基于小波去噪的灰色BP模型在深基坑变形监测中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 本文研究的技术流程 | 第14-15页 |
| 第2章 小波理论 | 第15-30页 |
| 2.1 引言 | 第15页 |
| 2.2 小波基本理论 | 第15-18页 |
| 2.2.1 小波变换的概念 | 第15-16页 |
| 2.2.2 连续小波变换理论 | 第16-17页 |
| 2.2.3 离散小波变换理论 | 第17-18页 |
| 2.3 小波基函数 | 第18-24页 |
| 2.3.1 小波基函数的数学特性 | 第18-19页 |
| 2.3.2 常用的小波函数 | 第19-24页 |
| 2.4 小波阈值去噪 | 第24-28页 |
| 2.4.1 小波阈值去噪原理 | 第25-26页 |
| 2.4.2 小波阈值去噪方式 | 第26页 |
| 2.4.3 阈值的确定 | 第26-28页 |
| 2.5 小波去噪效果评价 | 第28-30页 |
| 第3章 灰色BP神经网络 | 第30-44页 |
| 3.1 灰色系统理论 | 第30-31页 |
| 3.1.1 灰色系统的基本概念 | 第30-31页 |
| 3.1.2 灰色系统的数据生成 | 第31页 |
| 3.2 灰色预测模型 | 第31-35页 |
| 3.2.1 灰色模型的特性 | 第31-32页 |
| 3.2.2 GM(1,1)模型的建立 | 第32-33页 |
| 3.2.3 GM(1,1)模型的精度检验 | 第33-34页 |
| 3.2.4 GM(1,1)建模的流程 | 第34-35页 |
| 3.3 人工神经网络理论 | 第35-39页 |
| 3.3.1 人工神经网络概述 | 第35页 |
| 3.3.2 神经网络的构成 | 第35-37页 |
| 3.3.3 神经网络分类 | 第37-39页 |
| 3.4 BP神经网络预测模型 | 第39-42页 |
| 3.4.1 BP神经网络的基本原理 | 第39-40页 |
| 3.4.2 BP神经网络的学习 | 第40-42页 |
| 3.5 灰色BP神经网络组合模型 | 第42-44页 |
| 3.5.1 灰色BP神经网络模型建立的意义 | 第42页 |
| 3.5.2 灰色BP神经网络模型建立方法 | 第42-44页 |
| 第4章 预测模型的应用研究 | 第44-57页 |
| 4.1 工程概况 | 第44-45页 |
| 4.2 监测方案设计 | 第45-48页 |
| 4.2.1 监测目的 | 第45页 |
| 4.2.2 监测依据 | 第45页 |
| 4.2.3 监测仪器 | 第45页 |
| 4.2.4 监测点位布设 | 第45-46页 |
| 4.2.5 监测方法 | 第46-47页 |
| 4.2.6 数据处理及分析 | 第47-48页 |
| 4.3 监测数据小波去噪 | 第48-57页 |
| 4.3.1 四种阈值选择方式的对比 | 第49-51页 |
| 4.3.2 SCAL的比较 | 第51-53页 |
| 4.3.3 不同小波基函数的对比 | 第53-54页 |
| 4.3.4 不同分解层次的比较 | 第54-56页 |
| 4.3.5 小波去噪结果 | 第56-57页 |
| 第5章 灰色BP模型变形预测与比较 | 第57-68页 |
| 5.1 基于灰色BP神经网络的变形预测 | 第57-59页 |
| 5.2 基于优化的灰色BP神经网络的变形预测 | 第59-61页 |
| 5.3 对比与分析 | 第61-62页 |
| 5.4 多测点验证 | 第62-68页 |
| 5.4.1 测点的原始数据 | 第62-64页 |
| 5.4.2 变形预测结果 | 第64-65页 |
| 5.4.3 预测结果对比分析 | 第65-68页 |
| 结论与展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
