一、水文预测的BP网络模型及其拟合度分析（论文文献综述）
张宏雪[1]（2021）在《基于InSAR与机器学习的延安新区沉降监测与预测研究》文中指出由于黄土高原城市化进程的加快,导致该地区城市发展空间不足。受地形以及上覆黄土极易开挖等因素的影响,黄土高原成为我国“削山造地”的主要分布区,如兰州新区、山西吕梁机场、延安新区等。大规模填挖方对原有地形地貌以及地质、水文条件等的改变导致了严重的地面沉降问题,因此开展长时间尺度与区域范围的沉降监测对于黄土高原城市安全建设尤为重要。与传统的单点地面沉降监测相比,In SAR（Interferometric Synthetic Aperture Radar,合成孔径干涉测量技术）可提供大范围、长时间尺度、高精度的变形数据。利用集成遥感技术开展建筑物高度对沉降速率的影响以及基于机器学习的沉降速率的预测的研究较为少见,基于此,本文选择黄土高原上“削山造地”的典型案例延安新区为研究对象,以工程地质学、土力学、遥感科学、地理信息科学等中的相关理论为依据,利用已有研究成果,借助SBAS-In SAR技术、阴影测高法、激光测距、野外工程地质勘察等手段,综合分析建筑物高度、建成时间、降水等因素对延安新区填挖方区域地面沉降的影响。在此基础上,利用机器学习的方法,开展填挖方区域单点地面沉降速率预测研究,甄选出适合延安新区地面沉降的预测模型。其中集成遥感技术的使用,为开展建筑物高度对沉降速率的影响研究提供一种新思路,沉降预测中RBF径向基网络的应用是对沉降预测新的探索。以上研究成果可为黄土高原“削山造地”区的地面沉降监测与预测提供新思路,为填挖方区域的后期规划建设提供参考。本论文共取得了如下3个主要研究成果:（1）沉降规律:延安新区2015-2019年LOS（视线）向形变速率为-52～12mm/yr,垂直向形变速率为-74～18 mm/yr,最大累积沉降250mm;延安新区存在带状沉降中心,沉降区域与填方区域形状基本吻合;填方区沉降速率呈慢-快-较快的变化,据此判定其处于主固结阶段;挖方区出现抬升-沉降形变。（2）沉降成因:填方区剖面数据相关分析发现填方土越厚,原状土越薄,沉降量越大,原状土越厚,填方土越薄,沉降量越小,说明相对于原状土,填方土厚度对沉降的影响更大;填挖方区建筑荷载对沉降影响差异较大,填方区高层建筑产生少量沉降,因填方厚度与地基处理的差异,低层建筑的沉降高于高层建筑;挖方区在近同等挖方深度下,低层建筑重力受抬升力抵消出现抬升现象,高层建筑出现少量沉降现象;降水与形变对比发现降水增加时填挖方区都未出现湿陷沉降,但挖方区随降水增加出现隆升变形。（3）沉降预测:利用BP神经网络进行时序沉降预测,3种算法（Feedforward、Cascadeforward、Elman）中,Cascadeforward算法最适合时序预测,预测所选形变点84天后沉降160mm;采用BP网络和RBF网络进行沉降单点空间预测,发现RBF径向基网络预测的精度更高,更适合单点空间预测,预测到纯填方区域随机抽取点的沉降为194～228mm,纯挖方区形变为-8～19mm。
游洪[2]（2021）在《基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测》文中研究指明地面沉降被国内外相关研究者广泛关注,是城市发展、过度开采地下资源等因素而产生的地质灾害问题,对建筑物、南水北调等安全运营产生一定影响。同时,区域发生不均匀沉降,沉降差异值较大,则其对高速铁路轨道的平滑性产生较大影响,对高速铁路沿线的区域沉降特征及沉降发展变化趋势的研究是很必要,对高速铁路安全运营有着重要意义,其获取时序沉降值及变化趋势能为有关部门提供一定的参考信息。本文研究主要工作如下:（1）用覆盖研究区内2018年5月-2020年8月期间的升降轨SAR数据,基于SBAS-In SAR技术获取了升降轨的年均沉降速率和沉降序列值,分析了高速铁路沿线区域形变特征。分析表明:升降轨模式下的年均沉降速率、沉降序列值变化趋势具有较高的一致性;共探测出7个较明显沉降区,总沉降面积达1620km2。高速铁路沿线在该沉降内总长度达121km,年均沉降速率在-26mm/yr-18mm/yr。（2）以年均沉降速率为研究对象,进一步分析了影响区域沉降的因素,还分析了区域沉降可能对高速铁路产生影响。研究发现:开采石油、盐田等人类活动会影响地面沉降;研究区内高速铁路沿线区域发生不同程度非均匀沉降,将会对轨道的平滑性、稳定性产生一定的影响。（3）用BP神经网络及其优化后的三种预测模型对高速铁路沿线沉降区域内7个沉降点沉降序列值进行训练与预测等分析。结果发现:对沉降序列值进行2层小波分解降噪,降噪效果最佳,降噪后沉降值序列值更加平滑;遗传算法和粒子群算法有一定的优化作用,遗传算法的优化效果最佳,预测值均方根误差最小,粒子群算法次之。
刘献[3]（2020）在《洛河流域径流变化定量分析及径流预报研究》文中进行了进一步梳理河川径流变化影响着一个流域社会经济的发展,对径流变化的研究一直是水文学家备受关注的问题,目前的研究主要有两个方面:其一是定量分析气候变化和人类活动对径流变化的贡献率大小,其二,针对时间序列的径流变化,如何准确有效地预测某一流域未来径流量。定量研究气候变化和人类活动对径流的影响以及导致径流变化的主要因素对流域水资源的可持续管理具有重要意义;同时能够对径流预报做出有效地准确预测,为流域内水资源利用和管理提供可行的方案。本文基于洛河流域1961-2016年长水水文站的水文气象数据,采用了5年滑动平均法、Mann-Kendall趋势检验法和R/S分析法进行了趋势分析,应用了Mann-Kendall突变检验法进行了突变检验分析,进而采用累积量斜率变化率比较法定量区分人类活动和气候变化对径流影响的贡献率。最后采用岭回归分析模型和R/S灰色组合模型对洛河流域长水水文站的径流量预测做了研究分析。结论如下:（1）趋势分析的结果表明:1961-2016年期间洛河流域年降水量呈不显着下降趋势,同时在未来一段时间具有较弱的持续下降趋势;年径流量和年蒸发量呈显着下降趋势,并且在未来一段时间具有显着持续下降趋势;而年均气温呈显着的上升趋势并且在未来一段时间具有持续上升趋势。突变分析的结果表明:年降水量有多个突变点分别在1966年、1968年、1973年、1977年、1985年和1989年;年径流量的突变点在1977年;蒸发量突变点在1999年;气温在1998年发生突变。（2）气候变化和人类活动对洛河流域径流的贡献率研究表明:采用累积距平法识别年径流量和年降水量变化过程中的突变年份都是1985年。基于累积量变化率比较法以1961-1985年为基准期,1985-2016年为突变期,在突变期内,人类活动对径流减少的贡献率为57.08%,降水对径流量减少的贡献率为15.85%,蒸发对径流量较少的贡献率在27.07%。最后得出人类活动是影响径流的主要因素。（3）基于岭回归分析模型对洛河流域长水水文站径流量进行预测研究结果表明:采用岭回归模型以1961-2010年50年的水文气象数据作为分析样本,对2011-2016年洛河流域径流量进行了预测,结果显示利用岭回归分析模型预测结果合格率为50%,预测精度较低。（4）基于R/S灰色组合模型对洛河流域长水水文站径流量进行预测研究结果表明:采用R/S灰色组合模型对2011-2016年径流量进行预报结果精度达到81.58%,而由单一灰色理论模型预测结果精度为53.83%,说明在进行流域年径流量预测时,R/S灰色组合预测模型明显优于单一的灰色预测模型。
