一、采掘关联规则的算法及优化处理概述（论文文献综述）
刘辉[1]（2020）在《基于机器学习的煤矿冲击危险性综合预测方法研究》文中指出由于冲击地压的发生受矿井地质条件、开采方法等多种因素的耦合控制,使得冲击地压发生的机理变得复杂,造成难以监测和预测分析,目前还缺乏能够统筹考虑多种因素、推广能力强的冲击危险性综合预测方法。本文采用基于煤矿多源大数据的机器学习方法,利用山东某煤矿开采工作面的地质资料、监测数据、煤层开采数据和高能量矿震记录,对冲击地压发生的影响因素和特征规律进行总结分析,开展基于机器学习的冲击危险性综合预测方法研究,通过建立矿震强度、冲击危险性等级、冲击地压类型等相关预测问题的分析模型,为煤矿开采过程中冲击地压的科学监测、预测与防治提供新的方法和途径。论文的主要研究成果如下:1.针对冲击地压的突发性以及前兆信息监测分析困难等问题,利用微震监测、地音监测、煤粉监测、巷道应力监测、工作面支架阻力监测等数据,分析影响煤矿冲击地压发生的主要因素,并将这些因素划分为地质因素和生产因素,从开采地质条件和监测数据两个方面分析了与冲击地压的关系,确定预测判别的指标因子,并根据预测方法所依据指标因子的数据类型为离散或时间连续,将预测方法分为静态预测和动态预测。2.根据工作面的开采地质因素,建立了基于贝叶斯决策理论的冲击危险性等级预测模型。分别采用贝叶斯判别分析和贝叶斯网络推理两种算法对冲击危险性等级进行预测划分,实现静态预测,探讨不同影响因素的权重,为冲击地压预测研究提供新的量化方法和分析途径。3.实现对冲击地压发生时矿震强度的准确预测。将工作面煤粉监测、巷道应力监测、工作面支架阻力监测等与冲击地压相关的监测数据,作为预测的判别因子,矿震监测的震级作为实际结果,建立矿震震级预测模型。考虑影响因素和适用条件的不同,分别采用径向基神经网络和多层感知器神经网络对矿震震级进行预测划分,取得了较为准确的结果。4.利用微震监测信号时频分布特征,提出了门限单元循环神经网络深度学习模型（GRU-RNN）。该模型的输入为时间连续的多通道微震监测信号,在机制上可隐式提取微震信号的形态分布、幅值及频谱特征,实现对冲击诱因的判别分析。针对冲击危险性等级动态预测问题,建立了基于连续多通道微震监测信号和地音监测信号的深度受限玻尔兹曼机过程神经网络模型（DRBM-PNN）。两种深度学习模型可改善现有方法对不同类别信号综合特征的区分度,在机制上对动态预测问题具有良好的适用性。5.针对矿井地质、开采生产和安全监测中多源时序数据相融合的冲击危险性动态预测问题,建立了一种动态模糊推理神经网络。该模型将模糊逻辑推理和神经网络对信号特征的学习机制相结合,基于模糊集和隶属度函数表示领域知识,自适应建立基于多源过程信号样本集的推理逻辑和模糊判别规则,可有效融合多源过程信息及先验知识,并适用小样本集情况下的建模预测分析。在上述研究的基础上,在山东某煤矿1412开采工作面进行冲击危险性综合预测的实际应用,取得了较为准确的预测结果。
廖英雷[2]（2020）在《基于相关性分析的瓦斯异常值检测与预警》文中提出随着智慧矿山建设的持续推进,煤矿企业积累了海量的监测数据,这些数据主要来源于矿井的采煤、掘进、机电、运输、通风等生产环节。矿井瓦斯监测数据中存在大量异常数据,目前矿井监控系统并不能有效区分,仅依据预设的瓦斯浓度阀值指标进行临灾预警,存在一定风险。对瓦斯异常值检测与预警展开了深入研究,主要研究内容如下:（1）针对瓦斯大数据建模效率低下的问题,提出了基于数据抽样优化的逻辑回归（Data Sampling Optimization Logistic Regression,DSO-LR）瓦斯异常值检测方法。首先,应用拉格朗日插补方法,对采集到的矿井瓦斯及其相关数据的缺失值进行插补,并标定异常数据。其次,依据概率抽样原理,通过比较不同抽样概率和全数据情况下建立的逻辑回归方程的欧式距离,确定最优抽样概率。