| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 选题背景与研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1(超)高层建筑监测与变形分析方面 | 第14-16页 |
| 1.2.2 神经网络的国内外研究方面 | 第16-19页 |
| 1.3 主要研究内容及技术路线 | 第19-21页 |
| 1.3.1 主要研究内容和创新点 | 第19-20页 |
| 1.3.2 技术路线 | 第20-21页 |
| 1.4 本文的组织结构 | 第21-22页 |
| 第2章GA-GM-BPNN超高层建筑变形预测模型 | 第22-43页 |
| 2.1 概述 | 第22-23页 |
| 2.2 灰色人工神经网络 | 第23-29页 |
| 2.2.1 灰色系统 | 第24页 |
| 2.2.2 BP神经网络 | 第24-27页 |
| 2.2.3 灰色人工神经网络 | 第27-28页 |
| 2.2.4 灰色人工神经网络的性能分析 | 第28-29页 |
| 2.3 GA-GM-BPNN变形预测模型的构建 | 第29-32页 |
| 2.3.1 模型的结构设计 | 第30页 |
| 2.3.2 模型构建 | 第30-32页 |
| 2.4 工程实例分析 | 第32-42页 |
| 2.4.1 工程概况 | 第32-34页 |
| 2.4.2 预测模型的参数选取 | 第34-40页 |
| 2.4.3 预测性能对比分析 | 第40-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章LM-CDBN超高层建筑变形预测模型 | 第43-61页 |
| 3.1 概述 | 第43-44页 |
| 3.2 附有条件的深度信念模型 | 第44-47页 |
| 3.2.1 RBM模型的构建 | 第45-46页 |
| 3.2.2 DBN模型的构建 | 第46页 |
| 3.2.3 CDBN模型的构建 | 第46-47页 |
| 3.3 LM-CDBN模型构建 | 第47-51页 |
| 3.3.1 LM-CDBN模型定权的原理 | 第48页 |
| 3.3.2 LM-CDBN模型的算法流程 | 第48-50页 |
| 3.3.3 预测精度的评价方法 | 第50-51页 |
| 3.4 模型验证分析 | 第51-59页 |
| 3.4.1 数据准备 | 第51-52页 |
| 3.4.2 LM-CDBN模型参数的确定 | 第52-56页 |
| 3.4.3 预测结果分析 | 第56-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第4章 神经网络预测平台 | 第61-81页 |
| 4.1 概述 | 第61页 |
| 4.2 系统设计 | 第61-66页 |
| 4.2.1 系统设计原则 | 第62页 |
| 4.2.2 系统主体框架 | 第62-63页 |
| 4.2.3 系统功能 | 第63-64页 |
| 4.2.4 系统核心代码 | 第64-66页 |
| 4.3 神经网络预测平台的界面设计 | 第66-68页 |
| 4.3.1 GA-GM-BPNN预测模型子界面设计 | 第66-67页 |
| 4.3.2 LM-CDBN预测模型子界面设计 | 第67-68页 |
| 4.4 系统操作及演示 | 第68-79页 |
| 4.4.1 系统操作 | 第68-73页 |
| 4.4.2 GA-GM-BPNN变形预测模块 | 第73-77页 |
| 4.4.3 LM-CDBN变形预测模块 | 第77-79页 |
| 4.5 其它功能模块 | 第79-80页 |
| 4.6 本章小结 | 第80-81页 |
| 结论与展望 | 第81-83页 |
| 结论 | 第81-82页 |
| 展望 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 致谢 | 第88-89页 |
| 研究生期间发表的论文及参与的项目 | 第89-90页 |