| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 基因表达式编程算法研究现状 | 第9-10页 |
| 1.2.2 人工神经网络研究现状 | 第10-11页 |
| 1.3 研究内容及技术路线 | 第11-14页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 技术路线 | 第12-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 高层建筑物变形监测及常见的预测模型 | 第15-20页 |
| 2.1 高层建筑物变形监测 | 第15-18页 |
| 2.1.1 高层建筑物监测内容 | 第15-16页 |
| 2.1.2 监测方法与技术设计 | 第16页 |
| 2.1.3 沉降监测点位布设 | 第16-17页 |
| 2.1.4 沉降监测数据处理 | 第17页 |
| 2.1.5 高层建筑物沉降变形规律分析 | 第17-18页 |
| 2.2 常见的预测模型 | 第18-20页 |
| 第三章 基因表达式编程的基本原理 | 第20-27页 |
| 3.1 基因表达式编程的基本概念 | 第20页 |
| 3.2 基因表达式编程编码的结构 | 第20-23页 |
| 3.2.1 终结符和函数 | 第20-21页 |
| 3.2.2 GEP的基本要素 | 第21-22页 |
| 3.2.3 多基因染色体 | 第22-23页 |
| 3.3 基本的遗传操作 | 第23-24页 |
| 3.4 适应度函数的选择和评估 | 第24-25页 |
| 3.5 基因表达式编程算法的简要流程 | 第25-27页 |
| 第四章 人工神经网络预测模型的构建 | 第27-39页 |
| 4.1 人工神经网络概述 | 第27-30页 |
| 4.1.1 人工神经网络的发展 | 第27页 |
| 4.1.2 人工神经网络模型 | 第27-29页 |
| 4.1.3 人工神经网络学习过程 | 第29-30页 |
| 4.2 基于RBF神经网络预测模型的构建 | 第30-33页 |
| 4.2.1 RBF神经网络基本原理 | 第30页 |
| 4.2.2 RBF神经网络结构和特点 | 第30-31页 |
| 4.2.3 构建RBF神经网络 | 第31-33页 |
| 4.3 基于GEP优化的RBF神经网络预测模型的构建 | 第33-39页 |
| 4.3.1 基于GEP的自动聚类方法 | 第33-35页 |
| 4.3.2 基于GEP-RBF预测模型的构建 | 第35-39页 |
| 第五章 高层建筑物沉降变形预测应用与分析 | 第39-56页 |
| 5.1 工程概况 | 第39-42页 |
| 5.2 数据预处理 | 第42页 |
| 5.3 基于RBF神经网络的预测模型在高层建筑物沉降变形预测中的应用 | 第42-48页 |
| 5.3.1 RBF神经网络的设计 | 第42-44页 |
| 5.3.2 RBF神经网络预测结果 | 第44-48页 |
| 5.4 基于GEP优化的RBF神经网络预测模型在高层建筑物沉降变形预测中的应用 | 第48-52页 |
| 5.4.1 基于GEP优化的RBF神经网络模型的建立 | 第48-50页 |
| 5.4.2 基于优化预测模型的预测结果 | 第50-52页 |
| 5.5 预测结果分析 | 第52-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间的研究成果 | 第63-64页 |
