变形预测模型及其工程应用

本书系统介绍变形预测模型的建立方法。全书分为8章，内容包括变形监测与预报的相关理论、回归模型、灰色模型、时间序列分析模型、卡尔曼滤波模型、神经网络模型、小波分析模型、非线性模型。本书凝练了作者30余年来从事变形预测模型方面工作的研究成果，同时吸收了目前变形预测模型研究方面的最新成果，具有较强的系统性。本书注重理论联系实际，将相关模型结合起来建立相应的综合预测模型。书中附有大量的计算实例，便于读者理解和应用。
本书可供测绘工程、土木工程、水利水电工程、岩土工程、地质工程等专业的工程技术人员使用，也可作为高等院校相关专业的研究生或高年级本科生的参考用书。

第1章 变形监测与预报的相关理论
1.1 相关基础知识
1.1.1 变形监测的内容
1.1.2 变形模型
1.2 变形监测方案设计
1.2.1 变形监测网的布设
1.2.2 变形监测方案的制定准则
1.2.3 典型变形的准则分析
1.2.4 选择不同的监测对象应考虑的问题
1.3 变形监测的基本方法
1.3.1 常规大地测量方法
1.3.2 摄影测量方法
1.3.3 其他测量方法
第2章 回归模型
2.1 概述
2.2 单因子回归模型
2.2.1 线性单因子回归模型
2.2.2 “+”函数模型
2.2.3 非线性单因子回归模型
2.2.4 单因子组合模型
2.3 多元线性回归模型
2.4 顾及时间及水位因子的预测模型
2.5 多因子时变预测模型
2.6 稳健线性回归模型
2.6.1 稳健估计的原理
2.6.2 稳健估计的选权迭代法
2.6.3 常用稳健最小二乘估计方法
2.7 再生权最小二乘线性回归模型
第3章 灰色模型
3.1 灰色系统理论的基本理论
3.1.1 基本概念
3.1.2 累加生成与累减生成
3.1.3 灰色关联分析
3.2 GM（1,1）模型
3.3 中心逼近式灰色GM（1,1）模型
3.4 基于背景值优化及初始条件优化的GM（1,1）模型
3.5 加权GM（1,1）模型
3.6 非等间距GM（1,1）模型
3.7 灰色GM（2,1）模型
3.8 GM（1,N）模型
3.9 多变量灰色模型
3.10 改进的灰色线性回归组合模型
3.11 时变参数灰色模型
第4章 时间序列分析模型
4.1 随机过程
4.2 线性差分方程
4.3 时间序列数据的预处理
4.4 ARMA（n,m）模型的基本概念
4.5 ARMA模型的Box建模方法
4.6 ARMA模型的DDS建模方法
4.7 基于灰色模型的时间序列模型
4.7.1 非平稳时间序列的建模方法
4.7.2 基于灰色模型的时间序列模型的建立
4.7.3 模型分析
4.8 基于时变参数灰色模型的ARMA模型
第5章 卡尔曼滤波模型
5.1 基于运动模型的卡尔曼滤波模型
5.1.1 卡尔曼滤波模型的基本理论
5.1.2 状态方程和观测方程的建立
5.1.3 算例
5.2 基于指数趋势模型的卡尔曼滤波模型
5.2.1 指数趋势模型的线性化
5.2.2 基于指数趋势模型的卡尔曼滤波模型的建立
5.2.3 算例
5.3 基于双曲线模型的卡尔曼滤波模型
5.3.1 双曲线模型
5.3.2 基于双曲线模型的卡尔曼滤波模型的建立
5.3.3 算例
5.4 基于灰色模型的卡尔曼滤波模型
5.4.1 卡尔曼滤波方程的确定
5.4.2 灰色GM（1,1）模型
5.4.3 实例计算
5.5 基于AR（1）模型的卡尔曼滤波模型
5.5.1 AR（n）模型的建立
5.5.2 基于AR（1）模型的卡尔曼滤波模型的建立
5.5.3 算例
5.6 基于模型筛选法的单因子卡尔曼滤波模型
5.6.1 基于模型筛选法的卡尔曼滤波模型
5.6.2 算例
5.7 基于“+”函数的卡尔曼滤波模型
5.7.1 模型的建立
5.7.2 算例
5.8 基于AR（n）模型的卡尔曼滤波模型
5.8.1 AR（n）模型的建立
5.8.2 AR（n）模型的求解
5.8.3 基于AR（n）模型的卡尔曼滤波模型的建立
5.8.4 算例
5.9 基于多因子的卡尔曼滤波模型
5.9.1 顾及时间及水位因子的卡尔曼滤波模型
5.9.2 顾及时间及地下水位因子的卡尔曼滤波模型
5.9.3 顾及降雨及温度因子的卡尔曼滤波模型
5.9.4 基于泰勒级数的多因子卡尔曼滤波模型
5.9.5 基于模型筛选法的多因子卡尔曼滤波模型
5.9.6 基于多模型优选法的卡尔曼滤波模型
第6章 神经网络模型
6.1 神经网络的计算模型
6.1.1 MP模型
6.1.2 感知器模型
6.1.3 Hopfield网络模型
6.2 神经网络的学习方式与学习规则
6.3 BP神经网络模型
6.4 基于模拟退火算法的BP神经网络模型
6.5 模糊神经网络模型
6.5.1 模糊理论基础
6.5.2 模糊神经网络模型的建立
6.6 灰色神经网络模型
6.7 基于时间序列分析的神经网络模型
6.7.1 基于非线性位移的神经网络时间序列分析模型
6.7.2 基于时间序列的动态神经网络模型
6.8 基于遗传算法的神经网络模型
6.8.1 遗传算法的基本理论
6.8.2 基于遗传算法的BP神经网络模型
6.9 基于粒子群算法的神经网络模型
6.9.1 粒子群算法的基本理论
6.9.2 基于粒子群算法的神经网络模型的建立
6.9.3 基于混沌粒子群算法的神经网络模型
6.9.4 计算实例
6.10 基于卡尔曼滤波和遗传算法的BP神经网络模型
第7章 小波分析模型
7.1 从傅里叶变换到小波分析
7.1.1 傅里叶变换
7.1.2 短时傅里叶变换
7.1.3 小波分析
7.2 小波变换
7.2.1 小波变换的概念
7.2.2 小波变换的性质与特点
7.3 小波分解与重构
7.3.1 多分辨分析
7.3.2 正交小波基的