基于神经网络的大坝安全监测分析系统研究
| 目录 | 第1-9页 |
| 1． 绪论 | 第9-20页 |
| 1．1 大坝安全监测分析的作用及其重要性 | 第9-12页 |
| 1．1．1 大坝安全监测的作用 | 第9-12页 |
| 1．1．2 大坝安全监测的重要性 | 第12页 |
| 1．2 大坝监测概述 | 第12-18页 |
| 1．3 本文主要内容及其技术路线 | 第18-20页 |
| 2． 数据的在线处理 | 第20-30页 |
| 2．1 在线异常数据识别处理 | 第20-29页 |
| 2．1．1 异常数据识别的常用方法 | 第20-24页 |
| 2．1．2 在线异常数据处理方法 | 第24-29页 |
| 2．2 小结 | 第29-30页 |
| 3． 离线分析的统计模型方法 | 第30-41页 |
| 3．1 回归统计方法 | 第30页 |
| 3．2 多元回归的递推算法 | 第30-32页 |
| 3．3 土石大坝监测统计模型物理量的分析 | 第32-35页 |
| 3．3．1 位移模型的因子选择 | 第32-34页 |
| 3．3．2 渗流因子的选择 | 第34-35页 |
| 3．4 土石坝分析的统计模型 | 第35-39页 |
| 3．4．1 水平位移统计模型 | 第35-37页 |
| 3．4．2 竖向位移(沉降)统计模型 | 第37-38页 |
| 3．4．3 渗流压力统计模型 | 第38-39页 |
| 3．5 统计建模的局限性 | 第39-40页 |
| 3．6 小结 | 第40-41页 |
| 4． 离线分析的神经网络模型方法 | 第41-73页 |
| 4．1 人工神经网络介绍 | 第41-50页 |
| 4．1．1 人工神经网络的涵义及结构 | 第41-42页 |
| 4．1．2 人工神经网络的学习与记忆方式 | 第42-44页 |
| 4．1．3 误差后向传播(BP)网络结构 | 第44-46页 |
| 4．1．4 径向基函数(RBF)网络结构 | 第46-48页 |
| 4．1．5 神经网络的类型选择 | 第48-50页 |
| 4．2 RBF神经网络的在线学习方式研究 | 第50-63页 |
| 4．2．1 RBF神经网路局部特性的测试 | 第50-56页 |
| 4．2．2 RBF网络的一种有效的在线学习方法 | 第56-61页 |
| 4．2．3 测试 | 第61-63页 |
| 4．3 大坝监测神经网络模型研究 | 第63-72页 |
| 4．4 小结 | 第72-73页 |
| 5． 大坝监测分析系统的设计与开发 | 第73-88页 |
| 5．1 大坝监测分析系统的设计 | 第73-79页 |
| 5．1．1 系统需求分析及功能设计 | 第73-74页 |
| 5．1．2 系统体系结构设计 | 第74-77页 |
| 5．1．3 数据库设计 | 第77-79页 |
| 5．2 大坝监测分析系统介绍 | 第79-87页 |
| 5．2．1 数据预处理子系统 | 第79-80页 |
| 5．2．2 数据分析子系统 | 第80-87页 |
| 5．3 小结 | 第87-88页 |
| 6． 总结 | 第88-91页 |
| 6．1 总结 | 第88-89页 |
| 6．2 建议 | 第89-91页 |
| 致谢 | 第91-92页 |
| 附录 | 第92-93页 |
| 参考文献 | 第93-97页 |
