| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 危险源识别与分析技术研究现状 | 第14-17页 |
| 1.3 关键技术研究现状 | 第17-20页 |
| 1.3.1 人工神经网络研究现状 | 第17-19页 |
| 1.3.2 粒子群优化算法研究现状 | 第19-20页 |
| 1.4 论文主要工作及结构安排 | 第20-23页 |
| 1.4.1 主要工作 | 第20-21页 |
| 1.4.2 结构安排 | 第21-23页 |
| 第二章 民航危险源管理系统设计 | 第23-35页 |
| 2.1 系统需求分析 | 第23-26页 |
| 2.1.1 系统数据分析 | 第23-24页 |
| 2.1.2 系统功能需求 | 第24-25页 |
| 2.1.3 系统性能需求 | 第25-26页 |
| 2.2 系统总体设计 | 第26-32页 |
| 2.2.1 系统框架设计 | 第26-29页 |
| 2.2.2 系统功能设计 | 第29-31页 |
| 2.2.3 数据管理 | 第31-32页 |
| 2.3 关键技术 | 第32-34页 |
| 2.3.1 危险源识别方法 | 第32-33页 |
| 2.3.2 危险源原因分析方法 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于深层极限学习机的危险源识别算法 | 第35-48页 |
| 3.1 相关概念 | 第35-37页 |
| 3.1.1 极限学习机 | 第35-36页 |
| 3.1.2 反向传播算法 | 第36-37页 |
| 3.2 HIELM算法设计 | 第37-43页 |
| 3.2.1 基于深层ELM的预学习 | 第38-40页 |
| 3.2.2 基于单隐藏层ELM的再学习 | 第40-42页 |
| 3.2.3 HIELM复杂度分析 | 第42-43页 |
| 3.3 实验结果及分析 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于加权的多种群粒子群优化的危险源原因分析算法 | 第48-63页 |
| 4.1 关联规则挖掘 | 第48-50页 |
| 4.2 粒子群算法 | 第50-53页 |
| 4.2.1 标准的粒子群优化算法（PSO） | 第50-52页 |
| 4.2.2 多种群协作的粒子群优化算法 | 第52-53页 |
| 4.3 HCA-WMPSO算法设计 | 第53页 |
| 4.4 危险源状态预处理过程 | 第53-55页 |
| 4.5 危险源原因分析过程 | 第55-58页 |
| 4.5.1 规则编码和适应度函数选择 | 第55-56页 |
| 4.5.2 加权的多种群粒子群优化 | 第56-58页 |
| 4.6 实验及结果分析 | 第58-62页 |
| 4.6.1 实验参数选择及数据预处理 | 第58-59页 |
| 4.6.2 实验结果评估与比较 | 第59-62页 |
| 4.7 本章小结 | 第62-63页 |
| 第五章 系统实现与应用 | 第63-84页 |
| 5.1 项目背景 | 第63-64页 |
| 5.2 系统开发与运行环境 | 第64-65页 |
| 5.2.1 系统开发环境 | 第64-65页 |
| 5.2.2 系统运行环境 | 第65页 |
| 5.3 系统功能流程 | 第65-70页 |
| 5.4 关键技术实现 | 第70-76页 |
| 5.4.1 基于深度极限学习机的危险源识别算法实现 | 第70-72页 |
| 5.4.2 基于加权的多种群粒子群优化的危险源原因分析算法实现 | 第72-75页 |
| 5.4.3 风险控制模式库建立 | 第75-76页 |
| 5.5 系统测试 | 第76-79页 |
| 5.6 系统运行效果 | 第79-83页 |
| 5.6.1 危险源管理 | 第79-81页 |
| 5.6.2 检查管理 | 第81-83页 |
| 5.7 本章小结 | 第83-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 总结 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-91页 |
| 在学期间的研究成果及发表的学术论文 | 第91页 |
