边坡位移序列的预测模型研究与应用

论文摘要

位移是边坡变形过程反馈出的重要信息。对监测得到的位移序列进行建模分析可以发现边坡变形规律和趋势,并预测未来的变形值,在工程上具有重要意义。现有的预测模型中,统计模型应用最广泛,但存在通用性差、建模复杂等不足。本文将径向基函数(RBF)网络模型应用到边坡变形预测中,并和统计模型进行对比研究,主要研究内容包括:(1)研究了灰色系统模型等3种常用的统计预测模型,总结了它们在应用中的优势和存在的问题;(2)着重研究了径向基函数(RBF)网络模型在边坡位移序列预测中的应用,利用人工免疫算法对网络结构进行了优化改进;(3)综合统计模型和RBF网络模型的优势特点,建立适用于边坡变形预测的组合模型;(4)基于MATLAB的GUI功能开发了系统软件,实现了边坡变形位移序列的建模分析和预测。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景和目的
• 1.2 国内外研究现状
• 1.3 问题的提出及论文的研究内容
• 2 统计预测模型的基本原理
• 2.1 灰色系统模型
• 2.1.1 基本原理
• 2.1.2 原始数据的检验
• 2.1.3 GM（1,1）模型
• 2.1.4 模型的预测和检验
• 2.2 时间序列分析模型
• 2.2.1 模型的形式
• 2.2.2 模型的识别和定阶
• 2.2.3 模型的参数估计
• 2.2.4 模型的检验
• 2.2.5 模型的预测
• 2.3 指数平滑模型
• 2.4 本章小结
• 3 RBF 神经网络模型的原理及优化
• 3.1 人工神经网络概述
• 3.1.1 基本原理
• 3.1.2 优势和存在的问题
• 3.2 RBF 网络的基本原理
• 3.2.1 径向基函数（RBF）
• 3.2.2 RBF 网络的结构
• 3.2.3 RBF 网络的映射机理
• 3.3 RBF 网络的训练准则和常用算法
• 3.3.1 网络中心的确定
• 3.3.2 网络权值的调整
• 3.4 基于人工免疫算法的 RBF 网络优化
• 3.4.1 免疫系统基本理论
• 3.4.2 RBF 网络和免疫系统的相似性
• 3.4.3 免疫算法在 RBF 网络优化中的应用
• 3.5 RBF 网络的建立和预测
• 3.5.1 数据的归一化
• 3.5.2 网络模型的建立
• 3.6 本章小结
• 4 实例应用与分析
• 4.1 实例数据
• 4.2 统计模型的实例应用
• 4.2.1 GM（1,1）模型
• 4.2.2 AR 模型
• 4.2.3 三次指数平滑模型
• 4.2.4 小结
• 4.3 RBF 网络模型的实例应用
• 4.3.1 RBF 网络的预测分析
• 4.3.2 免疫算法对 RBF 网络的优化效果分析
• 4.3.3 小结
• 4.4 组合预测模型的建立及实例应用
• 4.4.1 组合模型的建立
• 4.4.2 组合模型的应用分析
• 4.5 本章小结
• 5 边坡变形预测系统设计与实现
• 5.1 系统结构设计
• 5.2 系统开发环境
• 5.3 系统实现
• 5.3.1 系统主界面
• 5.3.2 文件操作及数据预处理
• 5.3.3 数据预处理
• 5.3.4 建模分析与预测
• 5.3.5 图形显示
• 5.4 本章小结
• 6 结论与展望
• 6.1 结论
• 6.2 展望
• 攻读硕士学位期间公开发表的学术论文
• 致谢
• 参考文献