贾志才[4]（2020）在《地铁盾构施工变形安全监测及预测分析 ——以常州地铁一号线盾构穿越常州站为例》文中认为随着社会经济不断发展,大城市人口聚集导致地面交通阻塞,给人们出行带来极大不便。为此,人们把目光投向地下空间的开发和利用,地铁以其方便、快捷等独特优势受到青睐。目前,我国大城市的地铁隧道施工一般采用盾构法,该方法虽然便捷但易产生地表沉降、破坏地表建（构）筑物等问题,因此如何降低盾构施工对上覆地表的影响成为该领域的热门课题之一。为了分析常州地铁一号线常州火车站站～博爱路站区间在国铁常州火车站附近前后下穿沪宁城际铁路与京沪普速铁路这一较为特殊工程盾构施工对地表的影响,论文展开安全监测和变形预测等系列分析。首先,分析盾构施工对地表建构筑物影响机理,隧道施工过程中将对铁路线路及其出站地道、站房等设施影响,重点是使铁路轨道发生沉降和水平位移以及降低建构筑物地基承载力、损害基础和结构等影响。其次,基于铁路目前处于运营阶段,常规的变形监测技术难以实施,经过比选对不便于开展常规变形监测的既有线变形提出了测量机器人法自动化监测;设计了依托项目的监测方案,确定建构筑物的沉降和水平位移、站台限界以及路基、轨枕变形是重点监测对象,并制定了信息化自动反馈机制,实现监测信息及时反馈盾构施工。再次,通过监测统计出盾构施工阶段各监测项目的最大累计变化量,形成的时程变化曲线图,可以直观了解各监测项目变化规律和趋势。最后,利用小波去噪优化的GM（1,1）灰色预测模型和BP模型进行结构变形预测分析。研究结果表明,盾构施工过程中有轨枕累计变形值报警的情况,可能会危及地表建筑和行车安全,必须展开有效的安全监测和制定有效的防护措施。通过及时采取有效措施,工后三个月监测点变形速率在0.01～0.04mm/d之间,总体而言各监测点累计变形量均在变形控制值内。两种预测分析结果表明两者对结构变形预测都具有较好的效果,但在贫信息情况下BP神经网络模型预测效果相对较差,但增加已知有效数据,其效果有较大幅度提升,基本可以达到GM（1,1）灰色模型一样的效果甚至更佳。
苏靖晰[5]（2020）在《低能见度条件下的航班延误及恢复预测方法研究》文中研究说明21世纪以来,随着国家经济建设与工业生产的高速发展,航空交通运输成为人们选择的主要出行方式之一,因而航空安全性及准点率越来越受到人们的密切关注。而飞机积冰、颠簸、雷暴、风切变以及低能见度等气象因素是影响航班正常运行的重要原因之一,其中西南地区机场受低能见度影响尤为显着。本文以成都双流机场2014-2018年5年间的气象数据、大气气溶胶和大气污染物数据对机场航班延误及恢复进行预测,主要内容由以下三个部分组成:多元非线性分析、低能见度预测、航班延误及恢复预测,具体概述如下:多元非线性分析部分,先进行能见度与其影响因子之间的变化趋势及相关性分析,确定3个主要影响因子及3个次要影响因子。由于能见度观测值受观测仪器量程的影响,为了数据的规范化,剔除数值为10km的数据组,对3个主要影响因子做多元非线性拟合,用得到的拟合方程对剔除数据组的能见度做反向计算得到的优化数据,优化数据组中的能见度与其影响因子之间的任何非线性相关性均较原数据组要高,且主要影响因子与能见度之间的相关函数为S型函数。在低能见度预测方面,根据双流机场的实际低能见度运行程序设定3个能见度等级标准。由于一般BP神经网络存在局限性,所以构建经遗传算法优化的BP神经网络预测模型对接下来1h,2h,3h的能见度分别做预测,结果显示预测模型具有较好的精准度。在航班延误及恢复预测方面,双流机场的小时排班量与小时延误量具有很强的规律型,进行拟合得到代表其规律性的(4（）和（）函数,建立对航班延误及恢复时间的预测模型,该预测模型与(4（）和（）函数结合能较好的预测延误航班的恢复时间。根据文中的两类预测模型的预测结果精准度,可对运行的机场进行航班延误及恢复做提前预测。针对即将到来的低能见度天气或即将恢复的延误航班,空管、机场和航空公司等单位都可以提前制定相应的应急策略和人员安排等工作。
张晓侠[6]（2020）在《基于BP神经网络预测织机效率》文中进行了进一步梳理本文旨在建立织机效率预测模型,根据已有的生产工艺参数运用BP神经网络及其改进算法进行预测,填补国内外在这一领域的空缺。课题主要工作有:首先,进行数据的收集与整理。将纺织厂中收集的数据先转化为国际通用单位符号。然后将整理完的数据因素利用SPSS软件与织机效率分别进行相关性分析,从理论上确定各个因素和织机效率有无相关性,以便于最终确定神经网络结构的输入参数。其次,建立预测模型,本文共设计三种预测模型。基于BP人工神经网络预测织机效率,先利用训练样本确定每层神经元个数,并随机生成权值阈值等参数;然后计算各层网络输出,调整权值阈值,直到满足误差需求;最终建立以影响因子为输入,以织机效率和十万纬经停为输出的神经网络。基于主成分分析和BP人工神经网络预测织机效率,由于BP神经网络存在收敛速度慢的问题,故本文提出了利用主成分分析法先将众多输入参数进行降维,减少变量的个数及变量间的相关性,然后再将经过预处理的主成分作为神经网络的输入,进行仿真。遗传算法改进BP神经网络预测织机效率,利用遗传算法优化BP神经网络进化过程中的权值阈值,再将最优权值阈值经BP网络仿真。模型建立后进行试验和验证。试验结果表明:BP神经网络预测模型、主成分分析法结合BP神经网络预测模型和用遗传算法改进BP神经网络三种网络模型训练相关系数均大于0.8,都具有较好的训练效果。验证结果表明:三种预测模型不仅可以同厂也可用其他工厂,说明三种预测模型的可使用性。三种预测模型中基于遗传算法优化改进的BP神经网络模型预测效果最好。最后,进行织机效率智能预测系统软件设计。智能预测系统软件设计分为智能预测模块和数据库创建及管理两大模块,智能预测模块是本课题研究的核心,主要目的是通过计算机及计算机算法实现对织机效率快速准确的预测。数据库模块作为智能预测系统后台数据管理的支撑,主要实现训练样本数据和测试样本数据的查询、储存和事务处理等功能。
路尧[7]（2019）在《大型机场旅客城市空间分布预测与交通方式选择行为研究》文中认为机场是城市大规模客流的集散点,航空运输因其速度快、便捷性强、舒适度高、辐射范围广等特点,在综合交通运输体系中占据了重要地位。随着我国经济发展和城市化进程的加快,航空运输也发展到了一个全新的阶段,机场体量和规模不断攀升,目前我国大型机场的年旅客吞吐量普遍超过4000万人次。从国内外大型机场的建设规划经验来看,由于大型机场往往远离市区,引入轨道交通变得越来越普遍,如果没有快速便捷的轨道交通连接机场和市区,大型机场的成功运作很难实现。因此,为保障城市航空运输服务的快捷高效,增强大型机场规划设计的合理性,围绕大型机场的需求分布、旅客的出行特征等一系列问题进行系统的研究和分析,已具备十分重要的理论价值和现实意义。论文依托中国民用航空局重大专项科技项目“北京新机场智能型综合交通枢纽建设关键技术研究与应用”子课题1“以机场为主体的大型区域综合交通枢纽战略规划技术”以及子课题5“与超大机场协调的轨道交通布局规划与设计技术”,研究工作以大型机场为研究对象,分别进行了大型机场交通基本特征分析、大型机场旅客城市空间分布预测、大型机场旅客交通方式选择行为、大型机场轨道旅客空间分布预测四个问题的研究。对大型机场交通基本特征的分析,主要是以实地调查、手机信令以及公交IC卡等多源数据为基础,提出基于手机信令数据的旅客出行OD识别方法以及基于手机信令数据的机场轨道旅客识别方法,对大型机场的旅客属性、出行特征、时空分布、公交出行特征、轨道乘客特征等进行分析与总结。对大型机场旅客城市空间分布预测方法的研究,主要是借助手机信令数据分析得到的旅客空间分布,考虑用地、人口等因素,对大型机场旅客城市空间分布的影响因素进行分析,然后确定以交通小区的居住人口、工作人口以及交通小区至机场的距离为输入变量,以交通小区机场旅客的所占百分比为输出变量,分别建立基于修正重力模型、广义回归神经网络和遗传BP神经网络的大型机场旅客城市空间分布预测模型,并对模型预测效果进行对比分析,通过比较发现广义回归神经网络和遗传BP神经网络预测的效果优于重力模型,其中遗传BP神经网络的预测效果更好,最后基于该预测方法对2025年首都国际机场以及北京新机场的旅客空间分布进行预测。