| 致谢 | 第1-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-10页 |
| 目次 | 第10-13页 |
| 图清单 | 第13-14页 |
| 表清单 | 第14-15页 |
| 1 绪论 | 第15-22页 |
| ·选题研究背景 | 第15页 |
| ·选题研究意义 | 第15-16页 |
| ·国内外研究现状 | 第16-20页 |
| ·煤与瓦斯突出分类预测模型综述 | 第16-18页 |
| ·人工智能方法在瓦斯突出预测中的应用 | 第18-20页 |
| ·论文的主要内容及技术路线 | 第20-21页 |
| ·研究主要内容 | 第20-21页 |
| ·论文的技术路线 | 第21页 |
| ·本章小结 | 第21-22页 |
| 2 煤与瓦斯突出机理及突出影响因素的特征选择 | 第22-32页 |
| ·煤与瓦斯突出机理 | 第22页 |
| ·煤与瓦斯突出发生条件及发展过程 | 第22-24页 |
| ·煤与瓦斯突出发生的条件 | 第22-23页 |
| ·煤与瓦斯突出的发展过程 | 第23-24页 |
| ·煤与瓦斯突出的一般规律 | 第24-25页 |
| ·突出主要影响因素分析 | 第25-27页 |
| ·地质条件指标对煤与瓦斯突出的影响 | 第25页 |
| ·煤体结构及力学性质对煤与瓦斯突出的影响 | 第25-26页 |
| ·瓦斯参数对煤与瓦斯突出的影响 | 第26-27页 |
| ·基于灰熵关联分析的区域预测特征向量提取 | 第27-31页 |
| ·灰色系统理论及灰色关联度分析 | 第28-29页 |
| ·突出影响指标的灰色关联度分析与计算 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 3 统计学习理论与支持向量机 | 第32-49页 |
| ·统计学习理论 | 第32-36页 |
| ·机器学习和统计学习理论 | 第32页 |
| ·机器学习的基本问题 | 第32-34页 |
| ·统计学习理论的核心内容 | 第34-36页 |
| ·支持向量机基本理论 | 第36-43页 |
| ·线性可分支持向量机 | 第37-39页 |
| ·软间隔线性支持向量机 | 第39-41页 |
| ·核函数及非线性支持向量机 | 第41-43页 |
| ·支持向量机快速学习算法（SMO 算法） | 第43-48页 |
| ·QP 优化算法 | 第43-44页 |
| ·含两个拉格朗日乘子的 QP 求解法 | 第44-47页 |
| ·拉格朗日乘子的启发式搜索方法 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 4 基于 SVM 的突出预测模型的构建及参数优化方法 | 第49-59页 |
| ·训练样本集的选取 | 第49-50页 |
| ·核函数的选择 | 第50-52页 |
| ·SVM（RBF 核）的参数优化 | 第52-58页 |
| ·CVSVM(RBF 核)参数寻优 | 第53-56页 |
| ·GASVM(RBF 核)参数寻优 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 5 五阳煤矿突出区域预测与防治技术研究 | 第59-80页 |
| ·五阳煤矿 3#煤层总体情况 | 第59页 |
| ·突出危险性指标测定 | 第59-67页 |
| ·煤层瓦斯压力的测定 | 第59-61页 |
| ·五阳煤矿主要煤体的破坏类型 | 第61-63页 |
| ·煤层坚固性系数的测定 | 第63-65页 |
| ·煤体瓦斯放散初速度测定 | 第65-67页 |
| ·基于 PCASVM(RBF 核)模型的煤层区域突出危险性预测 | 第67-71页 |
| ·五阳煤矿煤与瓦斯突出危险性样本选取 | 第67-68页 |
| ·突出影响因素主成分分析 | 第68页 |
| ·基于 PCA 支持向量机的煤与瓦斯突出预测模型 | 第68-71页 |
| ·五阳煤矿 3#煤层区域防突措施选择及效果检验研究 | 第71-78页 |
| ·“四位一体”综合防突措施 | 第71-72页 |
| ·区域性防突措施 | 第72-75页 |
| ·超前钻孔防突措施效果检验研究 | 第75-78页 |
| ·本章小结 | 第78-80页 |
| 6 总结与展望 | 第80-82页 |
| ·全文总结 | 第80-81页 |
| ·未来工作的展望 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 作者简历 | 第85页 |
