煤礦瓦斯災(zāi)害特征挖掘與融合預(yù)測(cè)

前言
第1章  緒論
  1.1  概述
  1.2  煤礦瓦斯災(zāi)害的類型及危害
    1.2.1  瓦斯爆炸
    1.2.2  煤與瓦斯突出
    1.2.3  瓦斯燃燒
  1.3  瓦斯災(zāi)害信息獲取的硬件基礎(chǔ)平臺(tái)
    1.3.1  井下瓦斯?jié)舛燃跋嚓P(guān)參數(shù)采集與監(jiān)測(cè)
    1.3.2  瓦斯突出災(zāi)害信息的獲取技術(shù)
  1.4  瓦斯災(zāi)害信息的特征提取與信息融合技術(shù)
    1.4.1  瓦斯災(zāi)害特征提取技術(shù)
    1.4.2  信息融合技術(shù)
  1.5  煤礦瓦斯監(jiān)測(cè)信息的獲取方法
    1.5.1  煤礦瓦斯監(jiān)測(cè)信息的獲取原理
    1.5.2  煤礦瓦斯監(jiān)測(cè)信息的獲取步驟
  1.6  煤礦瓦斯災(zāi)害預(yù)測(cè)的研究現(xiàn)?
第2章  瓦斯災(zāi)害信息的特征分析
  2.1  瓦斯災(zāi)害信息的時(shí)域特征分析
    2.1.1  瓦斯災(zāi)害信號(hào)的時(shí)域直觀特征指標(biāo)分析
    2.1.2  瓦斯災(zāi)害信號(hào)的時(shí)域間接特征參量分析
  2.2  瓦斯災(zāi)害信息的頻域特征分析
    2.2.1  功率譜分析
    2.2.2  瓦斯信號(hào)的頻譜特征分析
  2.3  瓦斯災(zāi)害信息的時(shí)頻聯(lián)合特征分析
    2.3.1  基于Gabor變換的瓦?信號(hào)的時(shí)頻特征分析
    2.3.2  用Zak變換計(jì)算Gabor展開的系數(shù)
    2.3.3  基于Wigner—Ville變換的瓦斯信號(hào)時(shí)頻特征分析
  2.4  瓦斯災(zāi)害信息的多分辨率時(shí)頻分析
    2.4.1  多分辨率時(shí)頻分析原理
    2.4.2  瓦斯災(zāi)害多分辨率的時(shí)頻分析步驟
  2.5  基于獨(dú)立分量分析的瓦斯災(zāi)害信息特征分析
    2.5.1  瓦斯災(zāi)害監(jiān)測(cè)信息的多元數(shù)據(jù)表示
    2.5.2  瓦斯災(zāi)害監(jiān)測(cè)信息的盲源分離
    2.5.3  瓦斯災(zāi)害信息特征的獨(dú)立分量分析模型
    2.5.4  獨(dú)立分量分析的改進(jìn)與優(yōu)化
    2.5.5  算法實(shí)驗(yàn)
第3章  瓦斯災(zāi)害信息的特征提取
  3.1  瓦斯災(zāi)害信息特征提取的原則
    3.1.1  瓦斯災(zāi)害信息特征提取的過程
    3.1.2  瓦斯災(zāi)害信息特征提取的評(píng)價(jià)準(zhǔn)則
    3.1.3  瓦斯災(zāi)害信息特征提取模型的?類
    3.1.4  進(jìn)行特征提取時(shí)應(yīng)考慮的因素
  3.2  基于時(shí)頻分布奇異值的瓦斯災(zāi)害信息特征提取
    3.2.1  基于時(shí)頻分布的瓦斯災(zāi)害信息的特征矢量表示
    3.2.2  煤礦瓦斯災(zāi)害信息的奇異值分解
    3.2.3  基于奇異值分解的瓦斯災(zāi)害信息特征提取模型
    3.2.4  對(duì)瓦斯災(zāi)害信息的目標(biāo)特征的評(píng)價(jià)
  3.3  基于最大熵的瓦斯災(zāi)害信息特征提取模型
    3.3.1  建立最大熵模型的依據(jù)
    3.3.2  瓦斯災(zāi)害信息特征提取的最大熵模型
    3.3.3  最大熵模型的參數(shù)訓(xùn)練算法
  3.4  基于支持向量機(jī)的瓦斯災(zāi)害特征提取
    3.4.1  基于支持向量機(jī)的瓦斯災(zāi)害特征提取相關(guān)理論
    3.4.2  基于支持向量機(jī)的瓦斯災(zāi)害特征提取模型
    3.4.3  基于自動(dòng)加權(quán)支持向量機(jī)的瓦斯災(zāi)害特征提取模型
    3.4.4  特征提取?型算法分析
  3.5  仿真實(shí)驗(yàn)研究
    3.5.1  應(yīng)用奇異值分解算法的瓦斯災(zāi)害特征提取實(shí)驗(yàn)