对大型机场旅客交通方式选择行为的研究,首先分析了机场旅客交通方式选择的特征及其影响因素,得到大型机场旅客到离港的主要出行链路,同时根据旅客特性及交通方式的选择行为提出基于AP算法的旅客分类,然后以出行链为方式划分,并结合广义费用的概念,建立考虑经济性、快速性、方便性、舒适性、安全性、准时性的出行链广义费用函数,并分别为不同类型的旅客构建基于非集计选择模型的大型机场旅客交通方式选择模型,将该模型与不考虑旅客分类的模型进行对比,发现考虑旅客分类的大型机场旅客交通方式选择模型预测效果更好,最后以北京新机场为例,进行了北京新机场的出行方式比例划分研究。对大型机场轨道旅客空间分布预测方法的研究,首先根据旅客出行方式选择的心理过程,对机场轨道客流影响因素进行分析,得出机场轨道可达性以及交通方式的广义费用两大影响因素,并提出大型机场轨道交通可达性的定义与模型,最后基于手机信令数据,以各类交通方式的广义出行费用、机场轨道交通可达性作为输入变量,以各交通小区内的机场轨道客流分担率为输出变量,分别构建基于广义回归神经网络和遗传BP神经网络的机场轨道客流空间分布预测模型,并对模型预测效果进行对比分析,对比发现基于广义回归神经网络的大型机场旅客空间分布预测方法效果更好,同时以北京新机场为例,对新机场的轨道旅客分布进行了预测。论文通过对大型机场交通基本特征分析、大型机场旅客城市空间分布预测、大型机场旅客交通方式选择行为、大型机场轨道旅客空间分布预测等一系列问题的深入研究,为未来大型机场的建设规划,城市相关设施的合理匹配提供了重要的科学参考与理论支撑。
薛天一[8]（2019）在《苏州太湖饮用水源地蓝藻水华预警研究》文中进行了进一步梳理饮用水的安全保障对太湖流域经济与社会可持续发展具有重要意义。蓝藻水华的暴发作为太湖水环境问题的突出问题,对饮用水安全保障具有重要影响。本文以苏州太湖渔洋山饮用水源地为研究对象,研究分析近年来太湖水源地蓝藻水华暴发状况、特征及变化趋势,对水源水相关指标进行监测,选取合适的蓝藻水华预测指标,筛选确定相应的敏感环境因子并就两者变量关系建立苏州太湖水源地蓝藻水华预测模型,确定太湖蓝藻水华预警阈值,建立苏州太湖水源地蓝藻水华预警方法。对水源地蓝藻水华暴发情况进行科学有效的预测预警,可为苏州太湖饮用水源地蓝藻水华防治提供指南,对饮用水的安全保障具有重要意义。本文的主要研究内容与结论如下:（1）太湖蓝藻水华暴发状况与特征的分析反映出近年太湖蓝藻水华暴发程度、次数及规模呈现上升趋势,太湖蓝藻水华局势不容乐观。2016年太湖蓝藻数量已超8000万个/升,其程度已达重度水平;2014年2017年蓝藻水华一共暴发387次,次数占比结构逐渐偏向于重大型蓝藻水华;历年最大规模蓝藻水华（1403km2）出现在2017年5月,已达重大型蓝藻水华级别,每年两大高发期的暴发规模逐渐扩大。（2）对苏州太湖水源水相关指标监测数据的分析反映了叶绿素a、嗅味物质与其他水质指标的分布及动态变化趋势情况,其中叶绿素a与嗅味物质含量变化特征与蓝藻水华的相一致,其极大值出现在蓝藻水华的高发期。叶绿素a浓度的变化范围为10.8μg/L55.6μg/L,土臭素的浓度范为1.75ng/L5.72ng/L,2-甲基异莰醇的浓度变化范围为3.93ng/L11.83ng/L,β-紫罗兰酮的浓度范围为4.92ng/L13.38ng/L。故将叶绿素a与嗅味物质作为蓝藻水华预测的指示指标。其他水质指标除pH与总磷外均呈现明显的变化趋势,部分指标表现出与蓝藻水华的相关性。（3）综合相关性分析与主成分分析的结果,筛选确定出叶绿素a与嗅味物质的敏感因子。叶绿素a的敏感因子为总磷、总氮、氨氮、高锰酸盐指数、溶解氧、水温及色度;土臭素的敏感因子为总磷、总氮、氨氮及溶解氧;2-甲基异莰醇的敏感因子为总磷、总氮、氨氮、高锰酸盐指数、水温及溶解氧;β-紫罗兰酮的敏感因子为总磷、总氮、氨氮、高锰酸盐指数及溶解氧。（4）基于多元回归分析与BP神经网络建立蓝藻水华预测模型,并对模型进行检验,对比与适用情况评估。叶绿素a、土臭素、2-甲基异莰醇与β-紫罗兰酮的多元回归分析模型的回归系数（调整R2）分别为0.932、0.369、0.503与0.468,相对误差分别为0.74%19.27%、8.63%35.25%、13.29%30.58%与10.91%30.30%;BP神经网络模型相对误差分别为0.66%10.59%、1.19%9.10%、0.87%8.91%与0.73%11.58%,误差分析与对比表明嗅味物质的多元回归分析效果欠佳,叶绿素a两个模型的效果均较好,另外BP神经网络模型的预测效果明显优于回归分析模型。回归分析模型主要适用于动态变化趋势的预测,可进行定性预测。BP神经网络模型既可以进行有效的定性预测还能进行较为准确的定量预测。（5）初步探究了太湖蓝藻水华预警阈值,小、中型蓝藻水华溶解氧阈值分别为6.23mg/L、3.90mg/L,小、中、大型高锰酸盐指数阈值为5.118mg/L、6.017mg/L、7.412mg/L;土臭素嗅阈值对应的溶解氧预警阈值为6.05mg/L;2-甲基异莰醇嗅阈值对应溶解氧预警阈值为7.17mg/L,氨氮预警阈值为0.037mg/L。并建立了苏州太湖饮用水源地蓝藻水华预警理论方法,为将来苏州太湖饮用水源地蓝藻水华预警提供思路和理论指导。
袁俊[9]（2019）在《基于多功能CPTU测试的液化场地大变形神经网络预测方法研究》文中提出地震灾害资料表明,强震区工程结构破坏的主要因素是饱和砂土液化所造成的地基大变形,其中包括侧向变形和竖向沉降。地震液化大变形的发生与发展是一个非常复杂的过程,目前对其研究历史较短,且主流的预测公式大多是基于场地实测资料回归得到的经验公式,不能很好的体现大变形与场地参数之间的非线性关系。此外,大多场地资料通过标准贯入试验（SPT）获取,但是测试参数单一,不连续,取样点离散度高,不利于液化场地大变形的精确预测。多功能孔压静力触探（Piezocone Penetration Testing,简称CPTU）技术作为一种新型的原位测试方法,具有测试连续、精度高、快速有效方便等特点,在液化场地资料评价方面具有明显优势。人工神经网络是一种多元非线性系统,在处理非线性关系时有以下优点:自适应性强、自组织性好、良好的自学习能力、联想、容错、抗干扰能力。因此,神经网络可以灵活地对多参数的复杂末知系统进行建模,从而实现考虑各种参数的场地液化大变形预测。本文的主要研究内容如下:（1）通过国内外文献阅读,综述大变形计算方法国内外研究现状,其中包括常规预测方法、基于CPTU的大变形预测方法和基于人工神经网络的大变形预测方法,对其进行分析,并研究神经网络在预测方面的可行性,突出神经网络在对非线性关系拟合过程中所具有的典型优势。（2）总结现有的基于CPTU测试参数的典型液化场地大变形预测方法,并对其进行分析,提出存在的问题,引入基于CPTU测试参数的液化场地大变形神经网络预测模型。以宿新高速公路可液化场地实测参数与CPTU测试资料为基础,建立场地ABAQUS有限元分析模型,预测场地中地震后地表液化大变形,并将计算结果与本文中所提出的GMDH（Group Method of Data Handling）神经网络预测方法及典型的经验公式结果进行对比,验证本文模型的可靠性。（3）利用BP（Back Propagation）神经网络、GA-BP（Back Propagation-Genetic Algorithm）神经网络、RBF（Radial Basis Function）神经网络和GMDH（Group Method of Data Handling）神经网络,以所搜集到的国内外场地的数据库为基础进行训练,分析场地参数与场地大变形之间的非线性关系,从而得到液化场地大变形预测模型。通过对常规预测方法以及神经网络预测的结果对比分析,对神经网络在液化场地大变形预测方面的可行性作出评价,并基于训练结果提出预测液化场地大变形的GMDH神经网络方法。并且,利用训练完成的神经网络模型,对场地土体参数与液化场地大变形值之间的关系进行参数定量分析,得到各个因素与液化场地大变形之间的影响关系曲线,并通过分析结果,与常规大变形预测方法影响规律进行对比分析,得出各个因素对液化场地大变形值的影响规律,从而进一步验证神经网络模型的可行性。（4）提出了使用CPTU数据改进模型参数获取途径,在江苏省宿迁高速公路液化场地中实际使用。以宿新高速为依托,根据场地的CPTU资料和钻孔资料等,利用目前典型的经验方法与本文中所提出的GMDH（Group Method of Data Handling）神经网络预测方法,对场地进行液化判别以及场地液化大变形值的预测分析。
