谈谈采空区粗糙集和支持向量机在采空区自然发火预测中运用设计

致谢4-5

摘要5-6

Abstract6-11

1 绪论11-18

1.1 论文探讨的背景与作用11

1.2 自然发火预测技术探讨近况11-15

1.2.1 传统预测策略介绍12-13

1.2.2 智能算法预测介绍13-15

1.3 粗糙集和支持向量机探讨近况15-17

1.3.1 粗糙集探讨近况15-16

1.3.2 支持向量机探讨近况16-17

1.4 本论文主要工作17-18

2 煤自然发火的机理与预测指标确定18-25

2.1 煤自燃机理和煤的自燃性18-20

2.1.1 煤自燃机理18-19

2.1.2 煤的自燃性19-20

2.2 自然发火监测和预报技术20-25

2.2.1 煤层自燃火灾监测手段20-21

2.2.2 自然发火预报策略21

2.2.3 自然发火预测指标的浅析21-25

3 粗糙集论述25-33

3.1 粗糙集的基本论述25-29

3.1.1 知识与分类25-26

3.1.2 不可分辨联系26

3.1.3 粗糙集、上近似、下近似、边界区域26-28

3.1.4 近似精度和粗糙度28-29

3.2 决策表、连续属性离散化、属性约简及属性依赖性29-33

3.2.1 决策表29-30

3.2.2 连续属性离散化30-32

3.2.3 属性约简32

3.2.4 属性依赖度32-33

4 统计学习论述与支持向量机33-48

4.1 机器学习不足33-35

4.1.1 机器学习不足模型33-34

4.1.2 经验风险最小化34-35

4.2 统计学习论述的基本概念35-38

4.2.1 VC 维（Vapnik-Chervonenkis Dimension, VC）35-37

4.2.2 结构风险最小化37-38

4.3 支持向量机38-48

4.3.1 SVM 的基本思想38-39

4.3.2 线性可分的最优分类面39-41

4.3.3 近似线性可分的最优分类面41-43

4.3.4 非线性 SVM43-45

4.3.5 SVM 核函数45-48

5 采空区煤自燃决策表离散化算法探讨48-63

5.1 基于 OPTICS 聚类算法的连续属性离散化算法48-50

5.1.1 OPTICS 算法思想48

5.1.2 基于粗糙集论述与 OPTICS 算法的连续属性离散化算法48-50

5.2 采空区煤自燃决策表离散化50-54

5.3 采空区煤自燃信息特点提取54-63

5.3.1 行约简55-56

5.3.2 属性约简算法56-63

6 基于粗糙集-支持向量机的采空区自然发火预测63-72

6.1 基于粗集-支持向量机的预测模型63-65

6.2 煤自然发火预测支持向量机模型设计65-69

6.2.1 支持向量机的学习历程65

6.2.2 支持向量机的实现65-66

6.2.3 核函数的选取66-67

6.2.4 参数的优化67-69

6.3 实验结果与浅析69-72

结论72-74