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