杨亮[10]（2019）在《苦瓜片热风与红外干燥特性及品质评价》文中研究表明苦瓜是葫芦科苦瓜属植物,既是经济价值高的农作物,也是药用价值出色的中药材,富含蛋白质、维生素、胡萝卜素等营养物质,还具有皂苷等活性物质。苦瓜主要分布在热带、亚热带、温带地区,在我国种植历史悠久,有着较大的种植面积和较高的产量。我国对农产品加工业一直非常重视,目前农产品加工领域,重点支持苦瓜等果蔬中营养功能成分的提取研究,开发药食同源、养生保健的加工食品。苦瓜产业发展前景广阔但起步较晚,苦瓜精深加工工艺研究较少。新鲜收获的苦瓜湿基含水率高达95%,在贮藏及运输过程中极易受到环境温湿度和其他因素的影响,发生腐坏变质,造成营养成分和活性物质严重流失,降低经济效益。所以苦瓜除鲜食外,一部分要在短期内得到干燥处理。传统的日晒干燥方式已经不能满足大规模的生产,需要机械化的干燥方式来投入生产。热风干燥是应用最广的干燥方法,红外干燥是一种比较新型、高效、清洁的干燥方法。本文研究了苦瓜片的热风与红外干燥特性,研究了苦瓜片在不同干燥条件下的有效水分扩散系数的变化规律,得到苦瓜片热风干燥和红外干燥的活化能。基于正交试验,以有效水分扩散系数、Vc保留率、总色差和总皂苷质量分数为评价指标,得到苦瓜片热风干燥和红外干燥的最优工艺,并简要对比苦瓜片热风干燥与红外干燥后的品质。同时,对苦瓜干燥基础理论进行深入研究,建立了苦瓜片热风与红外干燥的数学模型,并且基于人工神经网络建立苦瓜片热风干燥和红外干燥的水分比模型,实现了对苦瓜干燥过程中水分比的预测。主要研究结论如下:（1）苦瓜片热风干燥过程处于降速干燥阶段,没有明显的恒速干燥阶段,不同热风干燥条件下,苦瓜片有效水分扩散系数均随着干基含水率的降低先增大后降低。切片厚度是影响有效扩散系数的最主要因素,其次是热风温度和热风风速。Page模型是描述苦瓜片热风干燥特性的最佳数学模型。热风温度、切片厚度和热风风速对苦瓜片综合品质均有显着影响,影响的主次顺序为热风温度>热风风速>切片厚度,各因素置信度分别为99.6%、98.1%和96.5%,苦瓜片热风干燥最优工艺组合为热风温度55oC、切片厚度9mm、热风风速1.2m/s。热风风速0.9m/s、切片厚度为3mm、6mm和9mm对应的苦瓜片热风干燥活化能为22.651 kJ/mol、26.850 kJ/mol和29.964 kJ/mol。（2）苦瓜片红外干燥过程基本处于降速干燥阶段,没有明显的恒速干燥阶段,不同红外干燥条件下,苦瓜片有效水分扩散系数均随着干基含水率的降低先增大后降低。Modified Page模型最适宜描述苦瓜片红外干燥特性,对苦瓜片红外干燥具有较强的适用性。苦瓜片红外干燥中温度、切片厚度、辐射距离对苦瓜片综合品质均有显着影响,影响的主次顺序为温度>切片厚度>辐射距离,各因素置信度分别为99.2%、98.9%、98.8%,苦瓜片红外干燥最优工艺组合为温度55oC、辐射距离145mm、切片厚度3mm。辐射距离145mm,切片厚度为3mm、6mm和9mm对应的苦瓜片红外干燥活化能为39.421kJ/mol、38.244 kJ/mol和39.375 kJ/mol。（3）苦瓜片红外干燥后的总色差明显小于热风干燥后样品的总色差,苦瓜红外干燥后色泽更好;苦瓜片红外干燥后总皂苷等含量与热风干燥后样品较接近。苦瓜红外干燥后综合品质满足生产要求,苦瓜红外干燥方式的生产具有推广意义。（4）基于BP神经网络,建立了苦瓜片热风干燥和苦瓜片红外干燥的水分比预测模型。BP神经网络水分比模型能有效预测苦瓜片热风干燥和红外干燥过程中的水分比变化情况,具有良好的泛化能力。热风温度55oC,风速0.9m/s,切片厚度7mm的试验条件下,Page模型预测值与试验值间的决定系数为0.9448,平均相对误差为23.47%;而BP神经网络的预测值与试验值间的决定系数为0.9975,平均相对误差为7.73%,低于Page模型预测的平均相对误差。在温度55oC,辐射距离145mm,切片厚度7mm的试验条件下,Modified Page模型预测值与试验值间的决定系数为0.9746,平均相对误差为15.46%;而BP网络预测的决定系数为0.9988,平均相对误差为3.73%。苦瓜片热风干燥和红外干燥中,BP神经网络模型预测水分比的相关度高于传统数学模型,并且神经网络模型水分比预测的相对误差低于传统数学模型。基于BP神经网络的水分比模型在预测苦瓜片干燥过程中的水分变化更具优势。
二、水文预测的BP网络模型及其拟合度分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、水文预测的BP网络模型及其拟合度分析（论文提纲范文）
（1）基于InSAR与机器学习的延安新区沉降监测与预测研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 地面沉降研究现状 |
| 1.2.2 In SAR技术研究现状 |
| 1.2.3 建筑高度提取技术研究现状 |
| 1.2.4 地面沉降预测模型研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 创新点 |
| 第二章 研究区概况 |
| 2.1 自然环境 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 气候与水文条件 |
| 2.1.4 地层岩性 |
| 2.1.5 地质构造 |
| 2.2 社会环境 |
| 第三章 研究方法原理介绍 |
| 3.1 InSAR原理 |
| 3.1.1 InSAR干涉测量原理 |
| 3.1.2 SBAS-InSAR方法 |
| 3.2 阴影测高原理 |
| 3.3 神经网络预测原理 |
| 3.3.1 BP神经网络原理 |
| 3.3.2 RBF径向基神经网络原理 |
| 第四章 基于InSAR监测的延安新区沉降结果分析 |
| 4.1 数据和结果 |
| 4.1.1 填挖方数据 |
| 4.1.2 建筑高度 |
| 4.1.3 InSAR监测沉降结果 |
| 4.2 野外验证 |
| 4.3 沉降结果分析 |
| 4.3.1 新区沉降的空间分布 |
| 4.3.2 新区沉降的时间演化 |
| 4.4 本章小结 |
| 第五章 沉降成因分析 |
| 5.1 填方对沉降的影响 |
| 5.1.1 原状黄土与填方黄土的特性 |
| 5.1.2 填方与沉降的关系 |
| 5.2 建筑加载对沉降的影响 |
| 5.2.1 建筑高度 |
| 5.2.2 建筑速率对沉降速率的影响 |
| 5.2.3 建筑时间 |
| 5.3 降水对沉降的影响 |
| 5.4 本章小结 |
| 第六章 基于InSAR数据的地面沉降神经网络预测 |
| 6.1 时序预测结果 |
| 6.1.1 Feedforward算法 |
| 6.1.2 Cascadeforward算法 |
| 6.1.3 Elman算法 |
| 6.2 单点空间沉降预测结果 |
| 6.2.1 填方区单点空间预测 |
| 6.2.2 挖方区单点空间预测 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 研究中存在的不足 |
| 7.3 展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（2）基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 星载SAR卫星发展 |
