| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文主要工作和论文结构 | 第14-16页 |
| 第2章 理论基础与相关技术 | 第16-29页 |
| 2.1 滑坡理论基础 | 第16-17页 |
| 2.1.1 我国滑坡类型概况 | 第16-17页 |
| 2.1.2 滑坡监测点数据类型 | 第17页 |
| 2.2 数据预处理相关技术 | 第17-21页 |
| 2.2.1 小波变换 | 第17-19页 |
| 2.2.2 基于最小二乘的三阶多项式拟合平滑算法 | 第19-20页 |
| 2.2.3 数据归一化方法 | 第20-21页 |
| 2.3 滑坡区域检测的相关技术 | 第21-24页 |
| 2.3.1 机器学习技术 | 第21-22页 |
| 2.3.2 神经网络原理 | 第22-24页 |
| 2.4 局部区域滑坡预测的相关技术 | 第24-28页 |
| 2.4.1 生成性深度结构和受限玻尔兹曼机（RBM） | 第24-25页 |
| 2.4.2 极限学习机（ELM） | 第25-26页 |
| 2.4.3 改进的极限学习机（ELM）算法 | 第26-27页 |
| 2.4.4 最小边界矩形（MBR） | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 滑坡区域检测方法 | 第29-42页 |
| 3.1 检测方法体系图 | 第29-30页 |
| 3.2 滑坡数据预处理 | 第30-34页 |
| 3.2.1 数据清洗和消噪处理 | 第30-31页 |
| 3.2.2 平滑处理 | 第31-33页 |
| 3.2.3 归一化处理 | 第33-34页 |
| 3.2.4 数据集相关性评估 | 第34页 |
| 3.3 基于机器学习的滑坡区域检测方法 | 第34-39页 |
| 3.3.1 检测方法训练过程 | 第34-35页 |
| 3.3.2 滑坡区域检测过程 | 第35-39页 |
| 3.4 检测结果 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 局部区域滑坡预测方法 | 第42-49页 |
| 4.1 预测方法体系图 | 第42-43页 |
| 4.2 基于改进的ELM算法的局部区域滑坡预测模型 | 第43-47页 |
| 4.2.1 预测模型训练过程 | 第43-46页 |
| 4.2.2 预测模型评估过程 | 第46-47页 |
| 4.3 预测结果 | 第47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 滑坡辅助决策系统 | 第49-60页 |
| 5.1 LADS应用背景 | 第49页 |
| 5.2 LADS体系结构 | 第49-52页 |
| 5.2.1 LADS硬件平台 | 第50页 |
| 5.2.2 LADS软件体系 | 第50-52页 |
| 5.3 LDAS应用实例 | 第52-56页 |
| 5.3.1 数据来源和预处理 | 第52页 |
| 5.3.2 应用场景 | 第52-56页 |
| 5.4 实验结果分析 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 论文及科研情况 | 第68页 |
| 发表的论文 | 第68页 |
| 申请发明专利 | 第68页 |