| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-20页 |
| 1.2.1 矿山排土场安全预警研究现状 | 第17-18页 |
| 1.2.2 支持向量机在预测及其应用性研究中的发展现状 | 第18-20页 |
| 1.3 本文的主要工作及内容安排 | 第20-23页 |
| 第二章 矿山排土场的SVR理论基础和预测模型 | 第23-33页 |
| 2.1 统计学理论基础 | 第23-25页 |
| 2.1.1 VC维 | 第23页 |
| 2.1.2 经验风险最小化原则 | 第23-24页 |
| 2.1.3 结构风险最小化原则 | 第24-25页 |
| 2.2 回归支持向量机 | 第25-27页 |
| 2.2.1 线性回归支持向量机 | 第25-27页 |
| 2.2.2 非线性回归支持向量机 | 第27页 |
| 2.3 基于矿山排土场位移预测模型的SVR建模 | 第27-32页 |
| 2.3.1 排土场安全预测指标与关联度分析 | 第27-31页 |
| 2.3.2 基于表面位移的回归建模 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于双种群闪烁萤火虫算法的支持向量机参数寻优方法 | 第33-47页 |
| 3.1 基本萤火虫算法概述 | 第33-36页 |
| 3.1.1 基本算法 | 第33-34页 |
| 3.1.2 寻优过程分析 | 第34页 |
| 3.1.3 FA的吸引度分析 | 第34-36页 |
| 3.2 基于双种群协同和闪烁机制的萤火虫算法 | 第36-39页 |
| 3.2.1 萤火虫混沌闪烁机制 | 第36-37页 |
| 3.2.2 基于随机项的改进 | 第37-38页 |
| 3.2.3 双种群机制 | 第38-39页 |
| 3.3 算法的性能分析和比较 | 第39-45页 |
| 3.3.1 通用测试集函数 | 第39-40页 |
| 3.3.2 收敛精度分析 | 第40-41页 |
| 3.3.3 收敛速度分析 | 第41-45页 |
| 3.4 DFFA算法在支持向量回归机参数寻优应用 | 第45-46页 |
| 3.4.1 SVR参数寻优问题 | 第45页 |
| 3.4.2 DFFA算法处理实际矿山排土场数据集 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于特征样本缩减和参数模糊自整定的在线SVR优化 | 第47-57页 |
| 4.1 精确在线支持向量回归机 | 第47-48页 |
| 4.2 大规模数据集的FVS缩减方法 | 第48-50页 |
| 4.3 基于损失函数模糊自整定和样本缩减的在线学习 | 第50-52页 |
| 4.3.1 批量学习样本的FVS法 | 第50页 |
| 4.3.2 基于损失函数ε的模糊自整定 | 第50-52页 |
| 4.4 矿山排土场位移在线预测中的应用 | 第52-56页 |
| 4.4.1 离线训练 | 第53-54页 |
| 4.4.2 在线学习和预测 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于分布式系统的离线SVR位移训练方案 | 第57-67页 |
| 5.1 分布式基础 | 第57-60页 |
| 5.1.1 Hadoop基础 | 第57-58页 |
| 5.1.2 HDFS | 第58-59页 |
| 5.1.3 MapReduce | 第59-60页 |
| 5.2 基于分布式的SVR离线交叉模型训练 | 第60-65页 |
| 5.2.1 SVR-CV思想的分布式基础 | 第60-62页 |
| 5.2.2 基于Hadoop的并行最佳模型训练方法 | 第62-63页 |
| 5.2.3 基于Hadoop集群的实验分析 | 第63-65页 |
| 5.3 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 研究成果及发表的学术论文 | 第75-77页 |
| 作者和导师简介 | 第77-79页 |
| 附件 | 第79-80页 |
