基于RBF神经网络与蚁群算法的瓦斯预测模型研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-14页 |
| ·课题研究背景 | 第10-11页 |
| ·课题研究意义 | 第11页 |
| ·国内外研究现状 | 第11-12页 |
| ·本文的主要工作 | 第12-14页 |
| 2 煤矿瓦斯涌出量的来源及定义 | 第14-17页 |
| ·瓦斯的来源及组成 | 第14页 |
| ·瓦斯涌出量定义 | 第14-15页 |
| ·影响瓦斯涌出量的主要因素 | 第15-17页 |
| 3 瓦斯预测方法及RBF 神经网络 | 第17-31页 |
| ·瓦斯预测方法概述 | 第17-20页 |
| ·统计分析法 | 第17页 |
| ·分源计算法 | 第17页 |
| ·煤层瓦斯含量法 | 第17-18页 |
| ·类比法 | 第18页 |
| ·瓦斯地质数学模型法 | 第18页 |
| ·速度法 | 第18-19页 |
| ·基于分形理论的R S 分析的预测法 | 第19页 |
| ·基于灰色系统理论的预测法 | 第19页 |
| ·基于遗传规划的预测法 | 第19页 |
| ·基于神经网络的预测法 | 第19-20页 |
| ·人工神经网络简介 | 第20-24页 |
| ·神经网络特点 | 第20-21页 |
| ·前馈网络 | 第21-22页 |
| ·反馈网络 | 第22页 |
| ·神经网络的学习 | 第22-24页 |
| ·RBF 神经网络介绍 | 第24-31页 |
| ·RBF 神经网络的结构 | 第24-25页 |
| ·RBF 算法实现 | 第25-28页 |
| ·RBF 与BP 神经网络比较 | 第28-30页 |
| ·RBF 网络拓扑结构与算法 | 第30-31页 |
| 4 蚁群算法原理 | 第31-36页 |
| ·蚁群算法起源 | 第31页 |
| ·蚁群算法研究及应用现状 | 第31-32页 |
| ·蚁群算法基本原理 | 第32-33页 |
| ·蚁群算法的实现 | 第33-36页 |
| 5 瓦斯涌出量预测模型的设计及优化过程 | 第36-46页 |
| ·基于RBF神经网络的瓦斯涌出量预测模型设计 | 第36-38页 |
| ·瓦斯预测影响因素分析 | 第36-37页 |
| ·RBF 神经网络的神经元个数选择 | 第37页 |
| ·神经网络初始学习速率的选取 | 第37-38页 |
| ·神经网络期望误差的选取 | 第38页 |
| ·蚁群优化算法优化RBF 神经网络 | 第38-40页 |
| ·隐层单元结构的调整 | 第40-41页 |
| ·隐层单元结构的调整 | 第41页 |
| ·基于蚁群算法的RBF 神经网络整体优化算法 | 第41-42页 |
| ·瓦斯涌出量预测结果分析 | 第42-46页 |
| 6 基于无线传感网络的矿井瓦斯监测系统 | 第46-57页 |
| ·无线传感网络的概念 | 第46-47页 |
| ·无线传感器网络发展历史 | 第47页 |
| ·无线传感网络的结构 | 第47-48页 |
| ·无线传感网络煤矿井下监测系统 | 第48-49页 |
| ·瓦斯监测系统节点机结构 | 第49-50页 |
| ·地面监控预测中心 | 第50-57页 |
| ·虚拟仪器技术概念 | 第51页 |
| ·虚拟仪器的发展历程 | 第51-52页 |
| ·虚拟仪器的功能特性 | 第52-54页 |
| ·LabVIEW 简介 | 第54页 |
| ·矿井瓦斯监测系统设计 | 第54-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 作者简历 | 第62-64页 |
| 学位论文数据集 | 第64-65页 |
