| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-11页 |
| 1.2.1 矿区地表沉降预测研究现状 | 第8-10页 |
| 1.2.2 支持向量机研究现状 | 第10-11页 |
| 1.3 研究内容及技术路线 | 第11-12页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 技术路线 | 第12页 |
| 1.4 论文章节安排 | 第12-14页 |
| 第二章 蚁群算法 | 第14-20页 |
| 2.1 蚁群算法的思想起源 | 第14-15页 |
| 2.2 真实蚂蚁与人工蚁的异同 | 第15-16页 |
| 2.3 蚁群算法的基本原理 | 第16-18页 |
| 2.3.1 蚁群算法的表述 | 第16-17页 |
| 2.3.2 蚁群算法的数学模型 | 第17-18页 |
| 2.4 蚁群算法的特点 | 第18-20页 |
| 第三章 支持向量机 | 第20-28页 |
| 3.1 概述 | 第20页 |
| 3.2 支持向量机基础理论 | 第20-21页 |
| 3.2.1 机器学习问题 | 第20-21页 |
| 3.2.2 经验最小化原则 | 第21页 |
| 3.3 统计学习理论 | 第21-23页 |
| 3.3.1 VC维与推广性的界 | 第22-23页 |
| 3.3.2 结构风险最小化 | 第23页 |
| 3.4 最优分类面与广义最优分类面 | 第23-26页 |
| 3.5 核函数 | 第26-28页 |
| 第四章 支持向量机的优化 | 第28-35页 |
| 4.1 ACO优化SVM参数的基本思想 | 第28-29页 |
| 4.2 ACO-SVM预测模型构建 | 第29-35页 |
| 4.2.1 ACO优化SVM参数 | 第29-31页 |
| 4.2.2 预测模型相关参数设置 | 第31页 |
| 4.2.3 适应度函数的选择 | 第31-32页 |
| 4.2.4 数据预处理 | 第32-33页 |
| 4.2.5 ACO-SVM算法描述 | 第33-35页 |
| 第五章 矿区地表沉降预测应用及分析 | 第35-54页 |
| 5.1 王楼煤矿矿区概况 | 第35-36页 |
| 5.2 数据预处理 | 第36-40页 |
| 5.3 基于传统SVM矿区地表沉降预测模型应用 | 第40-44页 |
| 5.3.1 传统SVM矿区地表沉降预测步骤 | 第41-42页 |
| 5.3.2 预测结果及分析 | 第42-44页 |
| 5.4 基于ACO-SVM矿区地表沉降预测模型应用 | 第44-48页 |
| 5.4.1 基于ACO-SVM矿区地表沉降预测步骤 | 第44-45页 |
| 5.4.2 预测结果及分析 | 第45-48页 |
| 5.5 两种预测模型预测结果对比分析 | 第48-51页 |
| 5.6 综合分析 | 第51-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 今后工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间的研究成果 | 第60-61页 |