| 1.2.2 InSAR技术的发展 |
| 1.2.3 BP神经网络预测模型 |
| 1.3 研究目的与论文结构 |
| 1.3.1 研究目的 |
| 1.3.2 论文内容安排 |
| 第二章 合成孔径雷达干涉测量原理与误差分析 |
| 2.1 合成孔径雷达成像原理 |
| 2.2 合成孔径雷达成像几何畸变 |
| 2.3 合成孔径雷达干涉测量技术 |
| 2.3.1 InSAR/D-InSAR技术原理 |
| 2.3.2 InSAR技术误差来源 |
| 2.4 时序InSAR技术 |
| 2.4.1 散射体类型 |
| 2.4.2 PS-InSAR技术 |
| 2.4.3 SBAS-InSAR技术 |
| 2.5 本章小结 |
| 第三章 BP神经网络预测模型 |
| 3.1 人工神经网络概述 |
| 3.1.1 神经元模型 |
| 3.1.2 激活函数类型 |
| 3.1.3 神经网络结构 |
| 3.1.4 神经网络学习 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络正向传递 |
| 3.2.2 BP神经网络误差反向传递过程 |
| 3.2.3 BP网络神经网络的局限性 |
| 3.3 小波变换降噪原理 |
| 3.4 BP神经网络优化算法 |
| 3.4.1 BP算法优化 |
| 3.4.2 遗传算法优化 |
| 3.4.3 粒子群算法优化 |
| 3.5 本章小结 |
| 第四章 基于SBAS-InASR技术的高速铁路沿线区域沉降监测分析 |
| 4.1 研究区概况 |
| 4.2 数据源介绍 |
| 4.2.1 Sentinel-1数据介绍 |
| 4.2.2 其他相关数据 |
| 4.3 数据预处理 |
| 4.3.1 DEM正高到大地高转换 |
| 4.3.2 SAR数据读取 |
| 4.4 SBAS-InSAR技术处理 |
| 4.5 验证性分析 |
| 4.5.1 1A与1B升降轨沉降对比分析 |
| 4.5.2 监测结果验证分析 |
| 4.6 区域沉降分布特征分析 |
| 4.7 区域沉降影响因素分析 |
| 4.7.1 栏海盐田生产区沉降分析 |
| 4.7.2 油田开采区域沉降分析 |
| 4.7.3 区域沉降与降雨量及浅层地下水相关性分析 |
| 4.8 非均匀沉降对高速铁路的影响分析 |
| 4.9 本章小结 |
| 第五章 高速铁路沿线沉降预测分析 |
| 5.1 小波降噪处理 |
| 5.2 BP网络预测模型建 |
| 5.2.1 训练集与测试集的划分 |
| 5.2.2 沉降序列值预处理与函数选择 |
| 5.2.3 BP网络各层节点数确立 |
| 5.2.4 BP网络参数设置 |
| 5.3 BP网 络优化预测模型 |
| 5.3.1 基于遗传算法优化 |
| 5.3.2 基于粒子群算法优化 |
| 5.4 预测结果与对比分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A: 硕士期间发表论文成果 |
| 附录B:典型沉降点沉降序列值 |
（3）洛河流域径流变化定量分析及径流预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究进展 |
| 1.2.1 气候和人类活动对径流变化的影响研究进展 |
| 1.2.2 中长期径流预报研究进展 |
| 1.3 主要研究内容 |
| 1.4 研究技术路线图 |
| 1.5 本章小结 |
| 2 区域概况 |
| 2.1 自然地理概况 |
| 2.1.1 地理位置 |
| 2.1.2 河流水系 |
| 2.1.3 气象特征 |
| 2.2 社会经济概况 |
| 2.3 水文站概况 |
| 2.4 数据来源 |
| 2.5 本章小结 |
| 3 洛河流域气象水文要素分析 |
| 3.1 水文气象要素的趋势分析 |
| 3.1.1 趋势分析方法 |
| 3.1.2 结果分析 |
| 3.2 水文要素的突变分析 |
| 3.2.1 突变分析方法 |
| 3.2.2 结果分析 |
| 3.3 本章小结 |
| 4 气候和人类活动对洛河流域径流量的贡献率研究 |
| 4.1 研究方法 |
| 4.1.1 累积距平法 |
| 4.1.2 累积量斜率变化率比较法 |
| 4.2 研究结果 |
| 4.2.1 径流量及降水量突变年份分析 |
| 4.2.2 突变年份分割时期径流量、降水量与年份之间的关系 |
| 4.2.3 气候和人类活动对径流量减小的贡献率分析 |
| 4.3 讨论 |
| 4.4 本章小结 |
| 5 基于岭回归分析的中长期径流预报 |
| 5.1 岭回归分析模型的原理 |
| 5.2 岭回归分析的步骤 |
| 5.3 岭回归预测模型构建 |
| 5.4 岭回归模型检验与预测 |
| 5.5 本章小结 |
| 6 基于R/S灰色系统组合分析的中长期径流预报 |
| 6.1 R/S灰色预测模型原理 |
| 6.1.1 R/S分析法 |
| 6.1.2 平均循环周期 |
| 6.1.3 基本灰色理论GM(1,1)模型 |
| 6.1.4 模型精度检验 |
| 6.1.5 R/S与灰色组合预测步骤 |
| 6.2 计算结果 |
| 6.2.1 径流序列的R/S分析 |
| 6.2.2 平均循环周期计算 |
| 6.2.3 R/S灰色模型径流量预测分析 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 攻读学位期间参加的科研项目及发表的学术论文 |
| 致谢 |
| 参考文献 |
（4）地铁盾构施工变形安全监测及预测分析 ——以常州地铁一号线盾构穿越常州站为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的背景及研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地铁盾构施工地表建构筑物变形研究现状 |
| 1.2.2 地铁盾构施工地表建构筑物变形预测现状 |
| 1.3 论文主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第二章 地铁施工周边建构筑安全监测技术研究 |
| 2.1 地铁盾构施工对周边结构变形影响分析 |
| 2.1.1 盾构施工对土体的扰动程度分析 |
| 2.1.2 盾构施工周边建构筑物的影响机理 |
| 2.1.3 盾构施工对上部建构筑物的影响 |
| 2.1.4 建构筑物抵抗开挖变形及破坏模式 |
| 2.1.5 盾构施工对建筑建构影响范围 |
| 2.2 盾构施工安全监测必要性分析 |
| 2.2.1 地铁施工监测目的 |
| 2.2.2 地铁盾构施工应重点监测对象 |
| 2.3 运营铁路变形自动化监测技术 |
| 2.3.1 静力水准法自动化监测 |
| 2.3.2 测量机器人自动化监测 |
| 2.3.3 自动化监测系统成果反馈技术 |
| 2.4 本章小结 |
| 第三章 常州地铁一号线盾构施工的周边结构安全监测 |
| 3.1 工程概况 |
| 3.1.1 常州轨道交通一号线概况 |
| 3.1.2 铁路及常州火车站概况 |
| 3.1.3 工程影响线路构筑物概况 |
| 3.2 针对风险信息化安全监测方案设计 |
| 3.2.1 监测内容 |
| 3.2.2 监测技术依据 |
| 3.2.3 监测人员设备 |
| 3.2.4 监测精度要求 |
| 3.2.5 监测点位布置总体要求 |
| 3.2.6 监测周期与频率 |
| 3.2.7 监测工作量 |
| 3.3 建构筑安全监测的实施 |
| 3.3.1 建(构)筑物沉降监测 |
| 3.3.2 建(构)筑物位移监测 |
| 3.4 依托工程的自动化安全监测 |
