| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-18页 |
| ·研究背景 | 第7-9页 |
| ·研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-15页 |
| ·人工神经网络模型 | 第10-11页 |
| ·人工神经网络在矿山中的应用进展 | 第11-13页 |
| ·煤矿顶板矿压预测的研究现状 | 第13-15页 |
| ·小结 | 第15页 |
| ·研究目标、路线及内容 | 第15-18页 |
| ·研究目标与内容 | 第15-17页 |
| ·研究技术路线 | 第17-18页 |
| 2 浅埋煤层工作面顶板矿压显现规律及影响因素 | 第18-27页 |
| ·浅埋煤层工作面矿压显现基本规律 | 第18-22页 |
| ·浅埋煤层的定义 | 第18页 |
| ·工作面顶板来压机理 | 第18-20页 |
| ·工作面顶板初次来压基本规律 | 第20-21页 |
| ·工作面顶板周期来压基本规律 | 第21页 |
| ·小结 | 第21-22页 |
| ·浅埋煤层工作面顶板矿压显现的影响因素 | 第22-26页 |
| ·顶板岩层组成对矿压显现的影响 | 第22-23页 |
| ·地质条件对矿压显现的影响 | 第23页 |
| ·开采工艺参数对顶板矿压显现的影响 | 第23-26页 |
| ·设备及其他因素对工作面顶板矿压显现的影响 | 第26页 |
| ·本章小结 | 第26-27页 |
| 3 浅埋煤层工作面的顶板矿压预测方法研究 | 第27-44页 |
| ·预测方法概述 | 第27页 |
| ·BP 神经网络 | 第27-32页 |
| ·BP 网络及其算法 | 第28-31页 |
| ·隐含层层数及该层神经元个数 | 第31页 |
| ·BP 神经网络的优势和不足 | 第31-32页 |
| ·粒子群优化算法 | 第32-36页 |
| ·粒子群优化算法原理 | 第33-34页 |
| ·PSO 算法与其他进化算法比较 | 第34-35页 |
| ·粒子群优化算法框架流程 | 第35-36页 |
| ·改进的粒子群优化算法 | 第36-40页 |
| ·改进的PSO 算法参数分析 | 第36-38页 |
| ·改进的PSO 算法的性能测试 | 第38-40页 |
| ·用改进的粒子群优化算法训练BP 神经网路 | 第40-43页 |
| ·PSO-BP 神经网络算法思想 | 第41页 |
| ·PSO-BP 神经网络算法设计 | 第41-42页 |
| ·PSO-BP 神经网络算法流程 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 4 工作面顶板矿压观测及数据分析 | 第44-54页 |
| ·神东哈拉沟02212 综采工作面矿压观测 | 第44-48页 |
| ·煤矿顶板矿压观测概述 | 第44页 |
| ·神东哈拉沟2~(-2) 煤层矿区地质状况 | 第44-45页 |
| ·矿压观测方法 | 第45页 |
| ·开采期间顶板来压观测 | 第45-48页 |
| ·非线性回归分析 | 第48-49页 |
| ·回归分析的基本概念 | 第48-49页 |
| ·非线性回归分析 | 第49页 |
| ·模型输入输出参数的选取 | 第49-52页 |
| ·相关性分析的目的 | 第49页 |
| ·各工艺参数间相关性分析 | 第49-52页 |
| ·模型输入参数的确定 | 第52页 |
| ·顶板矿压与其影响因素的关系表达 | 第52-54页 |
| 5 基于PSO-BP 神经网络的浅埋煤层工作面顶板矿压预测 | 第54-60页 |
| ·模型结构与参数的确定 | 第54-55页 |
| ·实测数据的预处理 | 第55-56页 |
| ·模型的仿真实验 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 6 结论 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |