| 摘要 | 第1-6页 |
| ABSTRACT | 第6-17页 |
| 第一章 绪论 | 第17-31页 |
| ·研究背景及意义 | 第17-18页 |
| ·国内外研究现状 | 第18-25页 |
| ·煤层底板突水预测 | 第18-20页 |
| ·输送带撕裂检测 | 第20-22页 |
| ·异常检测方法 | 第22-25页 |
| ·主要研究内容及技术路线 | 第25-28页 |
| ·本文的组织结构 | 第28-31页 |
| 第二章 检测应用特征数据集 | 第31-41页 |
| ·引言 | 第31页 |
| ·煤层底板突水主控因素数据集 | 第31-34页 |
| ·输送带视觉检测特征数据集 | 第34-40页 |
| ·基于机器视觉的输送带检测系统 | 第34-35页 |
| ·图像预处理和特征提取 | 第35-40页 |
| ·本章小结 | 第40-41页 |
| 第三章 支持向量机算法原理 | 第41-53页 |
| ·引言 | 第41页 |
| ·机器学习基本问题 | 第41-43页 |
| ·学习问题的数学表达 | 第41-42页 |
| ·经验风险最小化原则 | 第42-43页 |
| ·统计学习理论 | 第43-45页 |
| ·VC维和结构风险 | 第43-44页 |
| ·结构风险最小化原则 | 第44-45页 |
| ·支持向量机及其变形算法 | 第45-50页 |
| ·标准支持向量分类机 | 第45-48页 |
| ·一类支持向量分类机 | 第48-49页 |
| ·支持向量数据描述 | 第49-50页 |
| ·本章小结 | 第50-53页 |
| 第四章 鲁棒性支持向量数据描述算法 | 第53-73页 |
| ·引言 | 第53页 |
| ·SVDD鲁棒性研究概述 | 第53-55页 |
| ·鲁棒性支持向量数据描述算法 | 第55-63页 |
| ·切断距离局部密度 | 第55-57页 |
| ·鲁棒性SVDD算法R-SVDD | 第57-58页 |
| ·带负类SVDD算法N-SVDD | 第58-59页 |
| ·带负类鲁棒性SVDD算法 εNR-SVDD | 第59-63页 |
| ·仿真实验及结果分析 | 第63-72页 |
| ·UCI数据集 | 第63-67页 |
| ·煤层底板突水预测数据集 | 第67-71页 |
| ·输送带撕裂检测数据集 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第五章 基于增强人工蜂群-支持向量机的特征选择方法 | 第73-91页 |
| ·引言 | 第73页 |
| ·特征选择常用方法概述 | 第73-75页 |
| ·增强人工蜂群算法 | 第75-82页 |
| ·原始人工蜂群算法 | 第75-77页 |
| ·增强人工蜂群算法 | 第77-80页 |
| ·增强人工蜂群算法的收敛性分析 | 第80-82页 |
| ·基于增强人工蜂群-支持向量机的特征选择 | 第82-84页 |
| ·优化解的初始化 | 第82页 |
| ·优化问题的适应度函数构造 | 第82-83页 |
| ·优化执行过程 | 第83-84页 |
| ·仿真实验及结果分析 | 第84-90页 |
| ·UCI数据集 | 第84-87页 |
| ·煤层底板突水预测数据集 | 第87-89页 |
| ·输送带撕裂检测数据集 | 第89-90页 |
| ·本章小结 | 第90-91页 |
| 第六章 增量在线学习支持向量机算法 | 第91-105页 |
| ·引言 | 第91页 |
| ·增量在线学习策略概述 | 第91-93页 |
| ·基于广义KKT条件优选支持向量集的增量SVM算法 | 第93-99页 |
| ·广义KKT条件的定义 | 第93-96页 |
| ·广义KKT条件的求解 | 第96-98页 |
| ·基于广义KKT条件的增量SVM算法流程 | 第98-99页 |
| ·仿真实验及结果分析 | 第99-104页 |
| ·UCI数据集 | 第99-102页 |
| ·煤层底板突水预测数据集 | 第102-103页 |
| ·输送带撕裂检测数据集 | 第103-104页 |
| ·结论 | 第104-105页 |
| 第七章 总结和展望 | 第105-109页 |
| ·本文总结 | 第105-106页 |
| ·展望 | 第106-109页 |
| 参考文献 | 第109-123页 |
| 致谢 | 第123-125页 |
| 攻读博士学位期间发表的学术论文及科研工作情况 | 第125页 |