最后,依据训练集建立回归方程的决策边界,并以该边界进行异常值检测。实验结果表明,DSO-LR确定的最优抽样概率为20%,DSO-LR相较于LR方法计算效率提高了 5倍,异常值识别率85%。（2）针对K-Means算法对初始簇心比较敏感的问题,提出了基于初始簇心优化的K-Means瓦斯异常值检测方法。首先,分析了不同监测位置之间瓦斯浓度数据的相关性。其次,依据采煤工序具有周期性的特点,基于前序数据的聚类簇心,优化后序数据的初始簇心,采用最小化每个类簇的方差作为类内数据相似性度量条件;最后,利用改进后的K-Means算法在实验数据上进行异常值检测。实验表明,改进的K-Means算法减少了迭代次数,提高了异常值检测的准确度。（3）为了实现瓦斯险情的分级预警,在分析异常数据之间关联性的基础上,构建了基于权值优化的 Apriori 关联规则的（Gas early warning model of Weight Optimization Apriori,WO-Apriori）瓦斯险情预警模型。首先,将前述算法检测出的瓦斯浓度及相关监测异常数据二元化,构建关联规则的学习集。其次,计算学习集的支持度,寻找高频项集。再次,在基于权值优化的最小置信度的条件下,从高频项集中产生关联规则。最后,依据关联规则,设计分级预警机制,从而判断异常数据的有效性,实现瓦斯事故隐患分级预警。实验结果表明:依据分级预警机制,对检测出的131条异常记录,其中38条记录属于粗大噪声,不需要预警;34条记录属于低级风险,17条记录属于中级风险,42记录属于高级风险,需要对应级别的预警。预警结果与专家分析结果一致,表明了WO-Apriori模型预警的有效性。
张兴晔[3]（2020）在《煤矿企业主生产系统调度优化研究》文中提出煤矿企业调度工作对各个生产环节起到协调组织的作用,保证生产平稳有序进行,最终提高企业整体运营能力。面对复杂的煤矿主生产系统,建立一种科学的调度方式及相应的求解方法具有重要意义。本文以井工煤矿的主生产系统为研究对象。在国内外调度管理理论研究及应用的基础上,首先分析煤矿与离散、流程型生产企业调度问题的区别与联系,并指出了主生产系统因中间环节不协调而面临的问题;随后针对问题提出调度策略,其中包括煤矿主生产系统建模策略以及调度模型求解策略,并设立了相应的评价方式;通过对煤矿主生产系统中各单元物理过程进行分析,建立了煤矿主生产系统的调度模型,并设置了标号、变量、目标函数以及各环节约束。在模型求解方面,针对煤矿企业生产特点设计了染色体编码结构及解码方式;针对多目标优化问题,采用先优化后决策的求解方案,并以NSGA-Ⅱ算法作为求解载体;针对调度求解要求的时效性及有效性,本文通过在求解过程中结合变邻域搜索算法、改进初始种群生成方式和添加外部记忆库的方式,以提高求解速度及准确性;最后以X煤矿为案例,验证了所提方法的有效性及算法的高效性。针对实际生产中频繁出现的扰动因素,在初始调度的基础上,提出煤矿主生产系统重调度策略。首先对煤矿企业实际生产数据进行分析,找出主要扰动因素。其次,根据动态调度特点设计重调度流程;再次,基于煤矿生产特点提出相应的滚动窗口技术及混合式重调度触发机制;对重调度模型求解算法做出相应的改进,以保证调度方案的最优状态和生产系统稳定运行。最后通过实例验证了重调度模型和所提算法的有效性。
