| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-18页 |
| ·煤与瓦斯突出概况 | 第10-11页 |
| ·煤与瓦斯突出预测的研究意义 | 第11-12页 |
| ·煤与瓦斯突出预测研究现状 | 第12-14页 |
| ·煤与瓦斯突出区域预测 | 第12-13页 |
| ·工作面突出危险性预测 | 第13-14页 |
| ·煤与瓦斯突出预测存在的问题 | 第14-15页 |
| ·粗糙集与支持向量机结合的优越性 | 第15-16页 |
| ·本课题的来源及研究内容 | 第16-18页 |
| ·课题来源 | 第16页 |
| ·论文主要研究内容 | 第16-17页 |
| ·论文组织结构 | 第17-18页 |
| 2 模糊粗糙集的算法研究 | 第18-29页 |
| ·粗糙集基本理论 | 第18-22页 |
| ·知识表达系统 | 第18-19页 |
| ·集合近似 | 第19-21页 |
| ·属性约简 | 第21-22页 |
| ·决策规则 | 第22页 |
| ·模糊集基本理论 | 第22-27页 |
| ·模糊集合的定义及表示法 | 第23-24页 |
| ·模糊隶属函数 | 第24-25页 |
| ·模糊关系与模糊运算 | 第25-27页 |
| ·模糊C-均值聚类 | 第27-29页 |
| 3 支持向量机学习算法 | 第29-47页 |
| ·统计学习问题 | 第29-36页 |
| ·机器学习的问题表示 | 第30页 |
| ·经验风险最小化原则 | 第30-32页 |
| ·函数集的VC 维 | 第32页 |
| ·推广性的界 | 第32-33页 |
| ·结构风险最小化原则 | 第33-36页 |
| ·支持向量机 | 第36-42页 |
| ·最优超平面 | 第36-38页 |
| ·线性支持向量机 | 第38-40页 |
| ·非线性支持向量机 | 第40-42页 |
| ·核函数 | 第42-44页 |
| ·支持向量机多值分类算法 | 第44-47页 |
| 4 煤与瓦斯突出信息知识获取 | 第47-63页 |
| ·煤与瓦斯突出影响因素分析 | 第47-48页 |
| ·煤与瓦斯突出信息知识获取过程 | 第48页 |
| ·煤与瓦斯突出样本数据补齐 | 第48-50页 |
| ·煤与瓦斯突出连续属性值离散化 | 第50-55页 |
| ·模糊C-均值聚类算法流程 | 第50-51页 |
| ·模糊C-均值聚类算法实现 | 第51-52页 |
| ·连续属性值离散化结果分析 | 第52-55页 |
| ·煤与瓦斯突出信息特征提取 | 第55-63页 |
| ·行约简 | 第55-56页 |
| ·属性约简 | 第56-60页 |
| ·启发式属性值约简 | 第60-61页 |
| ·煤与瓦斯突出决策规则提取 | 第61-63页 |
| 5 基于模糊粗糙集与SVM 的煤与瓦斯突出预测的实现 | 第63-71页 |
| ·基于模糊粗糙集与SVM 的煤与瓦斯突出预测流程 | 第63-65页 |
| ·煤与瓦斯突出SVM 多分类预测模型的构建 | 第65-66页 |
| ·煤与瓦斯突出预测SVM 核函数和参数的选取 | 第66-68页 |
| ·核函数的选取 | 第66-68页 |
| ·参数优化 | 第68页 |
| ·煤与瓦斯突出预测及结果分析 | 第68-71页 |
| ·RS-SVM 与 SVM 比较 | 第68-69页 |
| ·RS-SVM 与神经网络比较 | 第69-70页 |
| ·煤与瓦斯突出预测结果分析 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 附录A 煤与瓦斯突出样本数据 | 第76-78页 |
| 作者简历 | 第78页 |
| 在学期间发表的学术论文 | 第78-80页 |
| 学位论文数据集 | 第80-81页 |