基于神经网络及遗传算法技术的边坡稳定性评价研究
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 1 绪论 | 第11-24页 |
| ·引言 | 第11-13页 |
| ·边坡稳定性研究现状 | 第13-20页 |
| ·边坡的变形与破坏 | 第13-16页 |
| ·边坡稳定性的分析方法 | 第16-20页 |
| ·边坡稳定性分析方法的局限性及发展方向 | 第20-22页 |
| ·边坡稳定性评价方法的局限性 | 第20-21页 |
| ·边坡稳定性研究中的问题 | 第21-22页 |
| ·边坡稳定性研究的发展趋势 | 第22页 |
| ·本文的主要研究内容 | 第22-23页 |
| ·小结 | 第23-24页 |
| 2 人工神经网络及其进化技术 | 第24-41页 |
| ·人工神经网络概述 | 第24-26页 |
| ·神经元模型 | 第24-25页 |
| ·神经网络的互连模式 | 第25页 |
| ·神经网络的工作方式 | 第25页 |
| ·神经网络的基本性质 | 第25-26页 |
| ·BP神经网络 | 第26-29页 |
| ·BP网络结构 | 第26-27页 |
| ·BP网络的学习规则 | 第27-29页 |
| ·BP神经网络的不足及改进 | 第29页 |
| ·自组织竞争神经网络 | 第29-33页 |
| ·竞争学习的基本原理 | 第29-31页 |
| ·自组织特征映射网络 | 第31-33页 |
| ·遗传算法的基本原理 | 第33-40页 |
| ·遗传算法概述 | 第33-34页 |
| ·标准遗传算法的设计方法 | 第34-39页 |
| ·遗传算法对神经网络结构的优化设计 | 第39-40页 |
| ·小结 | 第40-41页 |
| 3 边坡样本的标准化预处理及神经网络分类 | 第41-55页 |
| ·因素的无量纲化理论 | 第41-47页 |
| ·无量纲化的基本方法 | 第41-43页 |
| ·无量纲化方法选择准则 | 第43-44页 |
| ·无量纲化方法的选用 | 第44-47页 |
| ·SOM网络边坡稳定性样本的归类 | 第47-49页 |
| ·自组织竞争神经网络的编程 | 第47-48页 |
| ·边坡实例的SOM网络归类 | 第48-49页 |
| ·边坡样本SOM神经网络分类方法的检验 | 第49-54页 |
| ·实例的分类计算 | 第49-53页 |
| ·SOM网络边坡样本归类的结论 | 第53-54页 |
| ·小结 | 第54-55页 |
| 4 边坡稳定性预测的神经网络及遗传算法程序设计 | 第55-64页 |
| ·BP神经网络的编程 | 第55-56页 |
| ·BP网络的初始设置 | 第55页 |
| ·BP网络算法编程 | 第55-56页 |
| ·遗传算法的编程 | 第56-60页 |
| ·边坡稳定性预测神经网络拓扑结构的编码方案 | 第56-58页 |
| ·编码的编程 | 第58-59页 |
| ·适应度的编程 | 第59页 |
| ·交叉选择的编程 | 第59-60页 |
| ·边坡稳定性预测的优化神经网络算法步骤及流程图 | 第60-63页 |
| ·优化神经网络的计算步骤 | 第60-62页 |
| ·优化神经网络结构流程图 | 第62-63页 |
| ·小结 | 第63-64页 |
| 5 边坡稳定性预测计算实例 | 第64-69页 |
| ·遗传算法优化网络结构计算 | 第64-65页 |
| ·边坡实例的求解 | 第65-67页 |
| ·基于优化神经网络的边坡实例求解 | 第65-67页 |
| ·其它神经网络对边坡实例的求解 | 第67页 |
| ·结果分析 | 第67-68页 |
| ·小结 | 第68-69页 |
| 结论与展望 | 第69-71页 |
| 结论 | 第69页 |
| 展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 附录A(攻读硕士期间所发表的论文) | 第76-77页 |
| 附录B(源程序代码) | 第77-84页 |
| 致谢 | 第84页 |
