| 中文摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第一章 引言 | 第11-17页 |
| ·论文的应用背景及意义 | 第11页 |
| ·国内外煤矿瓦斯预测技术研究现状 | 第11-12页 |
| ·专家系统在煤矿瓦斯预测中的应用及遇到的问题 | 第12-15页 |
| ·论文的内容与结构 | 第15-17页 |
| 第二章 煤矿瓦斯预测知识获取模型 | 第17-31页 |
| ·粗糙集理论概述 | 第17-20页 |
| ·粗糙集简介 | 第17-18页 |
| ·连续属性的离散化 | 第18页 |
| ·决策表的属性约简 | 第18-20页 |
| ·神经网络理论概述 | 第20-23页 |
| ·神经网络简介 | 第20-21页 |
| ·神经网络模型 | 第21-22页 |
| ·神经网络设计 | 第22-23页 |
| ·粗糙集和神经网络结合的可行性及研究现状 | 第23-26页 |
| ·粗糙集和神经网络结合的可行性 | 第23-24页 |
| ·粗糙集和神经网络结合的研究现状 | 第24-26页 |
| ·基于粗糙集与神经网络的煤矿瓦斯预测知识获取模型 | 第26-28页 |
| ·样本数据更新 | 第27页 |
| ·数据预处理 | 第27页 |
| ·神经网络构造 | 第27-28页 |
| ·神经网络训练 | 第28页 |
| ·规则提取 | 第28页 |
| ·规则验证和录入 | 第28页 |
| ·基于粗糙集与神经网络的煤矿瓦斯预测知识获取模型的工作流程 | 第28-29页 |
| ·小结 | 第29-31页 |
| 第三章 煤矿瓦斯预测知识获取算法 | 第31-39页 |
| ·基于信息熵的连续属性离散化算法 | 第31-33页 |
| ·一般的离散化算法 | 第31页 |
| ·断点重要性的定义 | 第31-32页 |
| ·基于信息熵的连续属性离散化算法描述 | 第32-33页 |
| ·基于属性重要性的属性约简算法 | 第33-34页 |
| ·一般的属性约简算法 | 第33页 |
| ·属性重要性的定义 | 第33-34页 |
| ·基于属性重要性的属性约简算法描述 | 第34页 |
| ·基于动态修正的BP神经网络训练算法 | 第34-36页 |
| ·BP神经网络初始化 | 第34页 |
| ·动态修正网络 | 第34-35页 |
| ·神经网络训练算法 | 第35-36页 |
| ·基于结构分解的规则提取算法 | 第36-37页 |
| ·规则的生成 | 第36-37页 |
| ·规则的重写 | 第37页 |
| ·小结 | 第37-39页 |
| 第四章 煤矿瓦斯预测知识获取模型的实现及应用 | 第39-51页 |
| ·模型开发工具 | 第39页 |
| ·模型的运行界面 | 第39-42页 |
| ·应用实例 | 第42-49页 |
| ·建立样本数据库 | 第42-43页 |
| ·粗糙集数据预处理 | 第43-45页 |
| ·神经网络训练 | 第45-46页 |
| ·与传统BP神经网络的比较分析 | 第46-48页 |
| ·规则提取结果 | 第48-49页 |
| ·规则的测试及与其他方法的比较 | 第49页 |
| ·小结 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| ·论文研究总结 | 第51页 |
| ·课题展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 发表文章目录 | 第57-58页 |
| 致谢 | 第58-59页 |
| 个人简况及联系方式 | 第59-60页 |