| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 选题背景及意义 | 第8-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 基于物理量的预测研究 | 第10-11页 |
| 1.2.2 基于数据的预测研究 | 第11-13页 |
| 1.3 PCF模型提出的思想 | 第13-14页 |
| 1.4 研究工作和主要内容 | 第14-15页 |
| 1.5 文章组织结构 | 第15-17页 |
| 2 瓦斯数据预处理与预测数据生成 | 第17-29页 |
| 2.1 小波滤波用于瓦斯数据降噪 | 第17-19页 |
| 2.2 基于相空间重构和RBF神经网络的瓦斯预测模型 | 第19-28页 |
| 2.2.1 相空间重构简介 | 第19-20页 |
| 2.2.2 C-C算法基本原理 | 第20-21页 |
| 2.2.3 利用C-C法计算瓦斯数据的嵌入维数和延迟时间 | 第21-23页 |
| 2.2.4 计算最佳嵌入维数和预测步长算法的提出及瓦斯数据预测 | 第23-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 瓦斯预测数据的降维与危险程度分类 | 第29-43页 |
| 3.1 PCA降维用于瓦斯序列数据的压缩 | 第30-35页 |
| 3.1.1 PCA降维的简介 | 第30页 |
| 3.1.2 PCA降维的原理及最优先验转换矩阵的选取算法 | 第30-32页 |
| 3.1.3 PCA数据降维示意与瓦斯数据压缩 | 第32-35页 |
| 3.2 分类器用于瓦斯状态映射 | 第35-42页 |
| 3.2.1 支持向量机基本介绍 | 第36-38页 |
| 3.2.2 BP神经网络基本介绍 | 第38-41页 |
| 3.2.3 SVM与BP神经网络进行瓦斯状态分类 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4 基于DS证据理论的瓦斯浓度状态融合 | 第43-56页 |
| 4.1 DS证据理论基本原理及概念 | 第43-47页 |
| 4.1.1 DS证据理论简介 | 第43页 |
| 4.1.2 DS证据理论基本概念 | 第43-45页 |
| 4.1.3 证据合成规则 | 第45-47页 |
| 4.2 基于DS证据理论构建的PCF模型实例 | 第47-48页 |
| 4.3 利用证据折扣减弱瓦斯状态数据间的冲突 | 第48-49页 |
| 4.3.1 PCF模型中误差的来源 | 第49页 |
| 4.3.2 根据误差构造BPA | 第49页 |
| 4.4 实验结论展示及其分析 | 第49-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
