| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 1 绪论 | 第21-28页 |
| 1.1 研究背景与研究意义 | 第21-22页 |
| 1.2 研究现状与存在的问题 | 第22-26页 |
| 1.3 论文的研究目标 | 第26-27页 |
| 1.4 论文结构 | 第27-28页 |
| 2 水源类型在线判别因子选择 | 第28-51页 |
| 2.1 研究区域概述 | 第28-29页 |
| 2.2 各含水层离子特征、来源和形成机理 | 第29-38页 |
| 2.3 水源类型在线判别因子选择 | 第38-50页 |
| 2.4 本章小结 | 第50-51页 |
| 3 基于LIF技术的矿井水检测与分析 | 第51-70页 |
| 3.1 LIF技术的基本原理 | 第51-53页 |
| 3.2 LIF监测系统 | 第53-54页 |
| 3.3 样品测量 | 第54-55页 |
| 3.4 矿井水荧光产生机理探究 | 第55-61页 |
| 3.5 荧光光谱的影响因素分析 | 第61-69页 |
| 3.6 本章小结 | 第69-70页 |
| 4 矿井突水水源类型在线判别系统 | 第70-78页 |
| 4.1 系统架构 | 第70-71页 |
| 4.2 传感器选型与布设 | 第71-75页 |
| 4.3 系统供电与通讯 | 第75-76页 |
| 4.4 数据采集与管理 | 第76-77页 |
| 4.5 本章小结 | 第77-78页 |
| 5 基于统计学习的矿井突水水源类型判别方法 | 第78-94页 |
| 5.1 水源类型在线判别模型 | 第78-79页 |
| 5.2 基于支持向量机的水源类型判别方法研究 | 第79-85页 |
| 5.3 基于BP神经网络的水源类型判别方法研究 | 第85-88页 |
| 5.4 改进的基于蛙跳寻优和BP神经网络的矿井水源类型判别方法研究 | 第88-93页 |
| 5.5 本章小结 | 第93-94页 |
| 6 基于深度机器学习的矿井突水水源类型判别模型 | 第94-118页 |
| 6.1 引言 | 第94-95页 |
| 6.2 基于深度置信网的矿井突水水源类型判别模型研究 | 第95-103页 |
| 6.3 基于卷积神经网络的矿井突水水源类型判别模型研究 | 第103-116页 |
| 6.4 本章小结 | 第116-118页 |
| 7 总结与展望 | 第118-120页 |
| 7.1 总结 | 第118-119页 |
| 7.2 主要创新点 | 第119页 |
| 7.3 展望 | 第119-120页 |
| 参考文献 | 第120-130页 |
| 作者简历 | 第130-133页 |
| 学位论文数据集 | 第133页 |
