| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景、依据及意义 | 第10-11页 |
| 1.2 微地震监测技术的国内外研究现状和关键问题 | 第11-13页 |
| 1.2.1 微地震监测技术历史与发展 | 第11-12页 |
| 1.2.2 微地震监信号的特征提取与分类识别的研究现状 | 第12-13页 |
| 1.3 本文的研究意义、研究思路与内容、预期成果 | 第13-15页 |
| 1.3.1 研究意义 | 第13页 |
| 1.3.2 研究思路与内容 | 第13-14页 |
| 1.3.3 预期成果 | 第14-15页 |
| 第二章 微地震监测原理与信号特征提取 | 第15-24页 |
| 2.1 微地震监测方法原理 | 第15-16页 |
| 2.1.1 微地震监测系统简介 | 第15页 |
| 2.1.2 微地震监测原理 | 第15-16页 |
| 2.2 微地震监测信号特征提取原理 | 第16-23页 |
| 2.2.1 数据预处理原理及方法 | 第16-17页 |
| 2.2.2 几种提取的数据特征 | 第17页 |
| 2.2.3 信号的峰度系数 | 第17-19页 |
| 2.2.4 时域过零率提取 | 第19-20页 |
| 2.2.5 信号的信噪比提取 | 第20-22页 |
| 2.2.6 小波包系数香侬熵提取 | 第22-23页 |
| 2.2.7 小波包系数能量比提取 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 识别分类方法及其相关原理 | 第24-41页 |
| 3.1 支持向量机（Support Vector Machine） | 第24-32页 |
| 3.1.1 线性分类算法 | 第24-25页 |
| 3.1.2 最大分类间隔 | 第25-26页 |
| 3.1.3 SVM对于线性可分问题与线性不可分问题 | 第26-30页 |
| 3.1.4 松弛变量（Outliers） | 第30-32页 |
| 3.1.5 SVM支持向量机的特性 | 第32页 |
| 3.2 交叉验证（Cross Validation)原理 | 第32-34页 |
| 3.3 SVM算法的实验步骤 | 第34页 |
| 3.4 KNN邻近法（K-Nearest Neighbor）基本原理与特性 | 第34-38页 |
| 3.4.1 KNN邻近法的基本原理 | 第34-36页 |
| 3.4.2 KNN邻近算法指导思想 | 第36页 |
| 3.4.3 KNN邻近法的特性 | 第36-37页 |
| 3.4.4 常见的相似距离 | 第37页 |
| 3.4.5 KNN邻近算法算法与SVM支持向量机算法的区别 | 第37-38页 |
| 3.5 KNN-SVM算法原理与步骤 | 第38-40页 |
| 3.5.1 KNN-SVM算法原理 | 第38-39页 |
| 3.5.2 KNN-SVM算法的主要步骤 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 微地震监测信号的分类实验 | 第41-58页 |
| 4.1 基本数据组合院参数配置 | 第41-42页 |
| 4.2 支持向量机中不同参数对分类的影响 | 第42-52页 |
| 4.2.1 不同小波基函数的选择对分类的影响 | 第42-44页 |
| 4.2.2 不同分类器的选择对分类的影响 | 第44-46页 |
| 4.2.3 不同核函数合对分类的影响 | 第46-48页 |
| 4.2.4 不同数据组合对分类的 | 第48-52页 |
| 4.3 KNN邻近算法中不同参数对分类的影响 | 第52-55页 |
| 4.3.1 不同小波基对分类的影响 | 第52-53页 |
| 4.3.2 不同K值和数据组合对分类的影响 | 第53-55页 |
| 4.4 KNN-SVM算法中不同参数对分类的影响 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 应用效果与意义 | 第58-67页 |
| 5.1 工区简介 | 第58-60页 |
| 5.2 应用过程 | 第60-61页 |
| 5.3 应用效果与分析 | 第61-65页 |
| 5.4 应用意义 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读学位期间取得学术成果 | 第73页 |
