| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题依据及研究价值 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 缺失数据处理研究现状 | 第10-11页 |
| 1.2.2 EM算法研究现状 | 第11-12页 |
| 1.3 存在的问题及不足 | 第12-13页 |
| 1.4 本文研究内容及思路 | 第13-14页 |
| 1.4.1 本文的研究内容 | 第13页 |
| 1.4.2 本文的技术路线 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 变形监测常用数据处理方法 | 第15-23页 |
| 2.1 多元线性回归模型 | 第15-16页 |
| 2.2 灰色系统模型 | 第16-18页 |
| 2.3 BP神经网络 | 第18-21页 |
| 2.4 时间序列分析 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 测量中常用的缺失数据处理方法 | 第23-31页 |
| 3.1 直接删除法 | 第23-24页 |
| 3.2 填补法 | 第24-28页 |
| 3.2.1 单一填补法 | 第24-26页 |
| 3.2.2 多重填补法 | 第26-28页 |
| 3.3 卡尔曼滤波法 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 基于EM的AR(p)模型建立 | 第31-45页 |
| 4.1 EM算法原理 | 第31-32页 |
| 4.2 缺失数据下的参数估计 | 第32-34页 |
| 4.3 AR(p)模型建立步骤 | 第34-43页 |
| 4.3.1 数据的检验 | 第34-35页 |
| 4.3.2 模型的初步识别 | 第35-37页 |
| 4.3.3 AR(p)模型的定阶 | 第37-40页 |
| 4.3.4 模型的参数估计 | 第40-43页 |
| 4.4 预测模型的精度评价 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 EM估计的AR(p)模型在变形监测中的应用 | 第45-69页 |
| 5.1 变形监测项目实例 | 第45-46页 |
| 5.2 数据准备 | 第46-48页 |
| 5.3 基于EM算法的AR(p)模型的基坑变形监测数据分析 | 第48-59页 |
| 5.3.1 单一数据缺失情况 | 第48-53页 |
| 5.3.2 多重数据缺失情况 | 第53-58页 |
| 5.3.3 结果分析 | 第58-59页 |
| 5.4 预测结果比较 | 第59-63页 |
| 5.4.1 灰色模型GM(1,1)法 | 第59-60页 |
| 5.4.2 BP神经网络法 | 第60-61页 |
| 5.4.3 四种方法结果比较 | 第61-63页 |
| 5.5 结论验证 | 第63-67页 |
| 5.6 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读学位期间取得学术成果 | 第75页 |