王雨虹[4]（2020）在《煤与瓦斯突出态势感知方法研究》文中研究指明煤与瓦斯突出是煤矿瓦斯典型动力灾害形式之一,煤与瓦斯突出事故的发生会给煤矿企业造成巨大的经济损失和不良的社会影响。为了尽早的发现煤与瓦斯突出风险,及时地采取科学的防突措施,本文借鉴态势感知的基本思想,利用安全风险管理、压缩感知、模式识别、信息融合、机器学习等技术理论,采用现场调研、理论分析、数值模拟和现场试验相结合的研究方法,从煤与瓦斯突出态势觉察、态势理解和态势预测等几个方面开展煤与瓦斯突出态势感知的深入研究。研究内容及成果为构建煤与瓦斯突出态势感知体系奠定理论基础,为瓦斯动力灾害的科学治理提供辅助决策。在分析煤与瓦斯突出过程及影响因素的基础上,通过理论分析、现场数据分析和数值模拟实验,分析了煤与瓦斯突出过程中,瓦斯涌出规律以及煤岩体破裂声发射的演化特征。结果表明,瓦斯涌出量、声发射信号都具有明显的突出前兆特征。提出了煤与瓦斯突出态势感知的基本任务,构建了局部态势感知和全局态势感知相融合的煤与瓦斯突出态势感知模型。提出了煤与瓦斯突出态势要素的选取应满足科学性、前兆性、实时性、可操作性、全面性和敏感性等原则。以赵各庄矿为例,选取瓦斯涌出及声发射实时监测信息作为主要的煤与瓦斯突出态势要素,将钻屑量、钻屑解吸指标、瓦斯压力、瓦斯含量等作为辅助态势要素,并对突出态势要素选取的可行性进行了分析论证。提出了基于压缩感知的煤与瓦斯突出态势要素有效信息提取方法。以不完全瓦斯涌出时间序列为研究对象,利用压缩感知实现了对缺失率小于30%的瓦斯涌出时间序列的修复。针对噪声背景下的煤岩体声发射信号提取问题,将压缩感知与小波去噪方法相结合,实现了噪声信号和有效煤岩体声发射信号的分离。研究煤与瓦斯突出灾变特征提取方法。提出了基于五点三次平滑处理与非线性分段相结合的瓦斯涌出时间序列趋势特征提取方法。将瓦斯涌出时间序列均值、趋势斜率、波动率等作为瓦斯涌出异常时间序列辨识指标,利用动态模式匹配距离结合层次聚类,实现了对包含突出灾变在内的瓦斯涌出异常时间序列的识别。研究了煤与瓦斯突出过程中声发射信号时域、频域和时频域特征,利用小波包能量谱和小波包能量熵提取声发射信号能量特征。结果表明,突出过程中,声发射信号呈现低频高幅值变化,能量向优势频段集中,小波包能量熵值降低等特征,提出将声发射信号能量熵值变化率作为煤与瓦斯突出前兆辨识指标。构建了煤与瓦斯突出态势评估指标体系,建立了基于信息融合的煤与瓦斯突出态势评估模型。为解决随机性、模糊性等不确定性因素对煤与瓦斯突出态势评估的影响,提出了基于云模型-改进证据理论的煤与瓦斯突出态势评估方法,利用云模型构建证据体的mass函数,采用组合加权的证据理论降低证据间冲突程度,以提高煤与瓦斯突出态势评估的准确性。提出基于机器学习的煤与瓦斯突出态势预测方法。利用天牛群算法（Beetle Swarm Optimization,BSO）优化长短期记忆网络（Long short-term memory,LSTM）的超参数组合,建立了基于BSO-LSTM的瓦斯浓度预测模型。分析掘进工作面瓦斯浓度时空相关性,从时空角度优化预测模型输入。结果表明,基于时空耦合的BSO-LSTM的瓦斯浓度预测模型预测精度较高,结合云模型-改进证据理论对瓦斯浓度预测结果进行基于瓦斯涌出监测信息的突出态势局部预测。就煤与瓦斯突出态势全局预测而言,将态势评估结果量化为态势值,建立基于混沌免疫粒子群（Chaos Immune Particle Swarm Optimization,CIPSO）优化的广义回归网络（Generalized Regression Neural Network,GRNN）的煤与瓦斯突出态势值预测模型,实现了煤与瓦斯突出全局态势的短期预测。工程测试结果表明,煤与瓦斯突出态势感知方法能够准确地感知掘进工作面所面临的煤与瓦斯突出危险威胁,采用瓦斯压力、瓦斯含量、钻屑量等指标验证了利用瓦斯涌出、声发射等实时监测信息感知掘进工作面煤与瓦斯突出态势的结果,进一步说明了煤与瓦斯突出态势感知方法可以提高煤矿防治煤与瓦斯突出灾害的能力,保障矿井安全生产。该论文有图91幅,表29个,参考文献188篇。
