| 摘要 | 第4-7页 |
| Abstract | 第7-10页 |
| 第一章 引言 | 第15-25页 |
| 1.0 问题的提出及研究意义 | 第15-16页 |
| 1.1 瓦斯涌出量和影响因素 | 第16-18页 |
| 1.1.1 瓦斯涌出量 | 第16-17页 |
| 1.1.2 影响瓦斯涌出量的因素 | 第17-18页 |
| 1.1.3 瓦斯涌出量预测重要意义 | 第18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 瓦斯预测研究现状 | 第18-20页 |
| 1.2.2 混沌预测研究现状 | 第20-21页 |
| 1.3 研究目标 | 第21页 |
| 1.4 研究路线和研究内容 | 第21-23页 |
| 1.5 本章小结 | 第23-25页 |
| 第二章 混沌理论研究 | 第25-43页 |
| 2.1 混沌概述 | 第25-31页 |
| 2.1.1 混沌理论起源 | 第25-26页 |
| 2.1.2 混沌的特征 | 第26页 |
| 2.1.3 基本概念 | 第26-28页 |
| 2.1.4 混沌系统特征量 | 第28-31页 |
| 2.2 混沌特性判定 | 第31-34页 |
| 2.2.1 最大Lyapunov指数法 | 第31-33页 |
| 2.2.2 求关联维数方法 | 第33-34页 |
| 2.3 瓦斯时间序列样本选取 | 第34-37页 |
| 2.3.1 瓦斯数据样本介绍 | 第34-37页 |
| 2.4 瓦斯时间序列混沌特性判定 | 第37-41页 |
| 2.4.1 瓦斯时间序列混沌特性耦合性分析 | 第37-38页 |
| 2.4.2 小数据量方法求最大Lyapunov指数 | 第38-39页 |
| 2.4.3 G-P法求关联维数 | 第39-41页 |
| 2.5 本章小结 | 第41-43页 |
| 第三章 瓦斯混沌时间序列相空间重构 | 第43-59页 |
| 3.1 混沌时间序列的相空间重构理论 | 第43-48页 |
| 3.1.1 相空间重构理论概述 | 第43-44页 |
| 3.1.2 延迟时间间隔的确定 | 第44-46页 |
| 3.1.3 嵌入维数的确定 | 第46-48页 |
| 3.2 瓦斯时间序列延迟时间间隔选取 | 第48-52页 |
| 3.2.1 自相关法确定延迟时间 | 第48-49页 |
| 3.2.2 互信息法确定延迟时间 | 第49-50页 |
| 3.2.3 两种方法分析对比 | 第50-52页 |
| 3.3 瓦斯时间序列嵌入维数确定 | 第52-56页 |
| 3.3.1 Cao氏法确定嵌入维数 | 第52-53页 |
| 3.3.2 伪邻近点法确定嵌入维数 | 第53-55页 |
| 3.3.3 两种方法分析对比 | 第55-56页 |
| 3.4 本章小结 | 第56-59页 |
| 第四章 基于粒子群的三次样条插值在瓦斯缺失数据中应用研究 | 第59-81页 |
| 4.1 常用缺失数据处理方法 | 第59-62页 |
| 4.1.1 删除元组方法 | 第59页 |
| 4.1.2 均值插值方法 | 第59-60页 |
| 4.1.3 最近邻插值方法 | 第60页 |
| 4.1.4 拉格朗日插值方法 | 第60-61页 |
| 4.1.5 分段线性插值方法 | 第61-62页 |
| 4.1.6 样条插值方法 | 第62页 |
| 4.1.7 各种插值方法的比较分析 | 第62页 |
| 4.2 三次样条插值方法 | 第62-65页 |
| 4.2.1 三次样条插值函数 | 第62-63页 |
| 4.2.2 三次样条插值函数的构成 | 第63-65页 |
| 4.3 基于粒子群的三次样条插值算法 | 第65-69页 |
| 4.3.1 粒子群优化算法 | 第66-67页 |
| 4.3.2 粒子群算法的改进 | 第67页 |
| 4.3.3 基于粒子群的三次样条插值算法 | 第67-69页 |
| 4.4 基于粒子群的三次样条插值在瓦斯缺失数据中的应用研究 | 第69-79页 |
| 4.4.1 基于粒子群的三次样条插值在瓦斯缺失数据中的实现算法 | 第69-71页 |
| 4.4.2 基于粒子群的三次样条插值在瓦斯缺失数据中的基本流程图 | 第71-72页 |
| 4.4.3 应用实例分析 | 第72-77页 |
| 4.4.4 与其他插值方法的比较 | 第77-79页 |
| 4.5 本章小结 | 第79-81页 |
| 第五章 瓦斯混沌时间序列预测模型分析、应用与验证 | 第81-113页 |
| 5.1 混沌预测方法概述 | 第81-84页 |
| 5.1.1 混沌预测方法分类 | 第81-82页 |
| 5.1.2 预测效果评价指标确定 | 第82-84页 |
| 5.2 基于RBF神经网络预测模型的应用 | 第84-92页 |
| 5.2.1 RBF神经网络预测理论 | 第84-89页 |
| 5.2.2 样本选取 | 第89-90页 |
| 5.2.3 RBF神经网络一步预测应用 | 第90-92页 |
| 5.3 基于自适应预测模型的应用 | 第92-97页 |
| 5.3.1 Volterra级数自适应预测理论 | 第92-94页 |
| 5.3.2 自适应预测模型一步预测应用 | 第94-97页 |
| 5.4 两种预测结果对比分析 | 第97-100页 |
| 5.4.1 不同类型样本对预测精度的影响 | 第97-98页 |
| 5.4.2 两种预测方法对比 | 第98-100页 |
| 5.5 瓦斯时间序列预测模型验证 | 第100-110页 |
| 5.5.1 河南永城城郊煤矿验证 | 第101-104页 |
| 5.5.2 河南义马耿村矿验证 | 第104-110页 |
| 5.5.3 预测效果评价 | 第110页 |
| 5.6 本章小结 | 第110-113页 |
| 第六章 成果与展望 | 第113-119页 |
| 6.1 主要工作及创新 | 第113-116页 |
| 6.1.1 主要研究成果 | 第113-115页 |
| 6.1.2 论文的创新性 | 第115-116页 |
| 6.2 进一步研究方向 | 第116-119页 |
| 参考文献 | 第119-129页 |
| 致谢 | 第129-131页 |
| 作者简介 | 第131-132页 |
