| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 引言 | 第10-11页 |
| 1 绪论 | 第11-14页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 2 矿井火灾和通风系统研究 | 第14-22页 |
| 2.1 火灾致灾机理及燃烧状态分析 | 第14-17页 |
| 2.1.1 火灾的燃烧阶段 | 第14-15页 |
| 2.1.2 矿井火灾致灾机理 | 第15-17页 |
| 2.2 火灾中风流控制的理论与方法 | 第17-20页 |
| 2.2.1 风流逆变的形成和应对 | 第17-18页 |
| 2.2.2 上、下行风流发生火灾时风流逆转条件 | 第18-20页 |
| 2.2.3 下行风流逆变理论分析 | 第20页 |
| 2.3 灾变时期风流控制 | 第20-21页 |
| 2.3.1 基本控风原则 | 第20-21页 |
| 2.3.2 灾变时的基本控风方法 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 模糊聚类分析理论基础 | 第22-31页 |
| 3.1 关于模糊集合的理论基础 | 第22-25页 |
| 3.1.1 模糊集合的概念 | 第22-23页 |
| 3.1.2 模糊截集和模糊集合的合成 | 第23页 |
| 3.1.3 模糊相似和模糊等价 | 第23-25页 |
| 3.2 模糊聚类的步骤 | 第25-28页 |
| 3.2.1 数据的标准化 | 第25-26页 |
| 3.2.2 建立模糊相似矩阵 | 第26-28页 |
| 3.3 模糊C均值算法 | 第28-30页 |
| 3.3.1 FCM算法的基本原理 | 第28-29页 |
| 3.3.2 FCM算法的具体步骤与流程图 | 第29-30页 |
| 3.4 实验结果 | 第30-31页 |
| 4 基于人工鱼群改进的模糊C均值算法 | 第31-39页 |
| 4.1 人工鱼群算法 | 第31-35页 |
| 4.1.1 人工鱼群算法的基本原理 | 第31-33页 |
| 4.1.2 基于人工鱼群优化的FCM算法 | 第33页 |
| 4.1.3 AFSA-FCM算法的步骤 | 第33-35页 |
| 4.2 AFSA-FCM算法在火灾预测中的应用 | 第35-39页 |
| 4.2.1 基于AFSA-FCM算法在火灾预测试验 | 第35-36页 |
| 4.2.2 依据最优聚类中心的危险程度划分 | 第36-39页 |
| 5 抗灾防火自动预测控制系统 | 第39-49页 |
| 5.1 防火检测风门的硬件 | 第39-44页 |
| 5.1.1 防火风门与传感器 | 第39-42页 |
| 5.1.2 传感器及相关信息的采集 | 第42-44页 |
| 5.2 矿井抗灾及预测软件系统 | 第44-48页 |
| 5.2.1 监控系统的系统具体开发 | 第44-45页 |
| 5.2.2 主要功能设计 | 第45-46页 |
| 5.2.3 主要功能实现 | 第46-48页 |
| 5.3 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录A 井下火灾数据样本 | 第53-55页 |
| 作者简历 | 第55-57页 |
| 学位论文数据集 | 第57-58页 |