| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-12页 |
| 1 绪论 | 第12-19页 |
| ·课题研究的背景与意义 | 第12页 |
| ·瓦斯涌出量预测研究现状 | 第12-15页 |
| ·国外研究现状 | 第13页 |
| ·国内研究现状 | 第13-15页 |
| ·智能算法在瓦斯涌出量预测中的应用现状 | 第15-16页 |
| ·本文主要研究内容 | 第16页 |
| ·本文主要工作 | 第16-17页 |
| ·本文研究技术路线图 | 第17-18页 |
| ·小结 | 第18-19页 |
| 2 用于瓦斯涌出量系统辨识的 Elman 神经网络模型 | 第19-30页 |
| ·引言 | 第19页 |
| ·人工神经网络概述 | 第19-21页 |
| ·人工神经网络的结构和学习方式 | 第19-21页 |
| ·人工神经网络的基本分类 | 第21页 |
| ·Elman 神经网络 | 第21-28页 |
| ·Elman 神经网络基本原理 | 第21-23页 |
| ·Elman 神经网络数学描述 | 第23-24页 |
| ·Elman 神经网络学习算法 | 第24-28页 |
| ·Elman 神经网络性能分析 | 第28-29页 |
| ·小结 | 第29-30页 |
| 3 用于 ENN 优化的遗传算法理论 | 第30-37页 |
| ·引言 | 第30页 |
| ·遗传算法简介 | 第30页 |
| ·遗传算法的基本要素 | 第30-34页 |
| ·遗传算法基本流程 | 第34-35页 |
| ·遗传算法性能分析 | 第35-36页 |
| ·遗传算法的优点 | 第35页 |
| ·遗传算法存在的问题 | 第35-36页 |
| ·小结 | 第36-37页 |
| 4 用于 ENN 优化的混沌免疫遗传优化算法及其仿真分析 | 第37-52页 |
| ·引言 | 第37页 |
| ·人工免疫算法思想 | 第37-39页 |
| ·生物免疫系统概述 | 第37-38页 |
| ·免疫系统机制 | 第38页 |
| ·人工免疫算法简介 | 第38页 |
| ·人工免疫算法流程 | 第38-39页 |
| ·混沌免疫遗传优化算法基本原理 | 第39-46页 |
| ·混沌免疫遗传算法算子设计 | 第40-42页 |
| ·混沌免疫遗传优化算法的主要操作 | 第42-45页 |
| ·混沌免疫遗传优化算法流程 | 第45-46页 |
| ·混沌免疫遗传优化算法数值仿真实验与分析 | 第46-51页 |
| ·混沌免疫遗传优化算法寻优性能实验 | 第46-47页 |
| ·CIGOA 与 GA 性能对比实验 | 第47-51页 |
| ·小结 | 第51-52页 |
| 5 用于瓦斯涌出量系统辨识的 CIGOA-ENN 耦合算法 | 第52-57页 |
| ·引言 | 第52页 |
| ·CIGOA-ENN 耦合算法 | 第52-55页 |
| ·CIGOA-ENN 耦合算法基本原理 | 第52页 |
| ·CIGOA-ENN 耦合算法的设计 | 第52-54页 |
| ·CIGOA-ENN 耦合算法基本流程 | 第54-55页 |
| ·基于 CIGOA-ENN 耦合算法的非线性系统辨识模型 | 第55-56页 |
| ·非线性动态系统辨识模型结构 | 第55-56页 |
| ·小结 | 第56-57页 |
| 6 基于 CIGOA-ENN 耦合算法的瓦斯涌出量系统辨识模型及其应用 | 第57-65页 |
| ·引言 | 第57页 |
| ·煤矿瓦斯涌出量的影响因素分析 | 第57-58页 |
| ·瓦斯涌出量概念 | 第57页 |
| ·瓦斯涌出量的主要影响因素 | 第57-58页 |
| ·基于 CIGOA-ENN 耦合算法的瓦斯涌出量系统辨识模型 | 第58-60页 |
| ·瓦斯涌出量系统辨识模型描述 | 第58-59页 |
| ·瓦斯涌出量系统辨识模型结构 | 第59-60页 |
| ·瓦斯涌出量预测仿真及分析 | 第60-64页 |
| ·CIGOA-ENN 预测模型输入样本的确定及处理 | 第60页 |
| ·Elman 神经网络结构的确定 | 第60-61页 |
| ·CIGOA 的参数选取 | 第61-62页 |
| ·瓦斯涌出量预测仿真结果及分析 | 第62-64页 |
| ·小结 | 第64-65页 |
| 7 总结与展望 | 第65-67页 |
| ·全文总结 | 第65-66页 |
| ·展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72-73页 |
