| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 论文研究背景 | 第11-12页 |
| 1.2 研究的目的和意义 | 第12-13页 |
| 1.2.1 研究的目的 | 第12页 |
| 1.2.2 研究的意义 | 第12-13页 |
| 1.3 国内外现状 | 第13-18页 |
| 1.3.1 大数据产业现状 | 第13-14页 |
| 1.3.2 矿业大数据现状 | 第14页 |
| 1.3.3 我国矿山安全现状 | 第14-18页 |
| 1.4 研究路线与研究内容 | 第18-21页 |
| 1.4.1 研究路线 | 第18-19页 |
| 1.4.2 研究内容 | 第19-21页 |
| 第2章 矿业数据的来源与数据库的构建 | 第21-47页 |
| 2.1 大数据的定义及特征 | 第21-22页 |
| 2.1.1 大数据的定义 | 第21页 |
| 2.1.2 大数据的特征 | 第21-22页 |
| 2.2 大数据的分类及价值 | 第22-24页 |
| 2.2.1 数据的分类 | 第22-23页 |
| 2.2.2 数据的价值 | 第23-24页 |
| 2.3 矿业数据来源 | 第24-27页 |
| 2.3.1 互联网PC端 | 第25-26页 |
| 2.3.2 无线数据 | 第26-27页 |
| 2.4 矿业大数据模型的构建 | 第27-38页 |
| 2.4.1 矿山数据库模型 | 第33-34页 |
| 2.4.2 采矿设备数据库模型 | 第34-36页 |
| 2.4.3 选矿厂数据库模型 | 第36-37页 |
| 2.4.4 选矿设备数据库模型 | 第37-38页 |
| 2.5 数据采集和整理过程中存在的问题 | 第38-47页 |
| 2.5.1 数据不完整 | 第44页 |
| 2.5.2 数据失真 | 第44-45页 |
| 2.5.3 数据匹配难度较大 | 第45-47页 |
| 第3章 矿山事故致因数据挖掘和分布式处理 | 第47-57页 |
| 3.1 基于Map-Reduce的大数据计算 | 第47-52页 |
| 3.1.1 Map-Reduce介绍 | 第47-49页 |
| 3.1.2 Map-Reduce的工作原理 | 第49-50页 |
| 3.1.3 Map-Reduce在矿山事故预防的应用 | 第50页 |
| 3.1.4 Map-Reduce优势 | 第50-52页 |
| 3.2 基于LSH的相似项发现 | 第52-57页 |
| 3.2.1 局部敏感哈希LSH(Locality Sensitive Hashing) | 第52页 |
| 3.2.2 LSH的工作原理 | 第52-54页 |
| 3.2.3 LSH在矿业互联网领域的应用 | 第54-55页 |
| 3.2.4 利用LSH进行矿业数据提取和采集 | 第55-57页 |
| 第4章 矿山事故的预防方法 | 第57-95页 |
| 4.1 矿山事故统计分析 | 第59-66页 |
| 4.1.1 煤矿事故统计 | 第59-60页 |
| 4.1.2 煤矿事故分析 | 第60-62页 |
| 4.1.3 非煤矿山事故统计 | 第62-63页 |
| 4.1.4 非煤矿山事故分析 | 第63-65页 |
| 4.1.5 矿山事故统计和分析过程中存在的问题 | 第65-66页 |
| 4.2 矿山可能发生事故的致因因素分析 | 第66-73页 |
| 4.2.1 事故发生致因因素及单元划分 | 第67-69页 |
| 4.2.2 通过事故案例对致因因素及划分单元进行验证 | 第69-73页 |
| 4.3 矿山事故预防的大数据算法模型 | 第73-81页 |
| 4.3.1 基于模糊评价的算法模型 | 第73-80页 |
| 4.3.2 计算结果说明 | 第80-81页 |
| 4.4 应用实例 | 第81-93页 |
| 4.4.1 计算原理简述 | 第81-82页 |
| 4.4.2 矿山概述 | 第82-84页 |
| 4.4.3 输入数据并计算 | 第84-92页 |
| 4.4.4 结果分析 | 第92-93页 |
| 4.5 依据结果提出预防措施 | 第93-95页 |
| 第5章 结论和展望 | 第95-97页 |
| 5.1 结论 | 第95页 |
| 5.2 展望 | 第95-97页 |
| 参考文献 | 第97-99页 |
| 致谢 | 第99-101页 |
| 作者简介 | 第101页 |