    3.5.2  應(yīng)用最大熵算法的瓦斯災(zāi)害特征提取實(shí)驗(yàn)
    3.5.3  應(yīng)用支持向量機(jī)算法的瓦斯災(zāi)害特征提取實(shí)驗(yàn)
第4章  瓦斯災(zāi)害多傳感器特征級(jí)信息融合
  4.1  瓦斯災(zāi)害特征級(jí)融合的結(jié)構(gòu)模型與方法
    4.1.1  信息融合的概念
    4.1.2  瓦斯災(zāi)害特征級(jí)融合的結(jié)構(gòu)模式
    4.1.3  瓦斯災(zāi)害特征級(jí)融合的方法
  4.2  瓦斯災(zāi)害特征級(jí)信息融合的特征匹配
    4.2.1  瓦斯災(zāi)害特征級(jí)融合的坐標(biāo)匹配
    4.2.2  瓦斯災(zāi)害特征級(jí)融合的時(shí)間匹配
    4.2.3  瓦斯災(zāi)害信息的特征匹配與合并
  4.3  基于貝葉斯理論的瓦斯災(zāi)害特征級(jí)融合
    4.3.1  貝葉斯網(wǎng)絡(luò)的構(gòu)建
    4.3.2  基于貝葉斯網(wǎng)絡(luò)的特征級(jí)融合的推理模式
    4.3.3  基于貝葉斯網(wǎng)絡(luò)的特征級(jí)融合的推理算法
  4.4  基于DempsterShafer理論的瓦斯災(zāi)害特征級(jí)融合
    4.4.1  瓦斯災(zāi)害特征級(jí)融合的概率分配函數(shù)的確定
    4.4.2  瓦斯災(zāi)害多特征信息融合的組合算法
    4.4.3  瓦斯災(zāi)害特征級(jí)決策融合方法
  4.5  實(shí)驗(yàn)研究
    4.5.1  特征級(jí)信息融合的貝葉斯方法實(shí)驗(yàn)
    4.5.2  特征級(jí)信息融合的證據(jù)理論方法實(shí)驗(yàn)
第5章  瓦斯災(zāi)害多傳感器決策級(jí)信息融合
  5.1  基于模糊邏輯的決策級(jí)融合
    5.1.1  瓦斯災(zāi)害決策融合的模糊邏輯方法
    5.1.2  瓦斯災(zāi)害決策融合的模糊積分方法
    5.1.3  模糊積分密度的學(xué)習(xí)算法
  5.2  基于粗糙集理論的瓦斯災(zāi)害決策級(jí)融合方法
    5.2.1  決策級(jí)融合的粗糙集推理數(shù)據(jù)準(zhǔn)備
    5.2.2  建立基于粗糙集規(guī)則的決策級(jí)融合?型
    5.2.3  決策級(jí)融合模型中粗糙集屬性關(guān)系分析
    5.2.4  實(shí)例研究
  5.3  基于模糊粗糙集理論的瓦斯災(zāi)害決策級(jí)融合方法
    5.3.1  基于模糊粗糙理論的瓦斯災(zāi)害決策級(jí)融合模型的建立
    5.3.2  基于模糊粗糙理論的決策級(jí)融合模型的檢驗(yàn)
    5.3.3  實(shí)例研究
第6章  瓦斯預(yù)測(cè)的數(shù)據(jù)挖掘理論與方法
  6.1  數(shù)據(jù)挖掘概述
    6.1.1  瓦斯數(shù)據(jù)挖掘研究面臨的主要問題
    6.1.2  瓦斯數(shù)據(jù)挖掘的算法研究進(jìn)展
    6.1.3  數(shù)據(jù)挖掘的研究方向
  6.2  瓦斯數(shù)據(jù)挖掘的預(yù)測(cè)功能
    6.2.1  數(shù)據(jù)挖掘的預(yù)測(cè)任務(wù)
    6.2.2  數(shù)據(jù)挖掘的瓦斯災(zāi)害預(yù)測(cè)模式類型
  6.3  煤礦瓦斯預(yù)測(cè)的數(shù)據(jù)挖掘過程
    6.3.1  數(shù)據(jù)準(zhǔn)備
    6.3.2  瓦斯數(shù)據(jù)開采
    6.3.3  瓦斯災(zāi)害預(yù)測(cè)結(jié)果的評(píng)估
    6.3.4  基于數(shù)據(jù)挖掘瓦斯預(yù)測(cè)的步驟
  6.4  瓦斯數(shù)據(jù)挖掘預(yù)測(cè)的相關(guān)方法
    6.4.1  數(shù)據(jù)挖掘中的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法 
    6.4.2  基于粗糙集理論的瓦斯預(yù)測(cè)方法 
    6.4.3  基于K-最鄰近的瓦斯預(yù)測(cè)方法
    6.4.4  基于序列模式挖掘的預(yù)測(cè)方法
