| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-18页 |
| ·大坝安全监控统计模型研究概述 | 第9-15页 |
| ·大坝安全监控统计模型研究的目的和意义 | 第9-10页 |
| ·大坝安全监控统计模型研究进展 | 第10-14页 |
| ·常用统计建模方法存在的问题 | 第14-15页 |
| ·偏最小二乘回归方法概述 | 第15-16页 |
| ·本文的研究内容 | 第16-18页 |
| 2 大坝安全监控的统计模型 | 第18-45页 |
| ·常用的大坝安全监控统计模型 | 第18-29页 |
| ·重力坝变形监控统计模型 | 第18-20页 |
| ·土石坝变形监控统计模型 | 第20-24页 |
| ·渗流监控统计模型 | 第24-28页 |
| ·应力应变监控统计模型 | 第28-29页 |
| ·小结 | 第29页 |
| ·多元线性回归分析 | 第29-34页 |
| ·多元线性回归方程的建立 | 第29-31页 |
| ·回归方程的有效性和精度评价指 | 第31-34页 |
| ·最小二乘回归统计模型存在的多重相关性问题 | 第34-45页 |
| ·多重相关性的概念 | 第34-35页 |
| ·多重相关性的危害 | 第35-38页 |
| ·多重相关性的诊断 | 第38-40页 |
| ·大坝原观资料统计模型中的多重共线性 | 第40-45页 |
| 3 偏最小二乘回归统计模型 | 第45-73页 |
| ·偏最小二乘回归的的产生、发展和应用现状 | 第45-47页 |
| ·偏最小二乘回归的基础方法 | 第47-55页 |
| ·基本原理 | 第47-50页 |
| ·主成分数的确定方法 | 第50-51页 |
| ·偏最小二乘回归的辅助分析 | 第51-54页 |
| ·小结 | 第54-55页 |
| ·偏最小二乘回归统计模型 | 第55-68页 |
| ·偏最小二乘回归渗流统计模型 | 第55-61页 |
| ·基于偏最小二乘回归的应变统计模型 | 第61-68页 |
| ·大坝安全状态的评价方法 | 第68-70页 |
| ·小结 | 第70-73页 |
| 4 基于正交信号修正的偏最小二乘回归统计模型 | 第73-81页 |
| ·正交信号修正方法 | 第73-76页 |
| ·OSC方法 | 第73-75页 |
| ·改进的OSC方法 | 第75-76页 |
| ·OSC与PLS结合的意义 | 第76-77页 |
| ·工程实例分析 | 第77-80页 |
| ·小结 | 第80-81页 |
| 5 基于加权块式递推偏最小二乘回归的大坝安全监控统计模型 | 第81-91页 |
| ·改进的偏最小二乘回归算法 | 第81-82页 |
| ·递推偏最小二乘回归法 | 第82-84页 |
| ·块式递推偏最小二乘回归法 | 第84-85页 |
| ·加权块式递推偏最小二乘回归法 | 第85-86页 |
| ·主成分数的确定 | 第86-87页 |
| ·WBRPLSR在大坝安全监控中的应用 | 第87-90页 |
| ·模型参数的选择 | 第87-88页 |
| ·试验方法的设计 | 第88页 |
| ·WBRPLS模型的建立 | 第88-89页 |
| ·结果分析 | 第89-90页 |
| ·小结 | 第90-91页 |
| 6 大坝安全监控的神经网络与偏最小二乘回归统计模型 | 第91-98页 |
| ·人工神经网络的基本理论 | 第91-93页 |
| ·人工神经网络的产生和发展 | 第91-92页 |
| ·神经元模型 | 第92-93页 |
| ·神经网络的分类 | 第93页 |
| ·大坝安全监控的RBF-PLS统计模型 | 第93-96页 |
| ·RBF神经网络 | 第93-95页 |
| ·RBF-PLS模型 | 第95-96页 |
| ·RBF-PLS模型在大坝监控中的应用 | 第96-97页 |
| ·小结 | 第97-98页 |
| 7 总结与展望 | 第98-100页 |
| 致谢 | 第100-101页 |
| 参考文献 | 第101-106页 |
| 论文发表情况 | 第106页 |