郭昌放[5]（2020）在《基于多源数据协同和智能算法的煤矿工作面透明化系统研究》文中研究说明工作面透明化作为煤矿智能精准开采实现的基础,已成为行业未来的发展趋势。针对目前煤矿工作面透明化建设过程中存在的地质信息的不明确以及周围人、设备、环境所产生多源数据的不对称问题,论文借助现场调研、理论分析、案例测试、数值模拟以及工程实践等手段对煤矿工作面内部地质异常重构模型以及工作面外部多源数据协同融合机制进行了系统研究。首先,以广泛应用的电磁波CT技术为基础,针对传统反演算法对单一初始模型的选择依赖性较强,理论上存在局部最优解的不足,将反演过程中矩阵的求解转换为泛函极值求解问题,建立了基于智能算法求解的地质异常电磁波层析反演目标函数模型,为工作面地质异常的反演提供了一种新思路。其次,研究了具有较强全局搜索能力的遗传算法（Single Genetic Algorithm,SGA）在目标函数求解过程中的进化机制,揭示了交叉和变异算子是影响SGA智能算法计算性能的关键因素。设计了多种群协同进化算子和遗传参数自适应调节算子对SGA进行优化,并建立了基于自适应多种群遗传算法（Adaptive multiple population genetic algorithm,AMPGA）的地质异常反演模型。通过案例测试和数值模拟发现AMPGA智能算法有效增强了SGA的全局和局部搜索能力,保证了种群的多样性,提高了反演结果的准确性、稳定性和抗噪性。再次,提出了范围约束、就近约束和平均值约束三种电磁波层析反演先验数据约束模型,分析了多源先验数据约束对AMPGA智能算法反演结果的影响。通过数值模拟发现,随着工作面巷道、钻探以及回采揭露先验约束数据的增加,三种约束模型对应反演结果的准确性逐渐提高。其中,基于平均值约束的AMPGA智能算法得到的反演结果具有更高的准确性和稳定性。然后,基于大量现场调研,系统分析了工作面生产相关的人、设备和环境所产生多源数据的特征、分类以及透明化现状。提出了以图形化工程数据为空间指导,融合了多专业信息的煤矿多源数据协同共享机制和平台建设架构。不仅为工作面内地质异常的反演和预测提供了数据支持,同时还有效提高了多源数据的协同管理和透明化程度,为煤矿多源大数据的充分利用提供了条件。最后,在煤矿多源数据协同平台的基础上,基于平均值约束的AMPGA智能算法在巷道、钻孔以及回采揭露先验数据约束条件下,实现了大同矿区8208工作面内部地质异常的高效精准预测,并讨论了开采设计方案。此外,根据多家煤矿企业现场应用效果反馈,表明了多源数据协同平台有助于实现更大范围和更高维度的透明化,并为智能精准开采提供了数据支持。该论文有图101幅,表28个,参考文献267篇。
马龙[6]（2019）在《露天矿山企业4D生产计划模型与优化算法研究》文中认为露天矿山企业生产计划是矿产资源可持续开采和企业良性生产发展的重要规划,它具有等级森严的金字塔结构特征,制定科学合理的生产计划将是实现整个矿山服役年限内矿岩块体分期、有序开采生产的基础,借以达到矿山企业资源高效开采,防止资源过度消耗和环境污染的多重作用。在4D生产计划相关基础理论深入研究的基础上,将露天矿山企业地质数据、市场环境数据、开采过程数据和对象属性数据等进行统一组织与管理,对露天矿山企业4D生产计划信息模型和生产计划数学模型进行系统研究,提出适合不同类型生产计划模型求解的混合智能优化算法,形成露天矿山企业长期、短期、生产作业计划的层级递进优化模型,为露天矿山服役期内整体生产计划的协同优化与编制提供依据。主要研究工作如下:（1）构建了4D生产计划信息模型和时空数据库。在对露天矿山企业开采生产过程深入分析的基础上,将其抽象为3D地质空间信息模型与开采生产时间属性集成的4D生产计划信息模型,依据露天矿山开采生产过程的动态性和矿岩地质体的静态特征,建立了矿山开采对象位置变化的存储结构,并探讨了4D生产计划信息模型与数学模型中的时间粒度关系;采用对象关系数据库理论,构建了矿山生产计划时空数据库系统,并对开采生产基础数据进行了查询索引和优化应用。（2）研究了露天矿山企业长期生产计划问题建模理论与优化方法。