| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的背景和研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 爆破地震波研究 | 第11-12页 |
| 1.2.2 爆破地震动强度预测研究 | 第12-13页 |
| 1.3 研究目标、内容、方法和拟解决的关键问题 | 第13-15页 |
| 1.3.1 研究目标 | 第13页 |
| 1.3.2 研究内容 | 第13-14页 |
| 1.3.3 研究方法和技术路线 | 第14-15页 |
| 1.4 小结 | 第15-16页 |
| 第2章 爆破方案及振动测试方法 | 第16-26页 |
| 2.1 工程背景介绍 | 第16-17页 |
| 2.1.1 工程概况 | 第16-17页 |
| 2.1.2 地质条件简介 | 第17页 |
| 2.2 爆破方案 | 第17-24页 |
| 2.2.1 隧道掘进爆破的施工难点分析 | 第17-19页 |
| 2.2.2 弱振动掘进控制爆破的设计原则与技术要求 | 第19页 |
| 2.2.3 隧道弱振动掘进控制爆破的总体方案 | 第19-24页 |
| 2.3 爆破振动测试系统 | 第24页 |
| 2.3.1 振动测试系统原理 | 第24页 |
| 2.3.2 振动测试参数设置 | 第24页 |
| 2.4 爆破振动测试方案 | 第24-26页 |
| 第3章 爆破振动测试结果分析 | 第26-38页 |
| 3.1 爆破振动地表特性分析 | 第26-28页 |
| 3.2 爆破振动地表频谱分析 | 第28-35页 |
| 3.3 爆破振动地表衰减规律 | 第35-37页 |
| 3.4 小结 | 第37-38页 |
| 第4章 爆破振动BP神经网络预测 | 第38-60页 |
| 4.1 BP神经网络简介与预测实现 | 第38-45页 |
| 4.1.1 BP神经网络的结构 | 第38页 |
| 4.1.2 BP神经网络的学习算法 | 第38-40页 |
| 4.1.3 BP神经网络的MATLAB工具箱函数介绍 | 第40-41页 |
| 4.1.4 基于BP神经网络算法的预测 | 第41-45页 |
| 4.1.5 BP神经网络优缺点 | 第45页 |
| 4.2 基于遗传算法的BP神经网络优化算法 | 第45-59页 |
| 4.2.1 遗传算法概述 | 第46页 |
| 4.2.2 GA求解思路及步骤 | 第46-59页 |
| 4.3 小结 | 第59-60页 |
| 第5章 基于支持向量机爆破振动预测 | 第60-89页 |
| 5.1 概述 | 第60页 |
| 5.2 支持向量机(SVM)的基础 | 第60-61页 |
| 5.2.1 机器学习 | 第60页 |
| 5.2.2 经验风险最小化 | 第60-61页 |
| 5.2.3 结构化风险最小化原理 | 第61页 |
| 5.3 支持向量机回归 | 第61-65页 |
| 5.3.1 支持向量机回归 | 第61-63页 |
| 5.3.2 支持向量机回归的实现 | 第63-65页 |
| 5.4 支持向量回归的两种模型 | 第65-67页 |
| 5.4.1 ε-support vector regression(ε-SVR) | 第65-66页 |
| 5.4.2 v-support vector regression(v-SVR) | 第66-67页 |
| 5.5 支持向量机(SVM)的参数优化 | 第67-86页 |
| 5.5.1 参数优化的意义 | 第67页 |
| 5.5.2 启发式算法参数寻优 | 第67-86页 |
| 5.6 几种爆破振动预测效果对比 | 第86-87页 |
| 5.7 小结 | 第87-89页 |
| 第6章 结论与展望 | 第89-90页 |
| 6.1 结论 | 第89页 |
| 6.2 展望 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-94页 |
| 攻读硕士学位期间参与的科研实践 | 第94页 |
