| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| Extended Abstract | 第9-25页 |
| 变量注释表 | 第25-26页 |
| 1 绪论 | 第26-42页 |
| 1.1 课题研究背景和意义 | 第26-29页 |
| 1.2 计算智能技术研究现状 | 第29-33页 |
| 1.3 煤矿自然发火预警研究现状 | 第33-37页 |
| 1.4 论文的主要研究内容与结构安排 | 第37-39页 |
| 1.5 论文结构 | 第39-42页 |
| 2 支持向量机理论基础 | 第42-58页 |
| 2.1 引言 | 第42页 |
| 2.2 统计学习理论 | 第42-46页 |
| 2.3 支持向量机分类机 | 第46-50页 |
| 2.4 多类分类方法 | 第50-53页 |
| 2.5 支持向量机回归机 | 第53-56页 |
| 2.6 v-支持向量机回归机 | 第56页 |
| 2.7 本章小结 | 第56-58页 |
| 3 粒子群算法改进研究 | 第58-69页 |
| 3.1 粒子群算法原理 | 第58-60页 |
| 3.2 改进的粒子群算法 | 第60-62页 |
| 3.3 IPSO算法流程 | 第62-63页 |
| 3.4 实验研究 | 第63-67页 |
| 3.5 本章小结 | 第67-69页 |
| 4 基于IPSO参数优化的支持向量机 | 第69-78页 |
| 4.1 引言 | 第69页 |
| 4.2 SVM参数对算法性能的影响 | 第69-70页 |
| 4.3 现有SVM参数优化方法概述 | 第70页 |
| 4.4 IPSO-SVM模型框架 | 第70-72页 |
| 4.5 IPSO-v-SVR算法及实验研究 | 第72-74页 |
| 4.6 IPSO-SVC算法及实验研究 | 第74-76页 |
| 4.7 本章小结 | 第76-78页 |
| 5 基于IPSO-v-SVR的煤层瓦斯含量预测 | 第78-88页 |
| 5.1 煤层瓦斯含量和煤层自然发火的关系 | 第78-79页 |
| 5.2 煤层瓦斯含量预测技术现状 | 第79-80页 |
| 5.3 IPSO-v-SVR在煤层瓦斯含量预测中的应用 | 第80-87页 |
| 5.4 本章小结 | 第87-88页 |
| 6 基于IPSO-SVC的煤层自然发火危险预评价 | 第88-100页 |
| 6.1 引言 | 第88页 |
| 6.2 煤层自然发火危险预评价指标体系 | 第88-91页 |
| 6.3 危险等级划分及评分标准 | 第91-92页 |
| 6.4 基于IPSO-SVC的煤层自然发火危险预评价实验 | 第92-95页 |
| 6.5 应用及分析 | 第95-99页 |
| 6.6 本章小结 | 第99-100页 |
| 7 基于RS-IPSO-SVC的采空区自然发火预警 | 第100-113页 |
| 7.1 引言 | 第100-101页 |
| 7.2 粗糙集属性约简 | 第101-105页 |
| 7.3 RS-IPSO-SVC建模 | 第105-106页 |
| 7.4 采空区自然发火指标体系及数据样本 | 第106-107页 |
| 7.5 数据预处理及RS属性约简 | 第107-110页 |
| 7.6 采空区自然发火预警实验 | 第110-112页 |
| 7.7 本章小结 | 第112-113页 |
| 8 煤矿自然发火信息管理及预警系统的设计与实现 | 第113-122页 |
| 8.1 引言 | 第113-114页 |
| 8.2 系统的分析与设计 | 第114-117页 |
| 8.3 系统实现 | 第117-119页 |
| 8.4 系统测试 | 第119-120页 |
| 8.5 系统应用效果 | 第120-121页 |
| 8.6 本章小结 | 第121-122页 |
| 9 结论与展望 | 第122-125页 |
| 9.1 主要结论 | 第122-123页 |
| 9.2 创新点 | 第123-124页 |
| 9.3 研究展望 | 第124-125页 |
| 参考文献 | 第125-137页 |
| 作者简历 | 第137-140页 |
| 学位论文数据集 | 第140页 |
