| 1 引言 | 第1-11页 |
| ·土石坝安全监测资料分析的目的及意义 | 第7-8页 |
| ·土石坝安全监测资料分析研究现状 | 第8-9页 |
| ·土石坝安全监测资料分析中的问题 | 第9-11页 |
| 2 遗传算法(GA)与神经网络(ANN) | 第11-22页 |
| ·遗传算法的基本原理 | 第11-15页 |
| ·遗传算法的概念 | 第11-12页 |
| ·遗传算法的实现 | 第12-15页 |
| ·遗传算法的特点和优点 | 第15-16页 |
| ·神经网络的基本原理及特点 | 第16-22页 |
| ·神经网络的概念 | 第16页 |
| ·误差反向传播(BP)神经网络及其特点 | 第16-19页 |
| ·径向基函数(RBF)神经网络及其特点 | 第19-22页 |
| 3 土石坝漏测沉降计算方法 | 第22-29页 |
| ·土石坝漏测沉降研究方法中的问题 | 第22-23页 |
| ·分层遗传算法原理 | 第23-25页 |
| ·计算土石坝漏测沉降的分层遗传算法(HGA) | 第25-26页 |
| ·低层遗传算法设计 | 第25-26页 |
| ·高层遗传算法设计 | 第26页 |
| ·应用实例 | 第26-28页 |
| ·工程概况 | 第26-27页 |
| ·计算结果及成果分析 | 第27-28页 |
| ·小结 | 第28-29页 |
| 4 土石坝测压管滞后时间计算方法 | 第29-35页 |
| ·测压管水位滞后成因分析 | 第29页 |
| ·基于遗传神经网络(GA-RBF)的滞后时间计算方法 | 第29-33页 |
| ·GA-RBF计算方法的基本思路 | 第29-30页 |
| ·用RBF拟合库水位过程线及测压管水位过程线 | 第30页 |
| ·基于GA的测压管滞后时间优化计算 | 第30-33页 |
| ·应用实例 | 第33-34页 |
| ·小结 | 第34-35页 |
| 5 土石坝安全监测预报模型 | 第35-46页 |
| ·几种常用土石坝安全监测预报模型的分析与比较 | 第35-38页 |
| ·逐步回归分析模型 | 第35-36页 |
| ·确定性模型及混合模型 | 第36-37页 |
| ·灰色系统分析模型 | 第37页 |
| ·神经网络模型 | 第37-38页 |
| ·遗传回归土石坝安全监测预报模型基本原理 | 第38-40页 |
| ·模型样本的确定 | 第38-39页 |
| ·遗传染色体位串对因子优选的意义 | 第39页 |
| ·模型个体适应度函数设计 | 第39-40页 |
| ·遗传回归土石坝安全监测预报模型的计算步骤及结构框图 | 第40-42页 |
| ·应用实例 | 第42-44页 |
| ·模型预报因子集的确定及建模参数的选取 | 第42-43页 |
| ·计算结果及成果分析 | 第43-44页 |
| ·小结 | 第44-46页 |
| 6 结语和展望 | 第46-48页 |
| 参考文献 | 第48-54页 |
| 在读期间发表的学术论文 | 第54-60页 |
| 作者简历 | 第60-61页 |
| 致谢 | 第61页 |