
| 第四章 改进的ACO优化SVM参数的研究 | 第33-43页 |
| 4.1 核函数 | 第33-35页 |
| 4.2 改进的蚁群算法思路 | 第35-37页 |
| 4.3 改进的蚁群算法步骤 | 第37页 |
| 4.4 改进蚁群算法的验证 | 第37-40页 |
| 4.5 改进ACO算法优化SVM参数 | 第40-41页 |
| 4.5.1 网格搜索法 | 第40页 |
| 4.5.2 网格结合蚁群法 | 第40-41页 |
| 4.6 改进的ACO-SVM模型预测边坡变形步骤 | 第41-42页 |
| 4.7 本章小结 | 第42-43页 |
| 第五章 改进ACO优化SVM参数的边坡变形预测应用 | 第43-51页 |
| 5.1 模型精度评价指标 | 第43页 |
| 5.2 计算环境与方法 | 第43-45页 |
| 5.3 工程应用 | 第45-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 结论 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间的研究成果 | 第57-58页 |