| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-19页 |
| ·引言 | 第11页 |
| ·研究目的与意义 | 第11-12页 |
| ·国内外采掘运装备概念设计研究动态 | 第12-16页 |
| ·产品现代设计方法的研究动态 | 第12-13页 |
| ·采掘运装备概念设计方法的研究动态 | 第13-14页 |
| ·机器学习技术的研究动态 | 第14-16页 |
| ·主要研究内容 | 第16-17页 |
| ·小结 | 第17-19页 |
| 第二章 基于机器学习的采掘运装备概念设计体系 | 第19-31页 |
| ·引言 | 第19页 |
| ·机器学习理论 | 第19-26页 |
| ·机器学习定义及内涵 | 第19-20页 |
| ·支持向量机基本原理 | 第20-24页 |
| ·极限学习机基本原理 | 第24-25页 |
| ·遗传算法基本原理 | 第25-26页 |
| ·基于机器学习的采掘运装备概念设计体系 | 第26-30页 |
| ·基于实例推理的概念设计 | 第27页 |
| ·基于模型推理的概念设计 | 第27-28页 |
| ·基于机器学习的概念设计体系 | 第28-30页 |
| ·小结 | 第30-31页 |
| 第三章 采掘运装备概念设计数据预处理与实例推理 | 第31-47页 |
| ·引言 | 第31页 |
| ·采掘运装备概念设计的参数选取 | 第31-35页 |
| ·采煤机概念设计的参数选取 | 第32-33页 |
| ·掘进机概念设计的参数选取 | 第33-34页 |
| ·刮板输送机概念设计的参数选取 | 第34-35页 |
| ·采掘运装备概念设计的数据预处理 | 第35-40页 |
| ·基于粗糙集理论的属性约简 | 第36-38页 |
| ·数据归一化处理 | 第38-40页 |
| ·采掘运装备概念设计实例推理模型 | 第40-44页 |
| ·实例库的构建和实例表结构 | 第40-43页 |
| ·实例推理模型的算法实现 | 第43-44页 |
| ·实例分析 | 第44-45页 |
| ·小结 | 第45-47页 |
| 第四章 基于支持向量机的采掘运装备概念设计推理模型 | 第47-63页 |
| ·引言 | 第47页 |
| ·基于支持向量机的推理模型构建 | 第47-54页 |
| ·线性回归机 | 第47-51页 |
| ·核函数与?-支持向量回归机 | 第51-52页 |
| ·支持向量机Libsvm工具箱 | 第52-54页 |
| ·基于遗传算法的参数选择及优化 | 第54-59页 |
| ·基于遗传算法的参数优化过程 | 第54-57页 |
| ·基于GA-SVM的推理模型实现 | 第57-59页 |
| ·实例分析 | 第59-62页 |
| ·小结 | 第62-63页 |
| 第五章 基于极限学习机的采煤机功率预测模型 | 第63-69页 |
| ·引言 | 第63页 |
| ·基于极限学习机的预测模型 | 第63-66页 |
| ·算法及实现 | 第63-64页 |
| ·实验及分析 | 第64-66页 |
| ·SVM与ELM推理模型对比实验 | 第66-68页 |
| ·SVM与ELM推理模型对比 | 第66-67页 |
| ·SVM与ELM模型对比结论 | 第67-68页 |
| ·小结 | 第68-69页 |
| 第六章 基于Web的概念设计系统开发与实现 | 第69-91页 |
| ·引言 | 第69页 |
| ·系统框架设计 | 第69页 |
| ·开发平台关键技术 | 第69-73页 |
| ·编译环境 | 第70-71页 |
| ·Matlab 与 C#混编技术 | 第71-73页 |
| ·系统实现 | 第73-80页 |
| ·实例推理模块的实现 | 第73-76页 |
| ·模型推理模块的实现 | 第76-79页 |
| ·参数调整模块的实现 | 第79-80页 |
| ·系统测试实验 | 第80-84页 |
| ·测试目的与原则 | 第80-81页 |
| ·测试方法与过程 | 第81-84页 |
| ·测试结论 | 第84页 |
| ·企业测试 | 第84页 |
| ·系统应用实例 | 第84-89页 |
| ·小结 | 第89-91页 |
| 第七章 结论与展望 | 第91-93页 |
| ·工作总结 | 第91页 |
| ·主要结论 | 第91-92页 |
| ·进一步工作展望 | 第92-93页 |
| 参考文献 | 第93-97页 |
| 致谢 | 第97-99页 |
| 攻读学位期间发表的学术论文 | 第99页 |