| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 隧道损伤与健康的研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 隧道损伤识别研究现状 | 第12-13页 |
| 1.2.2 隧道健康研究现状 | 第13-14页 |
| 1.2.3 蚁群聚类算法研究现状 | 第14页 |
| 1.3 本文研究的主要内容、目标与方法 | 第14-15页 |
| 1.3.1 研究目标 | 第14-15页 |
| 1.3.2 研究内容 | 第15页 |
| 1.3.3 研究方法 | 第15页 |
| 1.4 蚁群聚类算法的优势 | 第15-16页 |
| 1.4.1 其他智能算法介绍 | 第15-16页 |
| 1.4.2 蚁群聚类算法的优势 | 第16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 第2章 隧道损伤分析与隧道健康判定指标遴选 | 第18-25页 |
| 2.1 隧道损伤分析 | 第18-19页 |
| 2.1.1 隧道损伤研究的两大方向 | 第18-19页 |
| 2.1.2 隧道损伤识别的确定 | 第19页 |
| 2.2 隧道健康判定指标遴选 | 第19-24页 |
| 2.2.1 隧道健康的影响因素 | 第21页 |
| 2.2.2 隧道健康判定指标的初步确定 | 第21-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 蚁群聚类相关理论 | 第25-32页 |
| 3.1 聚类分析的相关概念 | 第25-29页 |
| 3.1.1 聚类问题模型 | 第26-28页 |
| 3.1.2 相似性度量方法 | 第28-29页 |
| 3.2 蚁群算法的基本原理 | 第29-30页 |
| 3.3 基于蚂蚁觅食原理的聚类算法 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 改进的蚁群聚类组合算法及其应用概述 | 第32-44页 |
| 4.1 基于信息素的K-means算法 | 第32页 |
| 4.2 遗传变异 | 第32-33页 |
| 4.3 遗传变异与基于信息素的K-means算法组合的改进蚁群聚类算法 | 第33-35页 |
| 4.3.1 改进算法的主要思想 | 第33-34页 |
| 4.3.2 相关公式 | 第34页 |
| 4.3.3 改进算法描述 | 第34-35页 |
| 4.4 改进的蚁群聚类组合算法应用 | 第35-42页 |
| 4.4.1 训练学习与测试 | 第35-40页 |
| 4.4.2 R型聚类 | 第40-42页 |
| 4.4.3 Q型聚类 | 第42页 |
| 4.5 改进算法应用描述 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 蚁群聚类算法在隧道损伤识别与健康判定中的应用 | 第44-67页 |
| 5.1 蚁群聚类算法在隧道健康判定中的应用 | 第44-54页 |
| 5.1.1 工程概况 | 第44-47页 |
| 5.1.2 数据准备 | 第47-49页 |
| 5.1.3 判定指标体系的建立 | 第49-51页 |
| 5.1.4 隧道健康判定与分析 | 第51-54页 |
| 5.2 蚁群聚类算法在隧道损伤识别中的应用 | 第54-66页 |
| 5.2.1 数据准备 | 第54-57页 |
| 5.2.2 建立损伤识别的指标体系 | 第57-60页 |
| 5.2.3 聚类中心裂缝宽度值的计算 | 第60-62页 |
| 5.2.4 因素相对重要程度的确定 | 第62-64页 |
| 5.2.5 损伤程度识别 | 第64-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 结论与建议 | 第67-69页 |
| 6.1 结论 | 第67页 |
| 6.2 建议 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 在学期间发表的论著及取得的科研成果 | 第73页 |