致谢 | 第4-5页 |
摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 引言 | 第12-17页 |
1.1 研究背景 | 第12-14页 |
1.2 研究意义 | 第14-15页 |
1.3 研究内容 | 第15-16页 |
1.4 技术路线 | 第16-17页 |
2 文献综述 | 第17-35页 |
2.1 矿井突水研究现状 | 第17-24页 |
2.1.1 国外矿井突水研究现状 | 第19-20页 |
2.1.2 国内矿井突水研究现状 | 第20-24页 |
2.2 矿井防治水法律法规 | 第24-28页 |
2.2.1 国外矿井防治水法律法规 | 第24-26页 |
2.2.2 国内矿井防治水法律法规 | 第26-28页 |
2.3 机器学习理论概述 | 第28-34页 |
2.3.1 机器学习的发展 | 第28-32页 |
2.3.2 机器学习的推荐算法 | 第32-34页 |
2.3.3 基于机器学习的矿井突水研究现状 | 第34页 |
2.4 本章小结 | 第34-35页 |
3 矿井突水安全保障系统知识库 | 第35-72页 |
3.1 知识库需求分析 | 第35-36页 |
3.2 矿井突水隐患清单库 | 第36-60页 |
3.2.1 矿井突水隐患梳理 | 第36-55页 |
3.2.2 矿井突水隐患风险分级表征 | 第55-60页 |
3.3 矿井水文数据库 | 第60-63页 |
3.3.1 水文的关键数据 | 第60-61页 |
3.3.2 水文数据库的构建 | 第61-63页 |
3.4 矿井突水案例库 | 第63-69页 |
3.4.1 矿井突水案例库内容 | 第63-64页 |
3.4.2 矿井突水案例库构建 | 第64-69页 |
3.5 矿井突水安全保障系统的信息管理模块 | 第69-71页 |
3.5.1 知识库组成结构 | 第69-70页 |
3.5.2 知识库逻辑结构 | 第70-71页 |
3.6 本章小结 | 第71-72页 |
4 矿井突水安全保障的数据挖掘 | 第72-89页 |
4.1 水文数据挖掘方法分析 | 第72-82页 |
4.1.1 时间序列自回归水文数据挖掘 | 第72-75页 |
4.1.2 自组织神经网络水文数据挖掘 | 第75-81页 |
4.1.3 DBSCAN水文数据挖掘 | 第81-82页 |
4.2 矿井突水安全保障系统的突水预警模块 | 第82-88页 |
4.2.1 矿井突水安全保障的数据挖掘 | 第82-86页 |
4.2.2 基于机器学习的矿井突水预警 | 第86-88页 |
4.3 本章小结 | 第88-89页 |
5 矿井突水安全保障的案例推荐 | 第89-101页 |
5.1 基于机器学习的矿井突水案例推荐 | 第89-97页 |
5.1.1 案例推理理论分析 | 第89-90页 |
5.1.2 基于机器学习的案例推荐原理 | 第90-97页 |
5.2 矿井突水安全保障系统的案例推荐模块 | 第97-100页 |
5.2.1 矿井突水安全保障系统的案例推荐机制 | 第97-99页 |
5.2.2 矿井突水安全保障系统的案例推荐流程 | 第99-100页 |
5.3 本章小结 | 第100-101页 |
6 矿井突水安全保障系统云平台原型 | 第101-127页 |
6.1 矿井突水安全保障系统云平台分析 | 第101-109页 |
6.1.1 矿井突水安全保障系统的云服务对象 | 第101-102页 |
6.1.2 矿井突水安全保障系统的运作机制 | 第102-103页 |
6.1.3 矿井突水安全保障系统云平台架构体系 | 第103-109页 |
6.2 矿井突水安全保障系统云平台的搭建 | 第109-126页 |
6.2.1 矿井突水安全保障系统云平台原型实现 | 第111-112页 |
6.2.2 矿井突水安全保障系统云平台信息管理实例 | 第112-117页 |
6.2.3 矿井突水安全保障系统云平台数据挖掘实例 | 第117-123页 |
6.2.4 矿井突水安全保障系统云平台案例推荐实例 | 第123-126页 |
6.3 本章小结 | 第126-127页 |
7 结论 | 第127-130页 |
7.1 主要成果 | 第127-128页 |
7.2 创新点 | 第128-129页 |
7.3 展望 | 第129-130页 |
参考文献 | 第130-139页 |
作者简历及在学研究成果 | 第139-144页 |
学位论文数据集 | 第144页 |