| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 尾矿库坝体稳定性研究 | 第12-16页 |
| 1.2.2 人工智能评估 | 第16-18页 |
| 1.2.3 国内外研究现状总结 | 第18-19页 |
| 1.3 本文研究目标与内容 | 第19-20页 |
| 1.3.1 研究目标 | 第19页 |
| 1.3.2 研究内容 | 第19-20页 |
| 1.4 论文组织结构 | 第20-21页 |
| 第2章 尾矿库安全风险评价相关理论知识 | 第21-35页 |
| 2.1 尾矿库介绍 | 第21-28页 |
| 2.1.1 尾矿库分类 | 第21-24页 |
| 2.1.2 尾矿库堆坝方式 | 第24-27页 |
| 2.1.3 尾矿库等级 | 第27-28页 |
| 2.2 安全评价指标 | 第28-34页 |
| 2.2.1 坝体位移监测 | 第29-31页 |
| 2.2.2 浸润线监测 | 第31-32页 |
| 2.2.3 干滩长度 | 第32-33页 |
| 2.2.4 库水位监测 | 第33页 |
| 2.2.5 环境量监测 | 第33-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第3章 尾矿库风险评价时空模型 | 第35-47页 |
| 3.1 层次分析法 | 第35-36页 |
| 3.2 指标选择 | 第36-40页 |
| 3.2.1 Relief-F特征选择 | 第36-38页 |
| 3.2.2 特征选择结果 | 第38-40页 |
| 3.3 特征值模糊化 | 第40-43页 |
| 3.3.1 隶属度函数 | 第40页 |
| 3.3.2 模型建立 | 第40-42页 |
| 3.3.3 模型矫正 | 第42-43页 |
| 3.4 综合评估 | 第43-46页 |
| 3.4.1 模型评估 | 第43-44页 |
| 3.4.2 实验分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于Bagging-SVM的尾矿库风险预测算法 | 第47-58页 |
| 4.1 支持向量机原理 | 第47-50页 |
| 4.2 基于Bagging的并行式集成算法 | 第50-52页 |
| 4.2.1 拔靴算法 | 第51页 |
| 4.2.2 包外样本泛化 | 第51-52页 |
| 4.3 改进Bagging-SVM的尾矿库风险预测算法 | 第52-54页 |
| 4.3.1 堆栈式学习 | 第53-54页 |
| 4.3.2 尾矿库风险等级预测 | 第54页 |
| 4.4 实验结果与分析 | 第54-57页 |
| 4.4.1 尾矿风险预测结果比较 | 第55-56页 |
| 4.4.2 基学习器对风险预测准确率的影响 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 基于改进CS-SVM尾矿库风险预测算法 | 第58-69页 |
| 5.1 布谷鸟启发式搜索算法 | 第58-62页 |
| 5.1.1 布谷鸟育雏行为 | 第58-59页 |
| 5.1.2 莱维随机游动 | 第59页 |
| 5.1.3 布谷鸟搜索算法 | 第59-62页 |
| 5.2 基于CS-SVM的尾矿库风险预测算法 | 第62-66页 |
| 5.2.1 CS-SVM算法 | 第62-65页 |
| 5.2.2 均衡搜索域 | 第65-66页 |
| 5.3 实验结果分析与比较 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 结论与展望 | 第69-71页 |
| 6.1 结论 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间参加的科研项目和成果 | 第75页 |