| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第8-22页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-19页 |
| 1.2.1 煤炭资源采矿权 | 第10-12页 |
| 1.2.2 案例推理研究现状 | 第12-18页 |
| 1.2.3 人工智能算法研究现状 | 第18-19页 |
| 1.3 本文的研究思路、方法和章节安排 | 第19-22页 |
| 1.3.1 研究思路 | 第19-20页 |
| 1.3.2 研究方法 | 第20-21页 |
| 1.3.3 章节安排 | 第21-22页 |
| 2 相关理论和方法 | 第22-32页 |
| 2.1 煤炭资源采矿权案例估价方法 | 第22-27页 |
| 2.1.1 采矿权估价概念及目标 | 第22-23页 |
| 2.1.2 采矿权估价依据 | 第23-24页 |
| 2.1.3 采矿权案例估价模型与参数 | 第24-27页 |
| 2.2 人工智能（AI）算法 | 第27-31页 |
| 2.2.1 人工神经网络理论及模型 | 第27-30页 |
| 2.2.2 粒子群算法及其基本原理 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 3 煤炭资源采矿权案例估价人工智能原理 | 第32-41页 |
| 3.1 采矿权人工智能估价的内涵 | 第32-33页 |
| 3.2 采矿权人工智能估价的要素分析 | 第33-36页 |
| 3.2.1 煤炭资源采矿权案例分析 | 第33-35页 |
| 3.2.2 采矿权人工智能估价的关键技术 | 第35-36页 |
| 3.3 采矿权人工智能估价的流程 | 第36-39页 |
| 3.3.1 案例表示模型 | 第37-38页 |
| 3.3.2 案例检索过程 | 第38-39页 |
| 3.3.3 案例复用估价 | 第39页 |
| 3.4 本章小结 | 第39-41页 |
| 4 ANN-CBR煤炭资源采矿权估价模型 | 第41-48页 |
| 4.1 人工神经网络分类整理模块 | 第41-42页 |
| 4.1.1 ANN检索模块的作用 | 第41-42页 |
| 4.1.2 ANN训练分类网络的工作特性 | 第42页 |
| 4.2 人工神经网络案例检索模块 | 第42-45页 |
| 4.2.1 人工神经网络案例检索属性权重的确定 | 第42-44页 |
| 4.2.2 人工神经网络属性训练过程 | 第44-45页 |
| 4.3 ANN-CBR采矿权估价模型结构 | 第45-46页 |
| 4.4 方法比较分析 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 PSO-CBR煤炭资源采矿权估价模型 | 第48-54页 |
| 5.1 采矿权案例属性指标分析 | 第48页 |
| 5.2 采矿权案例属性指标权重的优化 | 第48-50页 |
| 5.2.1 采矿权属性权重的计算 | 第48-49页 |
| 5.2.2 采矿权属性指标权重优化分析 | 第49-50页 |
| 5.3 PSO-CBR采矿权估价模型结构 | 第50-52页 |
| 5.4 方法比较分析 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 6 应用实例 | 第54-61页 |
| 6.1 实例简介 | 第54-55页 |
| 6.2 煤炭资源采矿权估价方法的应用 | 第55-60页 |
| 6.2.1 煤炭资源采矿权案例估价基本方法应用 | 第55-57页 |
| 6.2.2 ANN-CBR煤炭资源采矿权估价方法的应用 | 第57-59页 |
| 6.2.3 PSO-CBR煤炭资源采矿权估价方法的应用 | 第59-60页 |
| 6.3 结果分析 | 第60页 |
| 6.4 本章小结 | 第60-61页 |
| 7 结论与展望 | 第61-63页 |
| 7.1 结论 | 第61-62页 |
| 7.2 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69页 |