| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第21-37页 |
| 1.1 研究背景 | 第21-25页 |
| 1.1.1 选题背景 | 第21-23页 |
| 1.1.2 研究意义 | 第23-25页 |
| 1.2 国内外研究现状 | 第25-26页 |
| 1.3 目前研究存在的问题 | 第26-27页 |
| 1.4 论文的主要研究内容及技术路线 | 第27-36页 |
| 1.4.1 主要研究内容 | 第27-33页 |
| 1.4.2 本文主要章节及技术路线 | 第33-36页 |
| 1.5 课题来源 | 第36页 |
| 1.6 本章小结 | 第36-37页 |
| 2 瓦斯监控系统异常信号及其特征 | 第37-47页 |
| 2.1 煤矿瓦斯监控系统 | 第37-40页 |
| 2.1.1 煤矿安全监控系统框架与结构 | 第38-39页 |
| 2.1.2 KG9701矿用瓦斯传感器 | 第39-40页 |
| 2.2 异常信号的时域特征 | 第40-46页 |
| 2.2.1 瓦斯传感器的故障模式 | 第40-42页 |
| 2.2.2 瓦斯监控系统异常信号的时域直观特征指标 | 第42-43页 |
| 2.2.3 瓦斯监控系统异常信号的时域间接特征指标 | 第43-44页 |
| 2.2.4 煤矿瓦斯监控系统异常信号的特征分析 | 第44-46页 |
| 2.3 本章小结 | 第46-47页 |
| 3 安全监测监控系统瓦斯浓度异常信号辨识理论研究 | 第47-68页 |
| 3.1 线性回归分析法在异常信号辨识方面的应用 | 第47-49页 |
| 3.2 异常信号的检出方法研究 | 第49-55页 |
| 3.2.1 人工神经网络数据融合算法研究 | 第49-51页 |
| 3.2.2 支持向量回归机数据融合算法研究 | 第51-54页 |
| 3.2.3 异常信号的解析模糊决策检出方法 | 第54-55页 |
| 3.3 异常信号时频特征提取方法研究 | 第55-62页 |
| 3.3.1 小波分析 | 第56-59页 |
| 3.3.2 Hilbert-Huang变换 | 第59-61页 |
| 3.3.3 能量化特征矢量 | 第61-62页 |
| 3.3.4 傅里叶变换谱 | 第62页 |
| 3.4 异常信号分类方法研究 | 第62-64页 |
| 3.4.1 最小二乘支持向量机分类器 | 第62-63页 |
| 3.4.2 二叉树最小二乘支持向量机多分类器 | 第63-64页 |
| 3.5 两个进行异常信号特征辨识时应考虑的问题 | 第64-65页 |
| 3.5.1 信号特征的时间匹配 | 第64页 |
| 3.5.2 传感器信号延迟的问题 | 第64-65页 |
| 3.6 瓦斯监测监控系统瓦斯浓度异常信号辨识模型 | 第65-67页 |
| 3.7 本章小结 | 第67-68页 |
| 4 瓦斯监测监控系统瓦斯浓度异常信号检出仿真实验研究 | 第68-89页 |
| 4.1 常见瓦斯传感器布局 | 第68-69页 |
| 4.2 基于GRNN神经元网络的异常信号融合残差的检出方法 | 第69-74页 |
| 4.2.1 基于GRNN网络的逼近器 | 第69-71页 |
| 4.2.2 GRNN网络的异常信号检出模型 | 第71-72页 |
| 4.2.3 GRNN网络的异常检出仿真实验结果 | 第72-74页 |
| 4.3 基于参数优化的SVR的瓦斯传感器信号预测模型的实现 | 第74-87页 |
| 4.3.1 支持向量回归机(support vector regression,SVR) | 第74-75页 |
| 4.3.2 基于遗传算法(Genetic Algorithm,GA)的参数寻优 | 第75-76页 |
| 4.3.3 基于自适应步长萤火虫算法(ASGSO)的参数寻优 | 第76-78页 |
| 4.3.4 基于参数优化的SVR的预测模型的仿真实验 | 第78-82页 |
| 4.3.5 基于GA-SVR的瓦斯浓度预测模型的异常信号检出实验结果 | 第82-85页 |
| 4.3.6 瓦斯监控系统故障评估新指标 | 第85-87页 |
| 4.4 本章小结 | 第87-89页 |
| 5 瓦斯浓度异常信号特征提取与分类实验研究 | 第89-122页 |
| 5.1 瓦斯监控异常信号提取与分类实验系统构建 | 第89-98页 |
| 5.1.1 实验目的 | 第89页 |
| 5.1.2 实验平台的架构 | 第89-92页 |
| 5.1.3 实验对象介绍 | 第92-94页 |
| 5.1.4 实验步骤及流程 | 第94-98页 |
| 5.2 基于小波降噪结合DFT变换谱的异常信号辨识方法 | 第98-106页 |
| 5.2.1 小波滤波算法 | 第98-101页 |
| 5.2.2 离散傅里叶变换 | 第101页 |
| 5.2.3 实验步骤及流程 | 第101页 |
| 5.2.4 实验结果分析 | 第101-106页 |
| 5.3 基于小波分析能量特征矢量的实验结果特征提取 | 第106-111页 |
| 5.3.1 能量化特征矢量异常信号特征提取方法 | 第106页 |
| 5.3.2 特征提取结果 | 第106-111页 |
| 5.4 基于hilbert-huang变换的特征提取方法 | 第111-118页 |
| 5.4.1 异常信号的EMD分解 | 第111-112页 |
| 5.4.2 基于SVR的端点延拓 | 第112-114页 |
| 5.4.3 基于Hilbert-Huang变换的信号特征提取 | 第114-118页 |
| 5.5 基于二叉树SVC的特征分类 | 第118-121页 |
| 5.5.1 异常信号特征提取方法的评价指标 | 第118-119页 |
| 5.5.2 基于二叉树SVC的特征分类 | 第119-121页 |
| 5.6 本章小结 | 第121-122页 |
| 6 结论与展望 | 第122-125页 |
| 6.1 结论 | 第122-123页 |
| 6.2 创新点 | 第123页 |
| 6.3 展望 | 第123-125页 |
| 参考文献 | 第125-133页 |
| 致谢 | 第133-135页 |
| 作者简介及读博期间主要科研成果 | 第135-136页 |
| 1. 作者简介 | 第135页 |
| 2. 读博期间撰写的论文 | 第135页 |
| 3. 主持与参加的科研 | 第135-136页 |
| 4. 专利 | 第136页 |