    6.4.5  基于遺傳算法的瓦斯災(zāi)害預(yù)測(cè)方法
    6.4.6  基于分類的瓦斯預(yù)測(cè)方法
第7章  瓦斯數(shù)據(jù)的在線挖掘與識(shí)別
  7.1  瓦斯特征數(shù)據(jù)的在線挖掘存在的問題
    7.1.1  漸近式瓦斯災(zāi)害特征數(shù)據(jù)的在線挖掘算法
    7.1.2  多尺度瓦斯數(shù)據(jù)在線挖掘算法
    7.1.3  多尺度瓦斯數(shù)據(jù)在線挖掘算法的實(shí)現(xiàn)
  7.2  瓦斯災(zāi)害特征數(shù)據(jù)識(shí)別算法
    7.2.1  算法模型
    7.2.2  算法分析
  7.3  瓦斯數(shù)據(jù)的離散化
    7.3.1  瓦斯數(shù)據(jù)的離散化描述
    7.3.2  瓦斯數(shù)據(jù)的離散化方法
    7.3.3  瓦斯數(shù)據(jù)離散化的候選斷點(diǎn)集合的確定
    7.3.4  基于斷點(diǎn)權(quán)重的離散化算法
    7.3.5  基于聚類的連續(xù)屬性離散化算法 
第8章  瓦斯災(zāi)害預(yù)測(cè)模型
  8.1  基于K-最近鄰分類的瓦斯災(zāi)害預(yù)測(cè)
  8.2  K-最近鄰分類預(yù)測(cè)的改進(jìn)算法
    8.2.1  瓦斯訓(xùn)練樣本集的編輯和壓縮
    8.2.2  屬性權(quán)值的調(diào)整 
  8.3  K-最近鄰混合分類預(yù)測(cè)算法
    8.3.1  基于神經(jīng)網(wǎng)絡(luò)的屬性權(quán)重調(diào)整
    8.3.2  K-最近鄰混合算法
  8.4  基于帶移動(dòng)窗的神經(jīng)網(wǎng)絡(luò)瓦斯分類預(yù)測(cè)
    8.4.1  瓦斯時(shí)變數(shù)據(jù)的最小二乘學(xué)習(xí)算法
    8.4.2  神經(jīng)網(wǎng)絡(luò)移動(dòng)窗的最小二乘學(xué)習(xí)算法
    8.4.3  局部化遞推算法
  8.5  基于人工神經(jīng)網(wǎng)絡(luò)的時(shí)序預(yù)測(cè)模型
    8.5.1  瓦斯災(zāi)害預(yù)測(cè)模型的基本結(jié)構(gòu)與數(shù)學(xué)描述
    8.5.2  基于反饋神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型
    8.5.3  對(duì)角回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
  8.6  煤礦瓦斯多維預(yù)測(cè)模型
    8.6.1  問題的提出
    8.6.2  基于自回歸神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型結(jié)構(gòu)
    8.6.3  基于自回歸神經(jīng)網(wǎng)絡(luò)模型的數(shù)學(xué)描述
    8.6.4  基于自回歸神經(jīng)網(wǎng)絡(luò)模型的并行學(xué)習(xí)算法
    8.6.5  基于自回歸神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)流程
    8.6.6  輸入調(diào)正法
第9章  煤礦瓦斯預(yù)測(cè)實(shí)例
  9.1  煤礦瓦斯預(yù)測(cè)的數(shù)據(jù)挖掘準(zhǔn)備
    9.1.1  數(shù)據(jù)挖掘的測(cè)試內(nèi)容
    9.1.2  煤礦瓦斯預(yù)測(cè)的數(shù)據(jù)預(yù)處理
  9.2  煤礦瓦斯數(shù)據(jù)庫的分類預(yù)測(cè)
    9.2.1  標(biāo)準(zhǔn)數(shù)據(jù)庫的分類預(yù)測(cè)
    9.2.2  煤礦瓦斯災(zāi)害時(shí)序數(shù)據(jù)庫
  9.3  煤礦瓦斯涌出量實(shí)際預(yù)測(cè)
  9.4  預(yù)測(cè)結(jié)果分析
    9.4.1  數(shù)據(jù)庫分類預(yù)測(cè)結(jié)果比較
    9.4.2  多維模型瓦斯預(yù)測(cè)的結(jié)果分析
參考文獻(xiàn)