| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 问题的提出 | 第14-16页 |
| 1.3 研究现状 | 第16-18页 |
| 1.4 研究内容和技术路线 | 第18-21页 |
| 1.4.1 研究内容 | 第18-20页 |
| 1.4.2 技术路线 | 第20-21页 |
| 第二章 BP神经网络和遗传算法基本理论和方法 | 第21-34页 |
| 2.1 BP神经网络的基本原理 | 第21-25页 |
| 2.1.1 BP神经网络的结构 | 第21-22页 |
| 2.1.2 BP神经网络的学习算法 | 第22-25页 |
| 2.1.3 BP网络算法的程序实现 | 第25页 |
| 2.2 遗传算法的基本理论 | 第25-34页 |
| 2.2.1 物进化理论和遗传学的基本知识 | 第27-29页 |
| 2.2.2 遗传算法的基本思想 | 第29页 |
| 2.2.3 遗传算法的实现及基本操作 | 第29-32页 |
| 2.2.4 遗传算法的特点 | 第32-34页 |
| 第三章 胶结充填体强度模型的选择与建立 | 第34-60页 |
| 3.1 实验 | 第34-39页 |
| 3.1.1 实验材料 | 第34-36页 |
| 3.1.2 级配实验 | 第36-37页 |
| 3.1.3 实验方案 | 第37-38页 |
| 3.1.4 实验结果 | 第38-39页 |
| 3.2 基于BP神经网络的全尾砂胶结充填体强度预测模型 | 第39-49页 |
| 3.2.1 训练样本 | 第40-41页 |
| 3.2.2 网络结构的确定 | 第41-43页 |
| 3.2.3 网络传递函数的选择 | 第43-44页 |
| 3.2.4 网络权值的初始化 | 第44-45页 |
| 3.2.5 全尾砂BP神经网络强度模型的MATLAB实现 | 第45-49页 |
| 3.3 废石-尾砂充填体强度模型 | 第49-51页 |
| 3.4 本章小结 | 第51-60页 |
| 第四章 基于遗传算法的充填料配比优化设计 | 第60-77页 |
| 4.1 基于遗传算发的充填料配比优化设计 | 第60-64页 |
| 4.1.1 遗传算法的基本流程 | 第60-62页 |
| 4.1.2 遗传算法参数设置 | 第62-64页 |
| 4.2 充填料配比的流变特性与输送特性优选 | 第64-66页 |
| 4.3 工程应用 | 第66-75页 |
| 4.3.1 工程背景 | 第66页 |
| 4.3.2 采矿方法 | 第66-67页 |
| 4.3.3 工程概况 | 第67-69页 |
| 4.3.4 工程设计 | 第69-74页 |
| 4.3.5 实验验证 | 第74-75页 |
| 4.3.6 工程应用效果 | 第75页 |
| 4.4 本章小结 | 第75-77页 |
| 第五章 充填料性能预测及配比优化决策系统 | 第77-88页 |
| 5.1 概述 | 第77-79页 |
| 5.1.1 软件开发环境 | 第77页 |
| 5.1.2 软件开发工具 | 第77-78页 |
| 5.1.3 数据库及结构化查询语言 | 第78-79页 |
| 5.2 系统设计 | 第79-80页 |
| 5.2.1 系统功能分析 | 第79页 |
| 5.2.2 系统功能模块设计 | 第79页 |
| 5.2.3 数据库设计 | 第79-80页 |
| 5.3 界面设计 | 第80-87页 |
| 5.3.1 界面设计原则 | 第80-82页 |
| 5.3.2 系统界面设计 | 第82-87页 |
| 5.4 本章小结 | 第87-88页 |
| 第六章 结论与展望 | 第88-90页 |
| 6.1 主要结论 | 第88-89页 |
| 6.2 不足与展望 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 附录(攻读学位期间发表的论文、主要研究成果及参研项目) | 第95页 |