| 3.4.1 变形监测网分区设计 |
| 3.4.2 监测区域横剖面布置 |
| 3.4.3 基准点布置 |
| 3.4.4 设站点布置 |
| 3.4.5 轨枕水平位移监测点位布置 |
| 3.4.6 全站仪自动观测的要求 |
| 3.4.7 监测点外业观测 |
| 3.5 站台限界测量 |
| 3.5.1 监测断面的布设 |
| 3.5.2 限界数据采集 |
| 3.6 监测技术管理与质量控制 |
| 3.6.1 成立完善系统的技术管理机构 |
| 3.6.2 建立健全技术管理规章制度 |
| 3.6.3 强化监测质量控制 |
| 3.7 本章小结 |
| 第四章 监测数据处理与结果分析 |
| 4.1 监测数据处理 |
| 4.1.1 建构筑物沉降监测数据处理及分析 |
| 4.1.2 建构筑物位移监测数据处理及分析 |
| 4.1.3 既有线自动化监测数据处理分析 |
| 4.1.4 限界数据处理 |
| 4.2 监测预警报警的评判标准 |
| 4.3 地铁盾构施工安全监测数据分析 |
| 4.3.1 监测成果资料整理和初步分析 |
| 4.3.2 监测数据最终累计变形最大值统计 |
| 4.3.3 根据监测数据形成的变形曲线图 |
| 4.3.4 变形监测总体分析 |
| 4.4 本章小结 |
| 第五章 基于GM(1,1)模型与BP模型的变形预测 |
| 5.1 结构变形灰色预测技术分析 |
| 5.1.1 灰色系统理论研究 |
| 5.1.2 灰色预测GM(1,1)模型 |
| 5.1.3 GM(1,1)模型建立步骤 |
| 5.1.4 GM(1,1)模型检验 |
| 5.1.5 GM(1,1)残差模型修正 |
| 5.2 基于小波优化的GM(1,1)预测模型 |
| 5.3 BP神经网络预测技术分析 |
| 5.3.1 人工神经元网络模型概述 |
| 5.3.2 BP神经网络结构模型 |
| 5.3.3 结构变形BP网络模型预测应用 |
| 5.4 基于GM(1,1)预测模型的结构变形预测分析 |
| 5.4.1 基于监测数据进行变形预测 |
| 5.4.2 预测值与实测值对比分析 |
| 5.5 基于BP神经网络模型的结构变形预测分析 |
| 5.5.1 BP神经网络模型的结构变形预测过程 |
| 5.5.2 GM(1,1)模型与BP模型预测效果对比分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）低能见度条件下的航班延误及恢复预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外大气能见度研究现状 |
| 1.2.2 国内大气能见度研究现状 |
| 1.2.3 航班准点率研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的结构安排 |
| 第2章 资料数据库的构建及研究方法 |
| 2.1 观测仪器与资料来源 |
| 2.2 基本研究方法 |
| 2.3 非线性回归分析方法研究 |
| 2.4 能见度预测等级划分 |
| 2.5 本章小结 |
| 第3章 各影响因子对大气能见度的影响 |
| 3.1 大气能见度随时间变化特征及相关性分析 |
| 3.1.1 大气能见度与其影响因子随时间变化特征 |
| 3.1.2 大气能见度与其影响因子相关性分析 |
| 3.2 大气能见度的非线性回归分析及拟合 |
| 3.2.1 大气能见度与PM_(2.5)和PM_(10)的非线性回归分析 |
| 3.2.2 大气能见度与相对湿度的非线性回归分析 |
| 3.2.3 大气能见度与相对湿度PM_(2.5)、PM_(10)的多元非线性拟合 |
| 3.3 拟合方程对量程外数据求解 |
| 3.4 本章小结 |
| 第4章 基于GA-BP神经网络的低能见度预测模型 |
| 4.1 BP神经网络和遗传算法的原理及适用性分析 |
| 4.1.1 BP神经网络基本原理 |
| 4.1.2 BP神经网络适用性分析 |
| 4.1.3 遗传算法的基本原理 |
| 4.2 数据预处理及BP神经网络预测模型设计 |
| 4.2.1 预测时间范围设定及数据准备 |
| 4.2.2 BP神经网络预测模型的设计 |
| 4.3 GA-BP神经网络模型参数的设置 |
| 4.3.1 遗传算法优化BP神经网络模型设计 |
| 4.3.2 GA-BP神经网络模型参数设置 |
| 4.4 实验结果的验证与分析 |
| 4.4.1 预测模型的计算流程 |
| 4.4.2 预测结果检验 |
| 4.5 本章小结 |
| 第5章 低能见度对航班延误的影响 |
| 5.1 正常航班的定义 |
| 5.1.1 航班进出港正常性指标 |
| 5.1.2 不正常航班原因分析 |
| 5.2 航班动态数据处理及分析 |
| 5.2.1 双流机场整体延误率研究 |
| 5.2.2 进出港航班小时平均航班量及延误量分析 |
| 5.2.3 不同能见度类别对航班延误率的影响 |
| 5.3 不同低能见度条件下的航班延误时间变化规律 |
| 5.3.1 低能见度的时间变化规律 |
| 5.3.2 不同低能见度范围内的航班延误率分析 |
| 5.4 本章小结 |
| 第6章 低能见度条件下的航班延误及恢复预测 |
| 6.1 航班延误及恢复预测的数学模型 |
| 6.2 个例分析对数学模型求解 |
| 6.3 航班恢复预测模型的检验 |
| 6.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（6）基于BP神经网络预测织机效率（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 课题研究主要内容及实施方案 |
| 第二章 数据的收集、整理和分析 |
| 2.1 数据的收集与整理 |
| 2.2 数据的分析 |
| 第三章 基于BP人工神经网络预测织机效率 |
| 3.1 人工神经网络理论基础 |
| 3.1.1 神经元模型 |
| 3.1.2 人工神经网络的分类与特点 |
| 3.2 BP算法预测织机效率 |
| 3.2.1 织机效率预测模型建立 |
| 3.2.2 仿真与分析 |
| 3.3 本章小结 |
| 第四章 基于主成分分析和BP神经网络预测织机效率 |
| 4.1 主成分分析理论 |
| 4.1.1 基本概念和意义 |
| 4.1.2 基本原理 |
| 4.1.3 操作步骤 |
| 4.2 主成分提取 |
| 4.3 主成分分析与BP神经网络相结合预测织机效率 |
| 4.4 本章小结 |
| 第五章 遗传算法改进BP神经网络预测织机效率 |
| 5.1 遗传算法 |
| 5.1.1 遗传算法的基本原理 |
| 5.1.2 遗传算法的基本步骤 |
| 5.2 遗传算法改进BP神经网络 |
| 5.2.1 预测模型建立 |
| 5.2.2 仿真与分析 |
| 5.3 本章小结 |
| 第六章 模型对比与模型验证 |
| 6.1 三种模型的对比 |
| 6.2 同厂不同期模型验证 |
| 6.3 不同厂模型验证 |
| 6.3.1 BP神经网络 |
| 6.3.2 PCA-BP神经网络 |
| 6.3.3 GA-BP神经网络 |
| 6.4 本章小结 |
| 第七章 织机效率智能预测系统的开发 |
| 7.1 系统总体设计 |
| 7.2 系统运行环境 |
| 7.3 图形用户界面的设计 |
| 7.4 数据库的设计 |
| 7.5 预测系统软件的开发工具 |
| 7.6 软件的用户界面设计与功能 |
| 7.7 本章小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 硕士期间发表论文 |
| 附录 |
| 附录一 BP 神经网络/PCA-BP 神经网络程序代码 |
| 附录二 GA-BP神经网络程序代码 |
