| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-18页 |
| ·选题的背景与意义 | 第11-12页 |
| ·矿井底板突水预测的现状分析 | 第12-15页 |
| ·突水预测理论国内外研究现状 | 第12-13页 |
| ·突水预测方法国内外研究现状 | 第13-15页 |
| ·多源信息融合技术的现状及发展 | 第15-16页 |
| ·多源信息融合技术的研究现状 | 第15-16页 |
| ·多源信息融合在突水预测领域的发展 | 第16页 |
| ·论文主要研究内容 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 2 多源信息融合技术 | 第18-25页 |
| ·多源信息融合的概念与定义 | 第18页 |
| ·信息融合的基本原理及特点 | 第18-19页 |
| ·信息融合层次结构 | 第19-21页 |
| ·信息融合的算法 | 第21-24页 |
| ·信息融合常用算法 | 第21-23页 |
| ·矿井突水预测中融合算法的选取 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 特征层信息融合在矿井底板突水预测中的应用 | 第25-44页 |
| ·底板突水预测的特征层信息融合结构模式 | 第25页 |
| ·突水预测中人工神经网络的选取 | 第25-27页 |
| ·径向基函数网络工作原理 | 第27-28页 |
| ·径向基函数网络学习算法 | 第28-31页 |
| ·粒子群优化算法 | 第31-33页 |
| ·基本粒子群算法 | 第31-32页 |
| ·PSO 算法与其他优化算法的比较 | 第32-33页 |
| ·量子粒子群优化算法 | 第33-38页 |
| ·量子粒子群算法的起源 | 第33-34页 |
| ·量子粒子群算法的原理 | 第34-37页 |
| ·QPSO 算法与 PSO 算法比较 | 第37-38页 |
| ·基于 QPSO-RBF 神经网络信息融合在突水预测中的应用 | 第38-43页 |
| ·基于 QPSO-RBF 神经网络突水预测模型的建立 | 第38-39页 |
| ·影响矿井底板突水的相关因素分析 | 第39-40页 |
| ·RBF 神经网络特征层信息融合在突水预测模型中的实现 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 4 决策层信息融合在矿井底板突水预测中的应用 | 第44-56页 |
| ·底板突水预测的决策层信息融合结构模式 | 第44页 |
| ·D-S 证据理论的基本概念 | 第44-46页 |
| ·D-S 证据理论的融合方法 | 第46-47页 |
| ·D-S 证据理论的决策规则 | 第47-48页 |
| ·D-S 证据理论存在的问题 | 第48-50页 |
| ·常规冲突性问题 | 第48-49页 |
| ·一票否决问题 | 第49-50页 |
| ·D-S 证据理论的改进 | 第50-53页 |
| ·Yager 融合规则 | 第50页 |
| ·基于加权的融合规则 | 第50-51页 |
| ·本文提出的融合规则 | 第51-53页 |
| ·改进 D-S 证据理论的数值试验 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 5 双层信息融合技术在矿井底板突水预测中的应用 | 第56-65页 |
| ·双层信息融合技术在突水预测中的结构模型 | 第56-57页 |
| ·矿井底板突水预测过程 | 第57-62页 |
| ·构造突水预测的识别框架 | 第57页 |
| ·选择突水预测证据体 | 第57-60页 |
| ·基于 D-S 证据理论的决策层融合在突水预测中的实现 | 第60-62页 |
| ·突水预测的决策层融合结果分析 | 第62页 |
| ·开采工作面融合结果与突水系数法的比较 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-67页 |
| ·主要结论 | 第65-66页 |
| ·展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 作者简历 | 第71-72页 |
| 学位论文数据集 | 第72-73页 |
