| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 煤炭安全生产的重要意义 | 第11-12页 |
| 1.2 煤与瓦斯突出问题的现状 | 第12-13页 |
| 1.3 煤与瓦斯突出预测研究需要解决的问题 | 第13页 |
| 1.4 人工神经网络发展现状 | 第13-14页 |
| 1.5 支持向量机的发展现状 | 第14-15页 |
| 1.6 完成的主要工作 | 第15页 |
| 1.7 本文内容结构安排 | 第15-17页 |
| 第二章 煤与瓦斯突出及预测问题研究 | 第17-33页 |
| 2.1 煤与瓦斯突出 | 第17-20页 |
| 2.1.1 突出前的预兆 | 第17页 |
| 2.1.2 突出强度划分 | 第17-18页 |
| 2.1.3 煤与瓦斯突出过程 | 第18页 |
| 2.1.4 突出发生的一般规律 | 第18-19页 |
| 2.1.5 煤与瓦斯突出形成主控因素研究 | 第19-20页 |
| 2.2 煤与瓦斯突出预测方法研究 | 第20-24页 |
| 2.2.1 基于指标(经验知识)的预测方法 | 第20-22页 |
| 2.2.2 基于物理学原理的检测方法 | 第22页 |
| 2.2.3 基于数学模型的预测方法 | 第22-23页 |
| 2.2.4 基于黑箱理论的预测方法 | 第23-24页 |
| 2.3 神经网络 | 第24-28页 |
| 2.3.1 人工神经网络 | 第24页 |
| 2.3.2 神经网络特点 | 第24-25页 |
| 2.3.3 人工神经网络的模型 | 第25页 |
| 2.3.4 人工神经网络的种类 | 第25-26页 |
| 2.3.5 神经网络的学习 | 第26-27页 |
| 2.3.6 两种常用神经网络(BP、RBF)的比较 | 第27-28页 |
| 2.4 基于神经网络预测方法研究 | 第28-29页 |
| 2.5 粒子群优化算法 | 第29-33页 |
| 第三章 基于BP神经网络的煤与瓦斯突出预测模型研究 | 第33-43页 |
| 3.1 BP神经网络 | 第33-36页 |
| 3.1.1 BP神经网络的结构 | 第33-34页 |
| 3.1.2 BP神经网络的学习过程 | 第34-35页 |
| 3.1.3 BP网络在解决问题方面的特点 | 第35-36页 |
| 3.1.4 BP算法存在的问题及改进 | 第36页 |
| 3.2 BP神经网络预测分析 | 第36-40页 |
| 3.2.1 预测模型输入、输出样本选择 | 第36-39页 |
| 3.2.2 BP神经网络预测模型的建立 | 第39页 |
| 3.2.3 BP神经网络预测模型的训练及测试 | 第39-40页 |
| 3.3 预测结果分析 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于RBF神经网络的煤与瓦斯突出预测模型的研究 | 第43-51页 |
| 4.1 RBF神经网络 | 第43-45页 |
| 4.1.1 RBF神经网络的结构 | 第43-44页 |
| 4.1.2 RBF神经网络的两种模型 | 第44-45页 |
| 4.2 RBF神经网络预测分析 | 第45-47页 |
| 4.2.1 预测模型输入、输出样本选择 | 第45-46页 |
| 4.2.2 RBF神经网络预测模型的建立 | 第46页 |
| 4.2.3 RBF神经网络预测模型的训练及测试 | 第46-47页 |
| 4.3 RBF神经网络预测模型预测结果分析 | 第47-48页 |
| 4.4 本章小结 | 第48-51页 |
| 第五章 基于粒子群优化SVM的煤与瓦斯突出预测模型的研究 | 第51-71页 |
| 5.1 粒子群优化算法 | 第51-56页 |
| 5.1.1 算法的数学描述 | 第51页 |
| 5.1.2 算法的参数选择 | 第51-52页 |
| 5.1.3 粒子群优化算法的流程 | 第52-53页 |
| 5.1.4 粒子群优化算法的特点 | 第53-54页 |
| 5.1.5 粒子群优化算法的特征 | 第54页 |
| 5.1.6 常用的两种粒子群优化算法 | 第54-55页 |
| 5.1.7 粒子群优化算法与其他算法的比较 | 第55-56页 |
| 5.1.8 粒子群优化算法的应用研究 | 第56页 |
| 5.2 统计学习理论 | 第56-58页 |
| 5.3 支持向量机(SVM)理论 | 第58-65页 |
| 5.3.1 线性支持向量机 | 第59-60页 |
| 5.3.2 线性不可分支持向量机 | 第60-62页 |
| 5.3.3 非线性支持向量机 | 第62-63页 |
| 5.3.4 核函数 | 第63-64页 |
| 5.3.5 SVM算法的优势 | 第64页 |
| 5.3.6 SVM算法的核映射 | 第64-65页 |
| 5.3.7 SVM算法的基本流程 | 第65页 |
| 5.4 粒子群优化支持向量机参数方法研究 | 第65-67页 |
| 5.4.1 参数优化的必要性 | 第65-66页 |
| 5.4.2 参数优化算法流程 | 第66-67页 |
| 5.5 仿真分析 | 第67-70页 |
| 5.6 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 攻读学位期间发表的学术论文目录 | 第79页 |
