声明
第一章 绪 论
1.1研究背景和意义
1.2 蚁群算法研究现状
1.3 支持向量机研究现状
1.4 边坡变形预测研究现状
1.5 本文研究内容
1.6 论文结构安排
第二章 蚁群算法
2.1 蚁群算法概况
2.2 蚁群算法的生物基础
2.3 真实蚂蚁与人工蚂蚁的异同
2.4 蚁群算法基本原理
2.5 蚁群算法的优缺点
2.6 蚁群算法的主要应用
2.7 本章小结
第三章 统计学习理论与支持向量机
3.1 机器学习理论
3.2 统计学习理论
3.3 支持向量机
3.4支持向量机参数的影响
3.5 支持向量机训练算法
3.6 SVM工具箱简介
3.7本章小结
第四章 改进的ACO优化SVM参数的研究
4.1 核函数
4.2 改进的蚁群算法思路
4.3 改进的蚁群算法步骤
4.4改进蚁群算法的验证
4.5 改进ACO算法优化SVM参数
4.6改进的ACO-SVM模型预测边坡变形步骤
4.7本章小结
第五章 改进ACO优化SVM参数的边坡变形预测应用
5.1模型精度评价指标
5.2计算环境与方法
5.3工程应用
5.4本章小结
第六章 总结与展望
6.1总结
6.2展望
参考文献
致谢
攻读学位期间的研究成果