| 附录三 织机效率智能预测系统用户界面实现源代码 |
| 附录四 预测模型所用数据表 |
| 致谢 |
（7）大型机场旅客城市空间分布预测与交通方式选择行为研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及目的 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.2 论文的主要研究内容及技术路线 |
| 1.3 论文构成 |
| 1.4 本章小结 |
| 第2章 国内外研究综述 |
| 2.1 大型机场枢纽陆侧交通规划 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.1.3 小结 |
| 2.2 大型机场旅客交通空间分布研究 |
| 2.2.1 国外研究现状 |
| 2.2.2 国内研究现状 |
| 2.2.3 小结 |
| 2.3 大型机场旅客交通方式选择行为研究 |
| 2.3.1 国外研究现状 |
| 2.3.2 国内研究现状 |
| 2.3.3 小结 |
| 2.4 本章小结 |
| 第3章 大型机场交通基本特征分析 |
| 3.1 大型机场定义与基本特征 |
| 3.1.1 大型机场的定义 |
| 3.1.2 世界主要机场交通特征 |
| 3.1.3 大型机场人群类型与结构 |
| 3.2 研究数据来源 |
| 3.2.1 实地调查数据 |
| 3.2.2 交通大数据 |
| 3.3 数据处理技术 |
| 3.3.1 移动通信数据采集原理 |
| 3.3.2 机场旅客出行OD识别 |
| 3.3.3 机场轨道旅客识别 |
| 3.4 大型机场特征分析 |
| 3.4.1 旅客基本属性 |
| 3.4.2 旅客出行特征 |
| 3.4.3 旅客时间分布特征 |
| 3.4.4 旅客公交出行特征 |
| 3.4.5 机场轨道乘客特征 |
| 3.5 本章小结 |
| 第4章 大型机场旅客城市空间分布预测方法 |
| 4.1 大型机场旅客城市空间分布特征与影响因素 |
| 4.1.1 大型机场影响范围 |
| 4.1.2 旅客空间分布特征 |
| 4.1.3 影响因素 |
| 4.2 预测方法研究思路 |
| 4.3 预测模型 |
| 4.3.1 重力模型 |
| 4.3.2 广义回归神经网络(GRNN) |
| 4.3.3 遗传BP神经网络 |
| 4.4 模型预测结果对比分析 |
| 4.4.1 模型检验方法 |
| 4.4.2 模型预测结果检验与对比 |
| 4.5 案例应用 |
| 4.6 本章小结 |
| 第5章 大型机场旅客交通方式选择行为研究 |
| 5.1 大型机场旅客交通方式选择行为特征与影响因素 |
| 5.1.1 交通方式选择特征 |
| 5.1.2 影响因素 |
| 5.2 研究思路 |
| 5.3 大型机场旅客聚类方法研究 |
| 5.3.1 数据说明 |
| 5.3.2 属性变量凝聚 |
| 5.3.3 旅客的聚类 |
| 5.4 大型机场旅客全过程、全方式出行链广义费用模型 |
| 5.4.1 全过程、全方式出行链定义与内涵 |
| 5.4.2 影响因素的量化方法 |
| 5.4.3 广义费用模型 |
| 5.5 大型机场旅客交通方式选择预测方法 |
| 5.5.1 NL模型理论基础 |
| 5.5.2 模型选择肢 |
| 5.5.3 模型标定 |
| 5.5.4 模型检验 |
| 5.6 应用案例 |
| 5.7 本章小结 |
| 第6章 大型机场轨道交通旅客空间分布预测方法 |
| 6.1 大型机场轨道交通发展状况 |
| 6.2 大型机场轨道旅客空间分布影响因素 |
| 6.2.1 旅客出行方式选择心理过程 |
| 6.2.2 影响因素 |
| 6.3 预测思路 |
| 6.4 机场轨道交通的可达性 |
| 6.4.1 可达性的定义 |
| 6.4.2 相关理论 |
| 6.4.3 可达性模型 |
| 6.5 预测模型 |
| 6.5.1 广义回归神经网络(GRNN) |
| 6.5.2 遗传BP神经网络 |
| 6.6 模型预测结果对比分析 |
| 6.6.1 模型检验方法 |
| 6.6.2 模型预测结果检验与对比 |
| 6.7 应用案例 |
| 6.8 本章小结 |
| 结论 |
| 主要结论 |
| 主要创新点 |
| 未来研究的展望 |
| 参考文献 |
| 附录 |
| 附录A 首都国际机场出发层乘客问卷(中文版) |
| 附录B 首都国际机场出发层乘客问卷(英文版) |
| 附录C 首都国际机场到达层乘客问卷(中文版) |
| 附录D 首都国际机场到达层乘客问卷(英文版) |
| 附录E 广州白云国际机场出发层乘客问卷 |
| 附录F 广州白云国际机场到达层乘客问卷 |
| 附录G 上海浦东国际机场出发层乘客问卷 |
| 附录H 上海浦东国际机场到达层乘客问卷 |
| 附录I 首都国际机场轨道乘客问卷 |
| 附录J 广州白云国际机场轨道乘客问卷 |
| 附录K 上海浦东国际机场轨道乘客问卷 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
（8）苏州太湖饮用水源地蓝藻水华预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 水环境现状 |
| 1.1.2 蓝藻水华的危害 |
| 1.1.3 饮用水安全的重要性 |
| 1.1.4 蓝藻水华预警的重要性 |
| 1.2 国内外研究进展 |
| 1.2.1 蓝藻水华环境因素研究进展 |
| 1.2.2 蓝藻水华预测指标研究进展 |
| 1.2.3 蓝藻水华预测模型研究进展 |
| 1.3 研究目的与意义 |
| 1.4 研究工作 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 太湖蓝藻水华状况与特征分析 |
| 2.1 太湖水源地相关概况 |
| 2.1.1 太湖及其流域概况 |
| 2.1.2 太湖水源地水质状况 |
| 2.1.3 太湖富营养状况分析 |
| 2.2 太湖蓝藻水华特征分析 |
| 2.2.1 太湖蓝藻水华的年变化规律 |
| 2.2.2 太湖蓝藻水华的暴发程度分析 |
| 2.2.3 太湖蓝藻水华的暴发次数分析 |
| 2.2.4 太湖蓝藻水华的暴发规模分析 |
| 2.3 本章小结 |
| 第三章 苏州太湖水源水相关指标的测定与分析 |
| 3.1 嗅味物质的测定与分析 |
| 3.1.1 实验材料与设备 |
| 3.1.2 实验方法 |
| 3.1.3 实验方法优化与分析 |
| 3.1.4 结果分析与讨论 |
| 3.2 叶绿素的测定与分析 |
| 3.2.1 实验材料与设备 |
| 3.2.2 实验方法 |
| 3.2.3 结果分析与讨论 |
| 3.3 其他水质指标分析 |
| 3.3.1 数据来源 |
| 3.3.2 分析与讨论 |
| 3.4 本章小结 |
| 第四章 苏州太湖水源地蓝藻水华敏感因子分析与确定 |
| 4.1 数据分析方法 |
| 4.1.1 相关性分析方法 |
| 4.1.2 主成分分析方法 |
| 4.2 主要指标相关性分析 |
| 4.2.1 叶绿素a相关性分析 |
| 4.2.2 嗅味物质相关性分析 |
| 4.3 主要指标主成分分析 |
| 4.4 本章小结 |
| 第五章 苏州太湖饮用水源地蓝藻水华预测模型建立 |
| 5.1 多元回归分析模型 |
| 5.1.1 多元回归分析基本原理 |
| 5.1.2 多元线性回归方程的建立 |
| 5.1.3 多元线性回归分析模型的检验 |
| 5.2 BP神经网络模型 |
| 5.2.1 BP神经网络基本原理 |
| 5.2.2 BP神经网络模型的建立 |
| 5.2.3 BP神经网络模型的检验 |
| 5.3 模型的对比与适用情况分析 |
| 5.4 本章小结 |
