| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 矿井水源类型识别的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13页 |
| 1.3 主要研究的水源类型 | 第13-14页 |
| 1.4 研究内容与文章结构 | 第14-16页 |
| 第二章 水化学特征分析及数据处理 | 第16-30页 |
| 2.1 水化学特征分析 | 第16-23页 |
| 2.1.1 水源特征的主要参数 | 第16-17页 |
| 2.1.2 水源数据的piper三线图 | 第17-23页 |
| 2.2 阴阳离子平衡检测 | 第23页 |
| 2.3 水化学特征标准化 | 第23页 |
| 2.4 主成分分析PCA | 第23-29页 |
| 2.4.1 PCA的基本原理 | 第24-25页 |
| 2.4.2 PCA分析步骤 | 第25-26页 |
| 2.4.3 PCA分析的结果 | 第26-29页 |
| 2.5 本章总结 | 第29-30页 |
| 第三章 水源判别模型分析 | 第30-40页 |
| 3.1 灰色关联度判别模型 | 第30-33页 |
| 3.1.1 灰色关联度分析法原理 | 第30-32页 |
| 3.1.2 灰色关联度判别方法应用 | 第32-33页 |
| 3.2 Bayes判别模型 | 第33-35页 |
| 3.2.1 Bayes判别分析的原理 | 第33-34页 |
| 3.2.2 Bayes判别分析结果 | 第34-35页 |
| 3.3 神经网络判别模型 | 第35-38页 |
| 3.3.1 BP神经网络原理 | 第36-37页 |
| 3.3.2 BP神经网络的运行结果 | 第37-38页 |
| 3.4 判别模型的确定 | 第38-39页 |
| 3.5 本章总结 | 第39-40页 |
| 第四章 基于SFLA与MISFLA的BP神经网络水源类型识别 | 第40-54页 |
| 4.1 蛙跳算法SFLA | 第40-44页 |
| 4.1.1 基本思想 | 第40页 |
| 4.1.2 蛙跳算法的数学模型 | 第40-41页 |
| 4.1.3 计算步骤 | 第41-42页 |
| 4.1.4 蛙跳算法的流程图 | 第42-44页 |
| 4.2 SFLA改进BP神经网络 | 第44-48页 |
| 4.2.1 SFLA训练BP神经网络参数的流程 | 第45页 |
| 4.2.2 SFLA改进BP神经网络流程图 | 第45页 |
| 4.2.3 SFLA_BP神经网络实验结果 | 第45-48页 |
| 4.3 混合改进的SFLA算法 | 第48-50页 |
| 4.3.1 对立策略 | 第48页 |
| 4.3.2 高斯变异 | 第48-49页 |
| 4.3.3 混沌扰动 | 第49页 |
| 4.3.4 混合改进SFLA的流程 | 第49-50页 |
| 4.4 基于MISFLA_BP神经网络的突水水源判别 | 第50-53页 |
| 4.5 本章总节 | 第53-54页 |
| 第五章 基于深度神经网络的突水水源识别 | 第54-66页 |
| 5.1 深度学习神经网络的基础理论 | 第54-55页 |
| 5.1.1 研究背景 | 第54页 |
| 5.1.2 基本思想 | 第54-55页 |
| 5.1.3 对比传统网络的优势 | 第55页 |
| 5.2 深度神经网络的类型 | 第55-57页 |
| 5.2.1 深信度神经网络 | 第55-56页 |
| 5.2.2 卷积神经网络 | 第56-57页 |
| 5.2.3 自动编码器 | 第57页 |
| 5.3 深信度神经网络DBN | 第57-63页 |
| 5.3.1 受限玻尔兹曼机RBM | 第57-61页 |
| 5.3.2 基于贝叶斯的改进RBM | 第61页 |
| 5.3.3 softmax分类器 | 第61-62页 |
| 5.3.4 BRBM堆叠构建DBN | 第62-63页 |
| 5.4 基于DBN的突水水源识别 | 第63-65页 |
| 5.5 本章总结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表论文 | 第74页 |