针对矿产品价格、地质品位和生产处理成本波动对长期生产计划编制与优化的影响问题,以4D生产计划信息模型为基础,将矿产品价格、地质品位和生产处理成本等不确定性因素集成到长期生产计划模型,综合考虑块体空间开采顺序、开采深度、矿产资源回收利用率和开采处理能力等约束条件,构建了长期生产计划数学模型;并针对低品位矿石回收利用率问题,提出了低品位矿石回收处理策略,针对该模型的特点,提出了基于改进鸽群搜索算子的粒子群优化算法,该算法采用线性变异和非线性变异策略分别对鸽群算法中的地图罗盘因子进行改进,然后采用过渡因子将鸽群中两个独立算子进行融合,从而采用一个融合的鸽群算子对粒子群算法进行优化改进,并对算法的时空性能和复杂度进行了分析研究。（3）研究了露天矿山企业短期生产计划问题建模理论与优化方法。基于长期生产计划模型,将年计划期逐渐划分为以月为单位的短期生产计划,并以月为单位的矿石开采量和品位控制为目标,综合考虑了开采台阶、块体的时空顺序、开采数量和开采质量以及关键块体价值区域等约束条件,构建了短期生产计划数学模型;根据长期计划的年开采块体数量来计算短期生产计划中每个月的矿石开采量和品位波动的渐进研究思路,提出了元胞量子狼群优化算法,该算法采用双策略量子位对狼群中个体狼的位置进行初始化,采用量子位滑模交叉方法选取头狼,并采用元胞自动机中的一个元胞作为狼群搜索的解空间,从而拓宽了算法的搜索区域,并对算法的编码策略和量子旋转角策略进行了深入研究。（4）研究了露天矿山企业生产作业计划问题建模理论与优化方法。基于短期生产计划模型,将月计划期逐渐划分为以日或周为单位的生产作业计划,以短期生产计划模型中矿石开采量的开采和运输的日常作业单位成本最小化为目标,综合考虑矿石品位波动、采掘作业量和矿产资源利用率等约束条件,构建了生产作业计划数学模型;根据月矿石采剥生产量来计算开采和运输单位成本经济指标逐步细化的研究思路,提出了改进量子粒子群优化算法,该算法采用进化速度和聚集因子对惯性权重参数进行改进,并提出双可行域吸引子的粒子搜索策略,提高算法的收敛计算速度,增强算法逃逸局部最优问题。（5）实现了露天矿山企业4D生产计划的整体工程实例应用。以国内大型金属矿山—河南某露天矿作为实际案例,对该露天矿山企业生产计划基础数据进行组织,将本文模型与算法的求解结果与该大型露天矿山的原有设计方案的计算结果进行了比较分析,从而对4D生产计划数学模型进行整体应用、优化和经济评价。论文基于企业管理、矿业系统工程、三维空间建模、时空数据库、数学建模及智能优化算法等理论,通盘考虑了露天矿山4D生产计划数据组织、层级递进模型构建和整体工程优化应用,基于开采生产基础数据组织和生产计划协同优化方法,数学模型涵盖了矿山企业从宏观设计到微观作业的全过程,从理论上为露天矿山企业4D生产计划编制提供了参考作用;从技术上为露天矿山企业4D生产计划理论和实际工程应用的深入研究提供了算法基础,其本质是为矿山企业整体生产计划编制以及现有的矿业生产管控系统软件的优化升级提供理论和方法指导。
申琢[7]（2019）在《煤矿瓦斯安全风险识别与评价研究》文中提出煤矿企业中瓦斯灾害事故是制约矿井安全高效生产的重要因素之一。系统地分析各种诱发瓦斯灾害事故的原因,实现瓦斯灾害事故的早期科学预警,是解决煤矿井下安全生产重要课题之一。科学预测与度量煤矿瓦斯安全风险度,为煤矿安全风险性的客观、科学、正确评价与评估提供理论基础。所以开展煤矿瓦斯安全风险方面的研究工作,不仅可提高煤矿企业管理者防控灾害的意识和安全生产管理水平,对于降低煤矿企业安全风险、提高矿井防灾抗灾能力以及丰富瓦斯灾害防治理论都具有重要的现实意义和理论价值。论文采用文献研究、理论研究、现场调研、算法改进、实证分析等方法开展煤矿瓦斯安全风险研究,从煤矿事故致因机理入手,针对瓦斯灾害事故防治方面存在的不足,须深入研究灾害致因因素识别、安全风险度预估、安全风险评价等三个科学问题。