基于改进模糊聚类迭代和神经网络的边坡失稳预测方法
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-14页 |
| 1.1 研究背景及研究意义 | 第6-7页 |
| 1.2 边坡稳定性研究现状 | 第7-12页 |
| 1.2.1 边坡稳定性评价研究现状 | 第7-10页 |
| 1.2.2 边坡失稳预测方法的研究发展现状 | 第10-12页 |
| 1.3 存在问题和发展趋势 | 第12-13页 |
| 1.3.1 存在问题 | 第12页 |
| 1.3.2 发展趋势 | 第12-13页 |
| 1.4 主要研究内容 | 第13-14页 |
| 第二章 改进模糊聚类迭代模型的构建 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 模糊数学在边坡稳定性中的应用 | 第14-17页 |
| 2.2.1 模糊数学的基本概念 | 第14-16页 |
| 2.2.2 边坡稳定性分析的模糊性 | 第16-17页 |
| 2.3 模糊聚类迭代理论的引入 | 第17-18页 |
| 2.4 模糊聚类迭代模型中主要因素的确定 | 第18-21页 |
| 2.5 模糊聚类迭代模型的建立 | 第21-22页 |
| 2.6 改进模糊聚类迭代模型 | 第22-25页 |
| 2.6.1 灰色关联分析理论的引入 | 第22-24页 |
| 2.6.2 改进模糊聚类迭代模型的构建 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 改进模糊聚类迭代和神经网络复合模型的构建 | 第26-32页 |
| 3.1 引言 | 第26页 |
| 3.2 复合模型模块组成 | 第26-27页 |
| 3.3 复合模型预测模块的构建 | 第27-31页 |
| 3.3.1 人工神经网络简介 | 第27-28页 |
| 3.3.2 BP神经网络在预测领域的运用 | 第28页 |
| 3.3.3 基于BP神经网络理论预测模型的建立 | 第28-31页 |
| 3.4 复合模型评价模块的构建 | 第31页 |
| 3.5 复合模型的算法流程图 | 第31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 边坡失稳预测的实现 | 第32-40页 |
| 4.1 引言 | 第32页 |
| 4.2 监测数据预处理 | 第32-34页 |
| 4.2.1 数据预处理的方法 | 第33页 |
| 4.2.2 监测数据预处理的实现 | 第33-34页 |
| 4.3 影响因素的预测 | 第34-35页 |
| 4.3.1 预测方案的选取 | 第34页 |
| 4.3.2 预测的实现 | 第34-35页 |
| 4.4 影响因素权重的确定 | 第35-37页 |
| 4.4.1 影响因素权重的确定方法 | 第35-36页 |
| 4.4.2 确定影响因素的权重 | 第36-37页 |
| 4.5 边坡状态的评估 | 第37-39页 |
| 4.5.1 边坡状态评估的实现 | 第37-38页 |
| 4.5.2 边坡状态划分 | 第38-39页 |
| 4.6 本章小结 | 第39-40页 |
| 第五章 算例分析 | 第40-62页 |
| 5.1 引言 | 第40页 |
| 5.2 监测数据获取方案设计 | 第40-46页 |
| 5.2.1 工程概况 | 第40页 |
| 5.2.2 监测时间段划分 | 第40-41页 |
| 5.2.3 边坡位移监测方案设计 | 第41-44页 |
| 5.2.4 边坡各影响因素监测方案设计 | 第44-46页 |
| 5.3 监测数据预处理 | 第46页 |
| 5.4 位移量进行边坡稳定性预测 | 第46-49页 |
| 5.5 基于复合模型的边坡稳定性预测 | 第49-60页 |
| 5.5.1 数据的预处理 | 第49-52页 |
| 5.5.2 各影响因素的预测 | 第52-55页 |
| 5.5.3 各影响因素权重的确定 | 第55-57页 |
| 5.5.4 改进模糊聚类迭代评估边坡状态 | 第57-60页 |
| 5.6 预测方法对比 | 第60-61页 |
| 5.7 本章小结 | 第61-62页 |
| 第六章 结论与建议 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 建议 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间的研究成果 | 第69-70页 |
