| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·课题研究背景 | 第8-9页 |
| ·国内外研究现状 | 第9-14页 |
| ·瓦斯突出分类预测模型综述 | 第9-11页 |
| ·支持向量机算法综述 | 第11-13页 |
| ·支持向量机应用综述 | 第13-14页 |
| ·研究内容 | 第14页 |
| ·论文结构 | 第14-15页 |
| ·小结 | 第15-16页 |
| 第二章 数据挖掘与支持向量机 | 第16-30页 |
| ·数据挖掘 | 第16-17页 |
| ·BP 神经网络 | 第17-18页 |
| ·支持向量机理论 | 第18-27页 |
| ·统计学习理论 | 第19-24页 |
| ·优化理论 | 第24-26页 |
| ·核函数 | 第26-27页 |
| ·支持向量机算法 | 第27-29页 |
| ·支持向量机分类算法 | 第27-28页 |
| ·支持向量机多分类算法 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第三章 基于数据集约简的支持向量机分类算法 | 第30-38页 |
| ·C-SVC 算法及其变形算法 | 第30-33页 |
| ·基于数据集约简的支持向量分类机RS-C-SVC | 第33-35页 |
| ·数据集约简 | 第33-35页 |
| ·样本最大相似度计算 | 第35页 |
| ·算法描述 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第四章 RS-C-SVC 在煤与瓦斯突出分类预测中的应用 | 第38-44页 |
| ·模型与算法 | 第38-39页 |
| ·模型 | 第38页 |
| ·算法 | 第38-39页 |
| ·实验数据与样本选择 | 第39页 |
| ·实验结果对比分析 | 第39-42页 |
| ·RS- C-SVC 模型与BP 神经网络模型实验对比分析 | 第39-41页 |
| ·RS-C-SVC 算法与C-SVC 算法实验对比分析 | 第41-42页 |
| ·小结 | 第42-44页 |
| 第五章 总结与展望 | 第44-46页 |
| ·总结 | 第44-45页 |
| ·展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-52页 |
| 读研期间取得的研究成果 | 第52-54页 |
| 个人简介 | 第54-55页 |
