| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 危险源识别与分析技术研究现状 | 第13-15页 |
| 1.3 关键技术研究现状 | 第15-18页 |
| 1.3.1 人工神经网络与极限学习机 | 第15-17页 |
| 1.3.2 关联规则挖掘 | 第17-18页 |
| 1.4 论文研究内容及组织结构 | 第18-21页 |
| 1.4.1 主要研究内容 | 第18-19页 |
| 1.4.2 论文组织结构 | 第19-21页 |
| 第二章 民航安全管理系统设计 | 第21-31页 |
| 2.1 系统需求分析 | 第21-24页 |
| 2.1.1 系统功能需求 | 第21-23页 |
| 2.1.2 系统性能需求 | 第23-24页 |
| 2.2 系统总体设计 | 第24-28页 |
| 2.2.1 数据采集层 | 第25-26页 |
| 2.2.2 数据管理层 | 第26-27页 |
| 2.2.3 业务处理层 | 第27页 |
| 2.2.4 用户界面层 | 第27-28页 |
| 2.3 数据库设计 | 第28页 |
| 2.4 系统关键技术 | 第28-30页 |
| 2.4.1 危险源识别方法 | 第29页 |
| 2.4.2 危险源原因分析方法 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于改进在线学习机的危险源识别算法 | 第31-42页 |
| 3.1 相关知识 | 第31-33页 |
| 3.2 HI-OSELM算法设计 | 第33-38页 |
| 3.2.1 基于OS-ELM的在线学习 | 第34-36页 |
| 3.2.2 自适应差分进化优化网络模型 | 第36-38页 |
| 3.3 实验结果及分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于混合蚁群关联规则挖掘的危险源原因分析算法 | 第42-52页 |
| 4.1 关联规则相关知识 | 第42-43页 |
| 4.2 蚁群算法 | 第43-44页 |
| 4.3 HA-MACR算法设计 | 第44-48页 |
| 4.3.1 数据预处理 | 第45-46页 |
| 4.3.2 信息素初始浓度确定 | 第46-47页 |
| 4.3.3 挖掘最大频繁项目集 | 第47-48页 |
| 4.3.4 产生规则 | 第48页 |
| 4.4 实验及结果分析 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 系统实现与应用 | 第52-67页 |
| 5.1 项目背景 | 第52-53页 |
| 5.2 系统功能框架 | 第53-57页 |
| 5.3 系统开发平台 | 第57-58页 |
| 5.4 系统运行环境 | 第58页 |
| 5.5 系统关键技术实现 | 第58-61页 |
| 5.5.1 基于改进在线序列学习机的危险源识别算法实现 | 第58-60页 |
| 5.5.2 基于混合蚁群关联规则的危险源原因分析算法实现 | 第60-61页 |
| 5.6 系统典型运行界面 | 第61-66页 |
| 5.6.1 权限管理 | 第61-62页 |
| 5.6.2 危险源识别与原因分析 | 第62-63页 |
| 5.6.3 行政检查 | 第63-66页 |
| 5.7 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 在学期间的研究成果及发表的学术论文 | 第75页 |
