文摘
英文文摘
声明
第1章绪论
1.1变形监测研究的背景和意义
1.2变形分析与预报的研究现状和进展
1.3变形监测技术的进步对变形监测带来的影响
1.4本论文的主要研究内容
第2章变形监测网的附加基准法平差及稳定性分析
2.1引言
2.2平差的基准问题
2.2.1基准的定义
2.2.2监测网平差基准的选择
2.3用附加基准方程法统一平差方式及进行成果转换
2.3.1用附加基准方程法进行经典平差
2.3.2不同基准条件下平差方式的统一形式
2.3.3不同基准条件下平差成果的相互转换
2.3.4附加基准法在GPS变形监测网平差中的应用
2.4顾及起算数据误差的附加基准平差
2.4.1精密平差中考虑起算数据误差影响的必要性
2.4.2顾及起算数据误差的附加基准法进行独立网平差
2.4.3扩展网参数精度与高级网参数精度的关系
2.4.4顾及起算数据误差的不同基准下的成果转换
2.4.5附加基准法经典自由网平差算例
2.5用附加基准法平差附合网及考虑起算数据误差的影响
2.5.1在附合网平差中考虑起算数据误差的意义
2.5.2用附加基准法平差附合网
2.5.3考虑起算数据误差的附合网平差
2.5.4附加基准法平差附合网算例
2.6监测网稳定性分析
2.6.1多期观测单位权中误差的综合估计
2.6.2图形一致性检验
2.6.3不稳定点搜索
2.7本章小结
第3章混合遗传算法及其在控制网平差中的应用研究
3.1引言
3.2遗传算法及其工作原理
3.2.1遗传算法的工作原理
3.2.2遗传算法的特点及优势
3.2.3改进的遗传算法
3.3改进遗传算法在非线性平差中的应用
3.3.1用遗传算法进行非线性平差的适应函数
3.3.2用遗传算法计算参数估值
3.3.3非线性算法参数的精度估算
3.4算法设计及最优遗传算子的确定
3.4.1非线性回归分析
3.4.2函数的非线性强度
3.4.3遗传算法实验设计
3.4.4算例
3.5用单纯形法对遗传操作进行改进的混合遗传算法
3.5.1无约束条件的单纯形法
3.5.2遗传算法与单纯形法结合的混合算法
3.5.3仿真试验
3.5.4混合遗传算法在控制网平差中的应用
3.6本章小结
第4章改进的神经网络预测模型
4.1引言
4.2神经网络及BP算法
4.2.1神经网络的基本元素
4.2.2 BP网络及其学习算法
4.3用遗传算法改进的BP前馈神经网络
4.3.1遗传算法与BP算法结合的工作原理
4.3.2用遗传算法优化神经网络结构
4.3.3将遗传算法用于神经网络连接权值的训练
4.4神经网络使用数据的预处理
4.4.1数据处理的方法与步骤
4.4.2异常值的定位及剔除
4.4.3数据的变换处理
4.5变形预报的组合预测
4.6实例分析
4.6.1神经网络模型进行变形预测的过程
4.6.2改进的神经网络与普通神经网络预测结果比较
4.6.3用指数平滑法和自回归法预测结果比较
4.6.4组合预测结果分析
4.7本章小结
第5章基于ARMA新息模型的自适应Kalman滤波及预报
5.1引言
5.2向量时间序列分析模型
5.3模型参数的RLS估计
5.3.1模型参数的LS算法及RLS算法
5.3.2向量ARMA模型的模型参数估计
5.4最优递推Kalman滤波器及预报器
5.4.1正交投影原理在Kalman滤波中的应用
5.4.2Kalman最优递推预报器和滤波器
5.4.3 Riccati方程及其解算
5.5渐近稳定的稳态Kalman滤波
5.6Kalman状态空间模型与时间序列模型的相互转化
5.6.1状态空间模型化为ARMA模型
5.6.2将空间状态模型中的两个噪声系统合并成一个MA模型
5.6.3将ARMA模型化为状态空间模型
5.7用ARMA新息模型参数求取∑阵和KP阵
5.8自适应滤波及其在隧道变形分析中的应用
5.9新息模型预报器及其在隧道变形预测中的应用
5.10本章小结
第六章结论与展望
6.1结论
6.2进一步工作的方向
致谢
参考文献
在读期间发表的学术论文与研究成果