| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 大坝变形的不确定性和复杂性 | 第9-10页 |
| 1.2 大坝变形的国内外研究现状 | 第10-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 小结 | 第14-15页 |
| 第二章 心墙堆石坝变形因素的相关性分析和主成分分析 | 第15-29页 |
| 2.1 相关性分析 | 第15-20页 |
| 2.1.1 相关性分析的必要性 | 第15页 |
| 2.1.2 相关性分析的基本理论 | 第15-16页 |
| 2.1.3 大坝变形影响因素的相关性分析 | 第16-20页 |
| 2.2 主成分分析 | 第20-27页 |
| 2.2.1 主成分分析的基本理论 | 第20-21页 |
| 2.2.2 主成分分析的计算过程 | 第21-23页 |
| 2.2.3 主成分的选择 | 第23-25页 |
| 2.2.4 大坝影响因素的主成分分析 | 第25-27页 |
| 2.3 小结 | 第27-29页 |
| 第三章 基于ANFIS-GM的心墙堆石坝变形预测 | 第29-37页 |
| 3.1 灰色系统预测理论（GM） | 第29-33页 |
| 3.1.1 灰色模型数据生成方式 | 第29-30页 |
| 3.1.2 灰色理论模型数据检验 | 第30-31页 |
| 3.1.3 灰色理论的计算过程 | 第31-32页 |
| 3.1.4 灰色理论模型的结果检验 | 第32-33页 |
| 3.2 自适应网络模糊推理系统（ANFIS） | 第33-35页 |
| 3.2.1 ANFIS的模型结构 | 第33-35页 |
| 3.2.2 ANFIS的模型学习算法 | 第35页 |
| 3.3 ANFIS-GM模型 | 第35-36页 |
| 3.4 总结 | 第36-37页 |
| 第四章 基于GA-BP模型的心墙堆石坝变形预测 | 第37-46页 |
| 4.1 人工神经网络的基本原理 | 第37-39页 |
| 4.1.1 人工神经网络的基本计算流程 | 第37-38页 |
| 4.1.2 BP神经网络的优缺点 | 第38-39页 |
| 4.2 遗传算法的基本原理 | 第39-41页 |
| 4.2.1 遗传算法的基本概念 | 第39页 |
| 4.2.2 遗传算法的特点 | 第39-41页 |
| 4.3 GA-BP模型的心墙堆石坝沉降预测 | 第41-44页 |
| 4.4 小结 | 第44-46页 |
| 第五章 心墙堆石坝变形的组合模型预测 | 第46-51页 |
| 5.1.组合模型的基本原理 | 第46-50页 |
| 5.1.1 最小预测误差平方和为目标函数的线性组合预测模型 | 第48-49页 |
| 5.1.2 基于考虑时间影响的神经网络组合预测模型 | 第49-50页 |
| 5.2 小结 | 第50-51页 |
| 第六章 应用实例分析 | 第51-76页 |
| 6.0 工程概况 | 第51页 |
| 6.1 基于ANFIS-GM的心墙堆石坝的沉降预测 | 第51-61页 |
| 6.1.1 基于GM模型的心墙堆石坝沉降分析 | 第52-55页 |
| 6.1.2 PCA-ANFIS模型对GM模型的残差修正 | 第55-58页 |
| 6.1.3 基于ANIFS-GM的心墙沉降预测 | 第58-61页 |
| 6.2 基于GA-BP模型的心墙沉降预测分析 | 第61-63页 |
| 6.3 基于组合模型的心墙沉降预测 | 第63-74页 |
| 6.3.1 以最小预测误差平方和为目标函数的线性组合预测模型 | 第65-71页 |
| 6.3.2 采用考虑时间影响神经网络的非线性组合模型 | 第71-74页 |
| 6.4 小结 | 第74-76页 |
| 第七章 结论与展望 | 第76-78页 |
| 7.1 结论 | 第76-77页 |
| 7.2 展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 发表论文和参加科研情况说明 | 第83-84页 |
| 附录 | 第84-86页 |
| 致谢 | 第86-87页 |
