| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 变量注释表 | 第16-17页 |
| 1 绪论 | 第17-25页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 研究现状 | 第18-21页 |
| 1.3 本文研究内容及方法 | 第21-23页 |
| 1.4 论文的组织结构 | 第23-24页 |
| 1.5 本章小结 | 第24-25页 |
| 2 粒子群优化算法和极限学习机算法 | 第25-37页 |
| 2.1 粒子群优化算法 | 第25-29页 |
| 2.2 极限学习机算法 | 第29-33页 |
| 2.3 加权极限学习机算法 | 第33-35页 |
| 2.4 PSO与极限学习机结合的可行性分析 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 基于PSO-ELM和PSO-WELM算法的预测模型设计 | 第37-55页 |
| 3.1 基于PSO-ELM算法的预测模型设计 | 第37-42页 |
| 3.2 基于PSO-WELM算法的预测模型设计 | 第42-44页 |
| 3.3 模型性能比较 | 第44-54页 |
| 3.4 本章小结 | 第54-55页 |
| 4 基于PSO-WELM煤矿突水预测模型设计及应用 | 第55-75页 |
| 4.1 煤矿突水影响因素分析 | 第55-59页 |
| 4.2 数据准备 | 第59-64页 |
| 4.3 突水预测模型建立 | 第64-65页 |
| 4.4 预测结果分析 | 第65-74页 |
| 4.5 本章小结 | 第74-75页 |
| 5 基于D-K算法的煤矿水灾多最优路径研究 | 第75-85页 |
| 5.1 巷道当量长度的计算 | 第75-78页 |
| 5.2 K则最优路径算法 | 第78页 |
| 5.3 最优路径优化算法 | 第78-80页 |
| 5.4 应用实例分析 | 第80-84页 |
| 5.5 本章小结 | 第84-85页 |
| 6 结论与展望 | 第85-88页 |
| 6.1 总结 | 第85-86页 |
| 6.2 展望 | 第86-88页 |
| 参考文献 | 第88-94页 |
| 作者简历 | 第94-96页 |
| 学位论文数据集 | 第96-97页 |