| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 冲击地压预测的研究现状 | 第10-13页 |
| 1.2.1 国内的研究现状 | 第10-12页 |
| 1.2.2 国外的研究现状 | 第12-13页 |
| 1.3 论文内容安排和主要内容 | 第13-15页 |
| 第2章 煤岩失稳破坏的前兆特征分析及传统预测方法 | 第15-23页 |
| 2.1 煤岩体破裂前兆特征分析 | 第15-19页 |
| 2.1.1 声发射前兆特征分析 | 第15-16页 |
| 2.1.2 电磁辐射特征分析 | 第16-17页 |
| 2.1.3 红外辐射特征分析 | 第17-19页 |
| 2.2 煤岩灾害的传统预警方法 | 第19-22页 |
| 2.2.1 微震 | 第19页 |
| 2.2.2 声发射法 | 第19-20页 |
| 2.2.3 电磁辐射法 | 第20页 |
| 2.2.4 热力法 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于多源信息融合的煤岩破裂前兆特征分析 | 第23-29页 |
| 3.1 传统的多源信息融合方法 | 第23-25页 |
| 3.2 新型的多参量特征融合方法 | 第25-28页 |
| 3.2.1 方法步骤 | 第26-27页 |
| 3.2.2 计算综合危险指数 | 第27-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第4章 基于果蝇算法优化广义回归神经网络 | 第29-47页 |
| 4.1 广义回归神经网络 | 第29-35页 |
| 4.1.1 广义回归神经网络概念 | 第29-30页 |
| 4.1.2 广义回归神经网络的结构 | 第30-33页 |
| 4.1.3 广义回归神经网络算法原理 | 第33-34页 |
| 4.1.4 广义回归神经网络算法的分析 | 第34-35页 |
| 4.2 果蝇优化算法 | 第35-38页 |
| 4.2.1 果蝇算法原理 | 第35-36页 |
| 4.2.2 果蝇优化算法的特性及应用 | 第36-37页 |
| 4.2.3 果蝇优化算法步骤及代码实现 | 第37-38页 |
| 4.3 基于FOA优化广义回归神经网络 | 第38-46页 |
| 4.3.1 FOA-GRNN模型 | 第38-42页 |
| 4.3.2 FOA-GRNN的函数逼近能力验证 | 第42-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 煤矿冲击地压预测模型的建立 | 第47-57页 |
| 5.1 仿真实验平台 | 第47页 |
| 5.2 样本的筛选预处理 | 第47-48页 |
| 5.3 网络输入层和网络输出层 | 第48-49页 |
| 5.4 基于FOA-GRNN冲击地压预测模型的建立 | 第49-51页 |
| 5.5 模型性能验证 | 第51-56页 |
| 5.6 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 程序代码 | 第62-69页 |
| 致谢 | 第69-70页 |
| 导师简介 | 第70-71页 |
| 作者简介 | 第71-72页 |
| 学位论文数据集 | 第72页 |