| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景及其研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.2.3 存在问题 | 第14-15页 |
| 1.3 本文研究的主要内容 | 第15-16页 |
| 1.4 本章小结 | 第16-18页 |
| 第二章 多源信息融合技术综述 | 第18-24页 |
| 2.1 多源信息融合的概念与定义术 | 第18页 |
| 2.2 信息融合的基本原理及特点 | 第18-19页 |
| 2.3 信息融合算法综述 | 第19-21页 |
| 2.4 矿井突水预测融合算法的选取 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 D-S证据理论 | 第24-30页 |
| 3.1 D-S证据理论基本原理 | 第24-25页 |
| 3.2 D-S证据理论存在的不足 | 第25-27页 |
| 3.2.1 冲突概率分配不合理 | 第25-26页 |
| 3.2.2 鲁棒性差 | 第26-27页 |
| 3.3 Yager合成方法 | 第27-28页 |
| 3.4 本章小结 | 第28-30页 |
| 第四章 自适应鲁棒性证据理论 | 第30-40页 |
| 4.1 鲁棒性证据理论 | 第30-33页 |
| 4.2 鲁棒性证据理论所存在的不足 | 第33-34页 |
| 4.3 自适应鲁棒性证据理论 | 第34-38页 |
| 4.4 本章小结 | 第38-40页 |
| 第五章 基于自适应鲁棒性证据理论的煤层底板突水预测模型 | 第40-52页 |
| 5.1 基于自适应鲁棒性证据理论的煤层底板突水预测模型结构 | 第40-41页 |
| 5.2 多神经网络 | 第41-43页 |
| 5.2.1 BP神经网络 | 第41-42页 |
| 5.2.2 RBF神经网络 | 第42-43页 |
| 5.2.3 多神经网络组建 | 第43页 |
| 5.3 基于自适应鲁棒性证据理论的煤层底板突水预测模型实际应用 | 第43-48页 |
| 5.4 自适应鲁棒性证据理论煤层底板突水预测模型与突水系数法对比 | 第48-50页 |
| 5.5 本章小结 | 第50-52页 |
| 第六章 总结与展望 | 第52-56页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-56页 |
| 参考文献 | 第56-60页 |
| 致谢及资助 | 第60-62页 |
| 攻读学位期间发表的学术论著 | 第62页 |
