| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-16页 |
| ·课题研究的背景与选题意义 | 第11页 |
| ·瓦斯涌出量预测国内外研究现状 | 第11-12页 |
| ·瓦斯预测技术国外研究现状 | 第11页 |
| ·瓦斯预测技术国内研究现状 | 第11-12页 |
| ·蚁群算法的研究与发展 | 第12-14页 |
| ·论文主要研究内容 | 第14页 |
| ·本文主要工作 | 第14-16页 |
| 2 用于瓦斯涌出量预测的小波神经网络模型 | 第16-23页 |
| ·引言 | 第16页 |
| ·小波分析理论 | 第16-19页 |
| ·小波函数及连续变换 | 第16-17页 |
| ·离散小波变换 | 第17页 |
| ·小波框架理论 | 第17-18页 |
| ·多分辨分析 | 第18-19页 |
| ·小波神经网络结构及学习算法 | 第19-22页 |
| ·小波神经网络分类及结构 | 第19-20页 |
| ·小波神经网络算法 | 第20-21页 |
| ·小波神经网络权值修正量计算 | 第21-22页 |
| ·小波神经网络的性能分析 | 第22页 |
| ·小结 | 第22-23页 |
| 3 瓦斯涌出量模型中的蚁群算法优化理论 | 第23-36页 |
| ·引言 | 第23页 |
| ·基本蚁群算法的机制原理 | 第23-24页 |
| ·基本蚁群算法的数学模型 | 第24-26页 |
| ·预测模型中的蚁群参数分析 | 第26-33页 |
| ·信息素挥发因子的选择 | 第27-28页 |
| ·信息启发式因子的选择 | 第28-29页 |
| ·期望启发式因子 的选择 | 第29-31页 |
| ·蚂蚁数目对收敛性能的影响 | 第31-32页 |
| ·信息素强度 Q 的选择 | 第32-33页 |
| ·基本蚁群算法的实现流程 | 第33-35页 |
| ·小结 | 第35-36页 |
| 4 基于 HI-MMAS 算法的小波神经网络模型 | 第36-46页 |
| ·引言 | 第36页 |
| ·最大最小蚁群算法（MMAS） | 第36-38页 |
| ·最大最小蚁群算法的混合优化策略 | 第38-40页 |
| ·平滑信息素轨迹 | 第38-39页 |
| ·加入扰动因子和惩罚因子 | 第39-40页 |
| ·HI-MMAS 解决 TSP 问题仿真分析 | 第40-42页 |
| ·HI-MMAS 算法优化 WNN 网络的模型 | 第42-45页 |
| ·HIMMAS-WNN 耦合算法原理 | 第42页 |
| ·HIMMAS-WNN 算法流程 | 第42-44页 |
| ·HIMMAS-WNN 算法程序流程图 | 第44-45页 |
| ·小结 | 第45-46页 |
| 5 基于 HIMMAS-WNN 算法的瓦斯涌出量预测模型的实现 | 第46-59页 |
| ·引言 | 第46页 |
| ·煤矿瓦斯涌出量的影响因素分析 | 第46-47页 |
| ·瓦斯涌出量概念 | 第46页 |
| ·影响瓦斯涌出量的因素 | 第46-47页 |
| ·瓦斯涌出量预测控制系统的研究 | 第47-53页 |
| ·预测控制的基本原理 | 第47-48页 |
| ·瓦斯涌出量预测控制结构模型 | 第48-50页 |
| ·小波神经网络预测控制数学模型 | 第50-52页 |
| ·预测控制流程 | 第52-53页 |
| ·瓦斯涌出量的仿真分析 | 第53-58页 |
| ·输入样本的确定 | 第53-54页 |
| ·小波神经网络的结构及参数确定 | 第54-55页 |
| ·瓦斯涌出量仿真结果和分析 | 第55-58页 |
| ·小结 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| ·主要结论 | 第59-60页 |
| ·展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者简历 | 第64-66页 |
| 学位论文数据集 | 第66-67页 |