基于数据挖掘技术的煤与瓦斯突出预测研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-12页 |
| 1 绪论 | 第12-17页 |
| ·论文研究的目的及意义 | 第12-13页 |
| ·煤与瓦斯突出预测方法研究现状和存在的问题 | 第13-15页 |
| ·煤与瓦斯突出预测方法的研究现状 | 第13-14页 |
| ·煤与瓦斯突出预测方法存在的问题 | 第14-15页 |
| ·数据挖掘技术的研究现状 | 第15页 |
| ·论文的主要研究内容和结构安排 | 第15-17页 |
| ·论文的研究内容 | 第15-16页 |
| ·论文结构安排 | 第16-17页 |
| 2 瓦斯浓度与数据挖掘技术 | 第17-27页 |
| ·瓦斯浓度变化预测煤与瓦斯突出的可行性 | 第17-22页 |
| ·煤与瓦斯突出形成的地质原因及诱导因素 | 第17页 |
| ·巷道瓦斯涌出量的影响因素 | 第17-18页 |
| ·瓦斯涌出量与煤与瓦斯突出间的关系 | 第18页 |
| ·瓦斯浓度与瓦斯涌出量之间的关系 | 第18-19页 |
| ·瓦斯浓度数据的特征分析 | 第19-20页 |
| ·瓦斯浓度预测煤与瓦斯突出的可行性 | 第20页 |
| ·煤矿瓦斯监测监控系统简介 | 第20-22页 |
| ·数据挖掘技术 | 第22-25页 |
| ·数据挖掘概念 | 第22页 |
| ·数据挖掘的任务 | 第22-23页 |
| ·数据挖掘的过程 | 第23页 |
| ·数据挖掘方法 | 第23-24页 |
| ·数据挖掘技术的优点 | 第24-25页 |
| ·建立煤与瓦斯突出预测问题的数据挖掘过程模型 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 瓦斯浓度数据准备与特征提取 | 第27-46页 |
| ·挖掘对象的确定 | 第27-28页 |
| ·瓦斯浓度数据的来源 | 第27页 |
| ·样本形式 | 第27页 |
| ·样本集的组成 | 第27-28页 |
| ·瓦斯浓度时间序列特征提取 | 第28-29页 |
| ·特征提取的必要性 | 第28页 |
| ·特征提取模型 | 第28-29页 |
| ·特征提取算法 | 第29页 |
| ·特征提取算法的选择 | 第29页 |
| ·瓦斯浓度样本特征提取过程 | 第29-45页 |
| ·建立瓦斯浓度数据特征提取模型 | 第29-30页 |
| ·瓦斯浓度特征提取算法 | 第30-31页 |
| ·基于ARIMA 方法的瓦斯浓度特征提取过程 | 第31-45页 |
| ·本章小结 | 第45-46页 |
| 4 基于支持向量机的数据挖掘方法 | 第46-57页 |
| ·支持向量机的理论基础 | 第46-48页 |
| ·机器学习与期望风险 | 第46-47页 |
| ·经验风险最小化原则 | 第47页 |
| ·定义VC 维与推广性的界 | 第47-48页 |
| ·结构风险最小化 | 第48页 |
| ·支持向量机原理 | 第48-49页 |
| ·支持向量机的算法 | 第49-50页 |
| ·建立煤与瓦斯突出预测模型 | 第50-52页 |
| ·支持向量机预测模型的参数优化 | 第52-56页 |
| ·矢量矩免疫算法的原理 | 第52页 |
| ·抗体距离、抗体浓度和选择概率的计算 | 第52-53页 |
| ·矢量矩免疫算法的优点 | 第53页 |
| ·B 细胞编码与适应度函数 | 第53-54页 |
| ·矢量矩免疫算法优化支持向量机参数过程 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 5 仿真实验 | 第57-66页 |
| ·仿真原理 | 第57页 |
| ·仿真数据 | 第57页 |
| ·基于BP 神经网络突出预测模型仿真 | 第57-62页 |
| ·定义预测模型中BP 神经网络结构及参数 | 第57-58页 |
| ·基于BP 神经网络预测模型的仿真过程及程序 | 第58-60页 |
| ·BP 神经网络突出预测模型仿真结果 | 第60-62页 |
| ·基于支持向量机突出预测模型仿真 | 第62-65页 |
| ·模型建立仿真 | 第62-64页 |
| ·模型预测仿真 | 第64-65页 |
| ·仿真结果比较 | 第65页 |
| ·本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 附录A 瓦斯浓度时间序列特征向量 | 第69-70页 |
| 作者简历 | 第70-71页 |
| 学位论文数据集 | 第71-72页 |
