| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-20页 |
| ·问题的提出 | 第11页 |
| ·本文研究的目的和意义 | 第11-12页 |
| ·国内外研究动态和趋势 | 第12-15页 |
| ·煤与瓦斯突出机理的研究概况 | 第13-14页 |
| ·国内外基于数学模型的煤与瓦斯突出预测技术现状 | 第14-15页 |
| ·煤与瓦斯突出工作面预测技术的发展状况 | 第15-17页 |
| ·区域预测指标 | 第15-16页 |
| ·工作面煤与瓦斯突出预测 | 第16-17页 |
| ·模式识别方法综述[17] | 第17-18页 |
| ·研究内容 | 第18-20页 |
| 2 基于支持向量机的煤与瓦斯突出预测 | 第20-30页 |
| ·支持向量机的基本思想 | 第20-24页 |
| ·最优超平面 | 第20-22页 |
| ·支持向量机分类 | 第22-24页 |
| ·核函数 | 第24-27页 |
| ·核函数特征空间 | 第24-25页 |
| ·核函数构造方法 | 第25-27页 |
| ·最小二乘支持向量回归机 | 第27-30页 |
| ·支持向量机回归 | 第27-28页 |
| ·最小二乘支持向量回归机 | 第28-30页 |
| 3 特征选择与提取 | 第30-45页 |
| ·概述 | 第30页 |
| ·煤与瓦斯突出支持向量机识别的类别可分离性判据 | 第30-33页 |
| ·瓦斯浓度实时监测序列信息的特征提取 | 第33-40页 |
| ·监控信号的时域特征 | 第33-35页 |
| ·监测信号的频域特征 | 第35-36页 |
| ·小波域的特征计算 | 第36-40页 |
| ·瓦斯浓度实时监测序列信息的特征选择 | 第40-41页 |
| ·特征选择定义 | 第40页 |
| ·特征选择和学习算法的相互作用 | 第40-41页 |
| ·基于差分进化算法的特征选择 | 第41-45页 |
| ·差分进化计算的基本原理 | 第41页 |
| ·二进制差分进化算法 | 第41-43页 |
| ·求解步骤 | 第43-45页 |
| 4 基于 LS-SVR 模型煤与瓦斯突出预测结果分析与比较 | 第45-58页 |
| ·基于 LS-SVR 模型煤与瓦斯突出预测 | 第45-50页 |
| ·最小二乘支持向量回归机训练参数选择 | 第45-48页 |
| ·基于 LS-SVR 的煤与瓦斯突出预测模型训练 | 第48-50页 |
| ·LS-SVR 在常规煤与瓦突出识别中的应用与算法比较 | 第50-58页 |
| ·基于 LS-SVR 常规煤与瓦突出预测 | 第50-52页 |
| ·与神经网络方法对比 | 第52-55页 |
| ·支持向量机与其它瓦斯突出评价方法的比较 | 第55-58页 |
| 5 基于 LS-SVR 模型的煤与瓦斯突出预测系统 | 第58-66页 |
| ·概述 | 第58页 |
| ·系统的功能需求 | 第58-59页 |
| ·基于 LS-SVR 模型煤与瓦斯突出预测系统设计 | 第59-66页 |
| ·系统总体设计 | 第59-60页 |
| ·数据传输模块 | 第60-64页 |
| ·LS-SVR 模型预测煤与瓦斯突出模块 | 第64页 |
| ·显示储存预报结果模块 | 第64-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72-73页 |
