| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-18页 |
| ·论文研究的背景与意义 | 第11页 |
| ·自然发火预测技术研究现状 | 第11-15页 |
| ·传统预测方法简介 | 第12-13页 |
| ·智能算法预测简介 | 第13-15页 |
| ·粗糙集和支持向量机研究现状 | 第15-17页 |
| ·粗糙集研究现状 | 第15-16页 |
| ·支持向量机研究现状 | 第16-17页 |
| ·本文主要工作 | 第17-18页 |
| 2 煤自然发火的机理与预测指标确定 | 第18-25页 |
| ·煤自燃机理和煤的自燃性 | 第18-20页 |
| ·煤自燃机理 | 第18-19页 |
| ·煤的自燃性 | 第19-20页 |
| ·自然发火监测和预报技术 | 第20-25页 |
| ·煤层自燃火灾监测手段 | 第20-21页 |
| ·自然发火预报方法 | 第21页 |
| ·自然发火预测指标的分析 | 第21-25页 |
| 3 粗糙集理论 | 第25-33页 |
| ·粗糙集的基本理论 | 第25-29页 |
| ·知识与分类 | 第25-26页 |
| ·不可分辨关系 | 第26页 |
| ·粗糙集、上近似、下近似、边界区域 | 第26-28页 |
| ·近似精度和粗糙度 | 第28-29页 |
| ·决策表、连续属性离散化、属性约简及属性依赖性 | 第29-33页 |
| ·决策表 | 第29-30页 |
| ·连续属性离散化 | 第30-32页 |
| ·属性约简 | 第32页 |
| ·属性依赖度 | 第32-33页 |
| 4 统计学习理论与支持向量机 | 第33-48页 |
| ·机器学习问题 | 第33-35页 |
| ·机器学习问题模型 | 第33-34页 |
| ·经验风险最小化 | 第34-35页 |
| ·统计学习理论的基本概念 | 第35-38页 |
| ·VC 维（Vapnik-Chervonenkis Dimension, VC） | 第35-37页 |
| ·结构风险最小化 | 第37-38页 |
| ·支持向量机 | 第38-48页 |
| ·SVM 的基本思想 | 第38-39页 |
| ·线性可分的最优分类面 | 第39-41页 |
| ·近似线性可分的最优分类面 | 第41-43页 |
| ·非线性 SVM | 第43-45页 |
| ·SVM 核函数 | 第45-48页 |
| 5 采空区煤自燃决策表离散化算法研究 | 第48-63页 |
| ·基于 OPTICS 聚类算法的连续属性离散化算法 | 第48-50页 |
| ·OPTICS 算法思想 | 第48页 |
| ·基于粗糙集理论与 OPTICS 算法的连续属性离散化算法 | 第48-50页 |
| ·采空区煤自燃决策表离散化 | 第50-54页 |
| ·采空区煤自燃信息特征提取 | 第54-63页 |
| ·行约简 | 第55-56页 |
| ·属性约简算法 | 第56-63页 |
| 6 基于粗糙集-支持向量机的采空区自然发火预测 | 第63-72页 |
| ·基于粗集-支持向量机的预测模型 | 第63-65页 |
| ·煤自然发火预测支持向量机模型设计 | 第65-69页 |
| ·支持向量机的学习过程 | 第65页 |
| ·支持向量机的实现 | 第65-66页 |
| ·核函数的选取 | 第66-67页 |
| ·参数的优化 | 第67-69页 |
| ·实验结果与分析 | 第69-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 作者简历 | 第77-79页 |
| 学位论文数据集 | 第79-80页 |