| 第六章 苏州太湖饮用水源地蓝藻水华预警阈值与方法研究 |
| 6.1 蓝藻水华敏感因子预警阈值初探 |
| 6.1.1 叶绿素a敏感因子预警阈值初探 |
| 6.1.2 嗅味物质敏感因子预警阈值初探 |
| 6.1.3 分析与讨论 |
| 6.2 苏州太湖水源地蓝藻水华预警方法的建立 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 不足与展望 |
| 参考文献 |
| 图表目录 |
| 致谢 |
| 作者简历 |
（9）基于多功能CPTU测试的液化场地大变形神经网络预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 液化大变形的震害实例 |
| 1.2.2 液化大变形主要影响因素 |
| 1.2.3 地震液化大变形的传统预测方法 |
| 1.2.4 基于CPTU预测大变形研究现状 |
| 1.2.5 基于神经网络的液化大变形预测方法现状 |
| 1.3 存在的问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 第二章 基于CPTU测试的液化场地大变形数值模拟研究 |
| 2.1 有限元数值方法 |
| 2.1.1 ABAQUS软件介绍 |
| 2.1.2 ABAQUS有限元模块 |
| 2.2 土体参数获取 |
| 2.2.1 CPTU仪器设备 |
| 2.2.2 基于CPTU测试的场地参数评价 |
| 2.3 模型建立与网格划分 |
| 2.3.1 模型建立 |
| 2.3.2 网格划分 |
| 2.4 结果分析 |
| 2.5 本章小结 |
| 第三章 基于CPTU测试参数的液化场地大变形神经网络预测方法研究 |
| 3.1 人工神经网络实现 |
| 3.1.1 MATLAB平台 |
| 3.1.2 基于MATLAB平台的人工神经网络 |
| 3.2 原始资料的选择 |
| 3.3 神经网络液化场地大变形预测模型的建立与应用 |
| 3.3.1 神经网络侧向变形模型 |
| 3.3.2 神经网络震后沉降预测模型 |
| 3.3.3 神经网络大变形预测模型结果分析 |
| 3.3.4 各因素对大变形影响的分析 |
| 3.4 本章小结 |
| 第四章 基于CPTU测试的场地液化大变形预测工程实例 |
| 4.1 工程概况 |
| 4.1.1 场地描述 |
| 4.1.2 土层划分与物性指标 |
| 4.2 现场CPTU测试 |
| 4.2.1 仪器设备 |
| 4.2.2 试验工作量 |
| 4.3 宿迁场地液化大变形预测 |
| 4.3.1 神经网络侧向变形预测结果 |
| 4.3.2 神经网络沉降预测结果 |
| 4.3.3 宿迁场地液化大变形预测结果评价 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 硕士学习期间取得的科研成果 |
（10）苦瓜片热风与红外干燥特性及品质评价（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 文献综述 |
| 1.1 农产品干燥方法 |
| 1.1.1 热风干燥机理及特点 |
| 1.1.2 红外干燥机理及特点 |
| 1.2 国内外研究现状 |
| 1.2.1 苦瓜干燥研究现状 |
| 1.2.2 神经网络预测含水率研究现状 |
| 第2章 绪论 |
| 2.1 研究背景及意义 |
| 2.2 研究内容 |
| 2.2.1 主要研究内容 |
| 2.2.2 技术路线 |
| 第3章 苦瓜片干燥基础理论及品质评价基础 |
| 3.1 苦瓜片干燥的基本原理 |
| 3.2 干燥过程 |
| 3.2.1 干燥过程分析 |
| 3.2.2 薄层干燥数学模型 |
| 3.3 干燥的平衡 |
| 3.4 苦瓜片干燥的影响因素 |
| 3.4.1 热风干燥影响因素 |
| 3.4.2 红外干燥影响因素 |
| 3.5 苦瓜片干燥的主要评价指标 |
| 3.5.1 色泽 |
| 3.5.2 Vc |
| 3.5.3 总皂苷 |
| 3.6 本章小结 |
| 第4章 苦瓜片热风干燥特性及品质评价 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 材料 |
| 4.2.2 方法 |
| 4.3 结果与分析 |
| 4.3.1 温度对苦瓜片热风干燥特性的影响 |
| 4.3.2 切片厚度对苦瓜片热风干燥特性的影响 |
| 4.3.3 热风风速对苦瓜片热风干燥特性的影响 |
| 4.3.4 苦瓜片热风干燥工艺正交试验 |
| 4.3.5 苦瓜片热风干燥活化能 |
| 4.3.6 干燥模型 |
| 4.4 本章小结 |
| 第5章 苦瓜片红外干燥特性及品质评价 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 材料 |
| 5.2.2 方法 |
| 5.3 结果与分析 |
| 5.3.1 温度对苦瓜片红外干燥特性的影响 |
| 5.3.2 辐射距离对苦瓜片红外干燥特性的影响 |
| 5.3.3 切片厚度对苦瓜片红外干燥特性的影响 |
| 5.3.4 苦瓜片红外干燥工艺正交试验 |
| 5.3.5 苦瓜红外干燥活化能 |
| 5.3.6 干燥模型 |
| 5.4 本章小结 |
| 第6章 基于BP神经网络的苦瓜热风与红外干燥含水率预测 |
| 6.1 神经网络概述 |
| 6.2 BP神经网络程序设计流程 |
| 6.3 仿真性能评价指标及数据处理 |
| 6.3.1 模型相关性及预测精度检验指标 |
| 6.3.2 数据归一化处理 |
| 6.4 苦瓜片热风干燥水分比BP网络模型构建 |
| 6.4.1 输入层输出层的节点数 |
| 6.4.2 隐含层节点的选择 |
| 6.4.3 传递函数及训练函数选择 |
| 6.4.4 网络模型训练 |
| 6.4.5 热风干燥BP网络模型测试 |
| 6.5 苦瓜片红外干燥水分比网络模型构建 |
| 6.5.1 输入层输出层的节点数 |
| 6.5.2 隐含层节点的选择 |
| 6.5.3 传递函数及训练函数选择 |
| 6.5.4 网络模型训练 |
| 6.5.5 红外干燥BP网络模型测试 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 论文新意 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
四、水文预测的BP网络模型及其拟合度分析（论文参考文献）
- [1]基于InSAR与机器学习的延安新区沉降监测与预测研究[D]. 张宏雪. 兰州大学, 2021(11)
- [2]基于InSAR技术和BP神经网络的高速铁路沿线区域沉降监测与预测[D]. 游洪. 昆明理工大学, 2021(01)
- [3]洛河流域径流变化定量分析及径流预报研究[D]. 刘献. 华北水利水电大学, 2020(01)
- [4]地铁盾构施工变形安全监测及预测分析 ——以常州地铁一号线盾构穿越常州站为例[D]. 贾志才. 长安大学, 2020(06)
- [5]低能见度条件下的航班延误及恢复预测方法研究[D]. 苏靖晰. 中国民用航空飞行学院, 2020(11)
- [6]基于BP神经网络预测织机效率[D]. 张晓侠. 天津工业大学, 2020(01)
- [7]大型机场旅客城市空间分布预测与交通方式选择行为研究[D]. 路尧. 北京工业大学, 2019(03)
- [8]苏州太湖饮用水源地蓝藻水华预警研究[D]. 薛天一. 苏州科技大学, 2019(01)
- [9]基于多功能CPTU测试的液化场地大变形神经网络预测方法研究[D]. 袁俊. 东南大学, 2019(06)
- [10]苦瓜片热风与红外干燥特性及品质评价[D]. 杨亮. 西南大学, 2019(01)