| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.2 边坡变形预测预报研究现状 | 第11-14页 |
| 1.2.1 边坡变形预测预报研究动态 | 第11-13页 |
| 1.2.2 现有预报方法存在的问题 | 第13-14页 |
| 1.3 主要研究内容及技术路线 | 第14-17页 |
| 1.3.1 主要研究内容 | 第14-16页 |
| 1.3.2 技术路线 | 第16-17页 |
| 第二章 抗差卡尔曼滤波及时间序列分解 | 第17-37页 |
| 2.1 变形监测数据的特点 | 第17-18页 |
| 2.2 抗差卡尔曼滤波在变形监测数据处理中的应用 | 第18-28页 |
| 2.2.1 卡尔曼滤波模型 | 第18-21页 |
| 2.2.2 稳健估计的概念与方法 | 第21-23页 |
| 2.2.3 抗差卡尔曼滤波的计算步骤 | 第23-25页 |
| 2.2.4 工程实例 | 第25-28页 |
| 2.3 经验模态分解的原理与方法 | 第28-31页 |
| 2.3.1 EMD分解的基本概念 | 第29-30页 |
| 2.3.2 EMD分解的方法与步骤 | 第30-31页 |
| 2.4 变分模态分解的原理与方法 | 第31-35页 |
| 2.4.1 变分模态分解的方法及其原理 | 第31-32页 |
| 2.4.2 仿真分析 | 第32-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于智能算法AGA-KELM模型的尾矿坝位移预测 | 第37-59页 |
| 3.1 核极限学习机KELM | 第37-41页 |
| 3.1.1 ELM的提出 | 第37-38页 |
| 3.1.2 ELM算法描述与训练步骤 | 第38-40页 |
| 3.1.3 KELM算法原理与实现 | 第40-41页 |
| 3.2 改进的AGA算法优化KELM参数的研究 | 第41-44页 |
| 3.2.1 遗传算法的概述 | 第41-42页 |
| 3.2.2 自适应遗传算法的改进策略 | 第42-44页 |
| 3.2.3 改进AGA-KELM预测模型建立 | 第44页 |
| 3.3 相空间重构 | 第44-46页 |
| 3.3.1 相空间重构理论 | 第44-45页 |
| 3.3.2 C-C方法的相空间重构 | 第45-46页 |
| 3.4 基于VMD分解和改进AGA-KELM的尾矿坝变形位移预测 | 第46-57页 |
| 3.4.1 算法步骤与精度评定 | 第46-47页 |
| 3.4.2 工程实例 | 第47-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 顾及多因素影响的尾矿坝累积变形量智能预测 | 第59-70页 |
| 4.1 信息熵及熵权的基本理论 | 第59-61页 |
| 4.1.1 信息熵 | 第59-60页 |
| 4.1.2 熵权的基本原理 | 第60-61页 |
| 4.2 基于坝体变形量的熵权系数评价模型建立 | 第61-65页 |
| 4.2.1 建立多因素分析指标体系 | 第61-64页 |
| 4.2.2 熵权系数的确定 | 第64-65页 |
| 4.3 基于熵权优化模型的尾矿坝累积变形量智能预测 | 第65-69页 |
| 4.3.1 顾及多因素尾矿坝形变预测模型的建立 | 第65-66页 |
| 4.3.2 工程实例 | 第66-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 基于PCA-AGA-KELM模型的尾矿坝稳定性分析 | 第70-84页 |
| 5.1 工程概况 | 第70-73页 |
| 5.1.1 地形及地貌条件 | 第71页 |
| 5.1.2 水文地质 | 第71-72页 |
| 5.1.3 尾矿库运营状况 | 第72-73页 |
| 5.2 主成分分析 | 第73-75页 |
| 5.3 尾矿坝稳定性分析 | 第75-83页 |
| 5.3.1 极限平衡法坝体稳定性分析 | 第75-78页 |
| 5.3.2 基于PCA-AGA-KELM模型的坝体稳定性分析 | 第78-81页 |
| 5.3.3 工程实例 | 第81-83页 |
| 5.4 本章小结 | 第83-84页 |
| 第六章 结论与展望 | 第84-87页 |
| 6.1 主要研究成果 | 第84-85页 |
| 6.2 论文的主要创新点 | 第85-86页 |
| 6.3 后续研究工作 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-92页 |
| 附录 | 第92-93页 |