文中采用关联规则理论,利用数据挖掘技术,对煤矿瓦斯安全风险致因因素进行识别研究;采用马尔科夫链模型对矿井瓦斯安全风险度进行预测分析;通过算法优选,改进了狼群算法,并结合BP神经网络,构建了煤矿瓦斯安全性评价模型,切实提高了评价客观性和准确性。同时,将煤矿瓦斯安全风险度预测模型和安全评价模型进行实证分析,进一步论证其科学性与准确性。论文研究的主要结论如下:（1）通过对煤矿瓦斯安全风险因素识别、瓦斯安全事故致因机理、瓦斯安全风险评价方法等研究进行文献综述,阐释了煤矿瓦斯安全事故致因机理,分析了在瓦斯安全风险因素识别、安全风险度预估及安全评价方面存在的准确性不高、考虑因素不全面等问题,为进一步开展瓦斯灾害防治研究提供了新思路。（2）基于煤矿灾害防治理论、安全评价理论等,针对目前瓦斯灾害事故治理技术措施中存在的不足,提出煤矿瓦斯安全风险因素识别准确性和完备性、瓦斯安全风险度量和预测正确性以及瓦斯安全风险评价准确性等方面还有需要进一步完善和深入研究的问题,这也是降低瓦斯安全风险和防止瓦斯灾害事故发生所面临的理论瓶颈与技术难题。（3）以72个瓦斯灾害案例85个致因因素为基础,构建了煤矿瓦斯安全风险致因因素模型,建立了瓦斯安全风险网络模型,同时采用关联规则理论建立了相应致因因素关系模型,筛选出对煤矿瓦斯安全风险具有重要影响的30个评价指标,形成了导致煤矿瓦斯安全风险的主要风险因素集,为下一步进行煤矿瓦斯安全风险度预测和安全评价提供了基础指标体系。（4）根据我国的煤矿瓦斯灾害情况,统计分析10年的瓦斯灾害事故数据,以煤与瓦斯突出为例,建立了煤矿瓦斯灾害风险度预测评估方法,采用马尔科夫链预测模型对煤与瓦斯突出事故的发生概率以及风险损失进行评估预测,评估结果符合现场实际情况,证实了马尔科夫链模型在煤矿瓦斯灾害预测方面的适用性和优势,为具有变参数的多因素灾害事故安全风险度预测提供了借鉴和参考。（5）通过算法的对比分析论证了 WPA在全局搜索、函数寻优等方面的优势,并具有良好的鲁棒特性。应用BP神经网络与狼群算法等相关理论,利用信念学习模型优化狼群算法,并与BP神经网络结合,设计出模型的计算流程,多个样本实证了 IWPA-BP模型对函数拟合的可行性,将改进模型应用到煤矿瓦斯安全风险评价中,模型测试的结果证实仿真归类与专家归类结果一致,证明了所构建的安全风险评价模型在煤矿瓦斯安全风险评价中的可靠性。（6）为进一步印证煤矿瓦斯安全风险预测模型和安全评价模型的正确性和可靠性,基于现场实际确定出影响李雅庄煤矿瓦斯安全的主要因素,并对李雅庄煤矿瓦斯安全风险度和安全性进行实证分析,证实了马尔科夫链预测模型与IWPA-BP神经网络安全评价模型在煤矿瓦斯安全风险机理分析及评价方面的科学性和客观性,为同类矿井的风险控制提供了思路和方法,研究成果在矿山企业具有推广应用前景。论文通过系统研究煤矿瓦斯安全风险问题,在瓦斯安全风险因素识别、安全风险度预测与分析、安全性评价方面取得了创新性成果,具体如下:（1）利用风险致因理论和关联规则,构建了煤矿瓦斯安全风险致因因素网络模型和关系模型,确定出煤矿瓦斯安全风险致因主要因素集,为煤矿瓦斯安全风险度预测和安全评价提供了指标体系。（2）借鉴煤矿安全风险评估方法理念,采用马尔科夫链模型对煤与瓦斯突出安全事故的发生概率及风险损失进行评估,并建立了相应的评估方法,可对瓦斯安全风险度进行了量化度量与预测。（3）基于BP神经网络与狼群算法等相关理论,利用信念学习模型改进了狼群算法,结合BP神经网络,构建了 IWPA-BP神经网络的煤矿瓦斯安全风险评价模型,在煤矿瓦斯安全风险科学评价方面提高了效率和准确性。
陈中汉[8]（2019）在《基于关联规则与智能算法的煤与瓦斯突出危险性评价研究》文中研究指明煤与瓦斯突出这种灾害属于复杂性质的灾害,常发生于煤矿井下,对我国煤矿安全生产存在着巨大威胁。从煤与瓦斯突出的孕育、发生、发展,直到结束通常存在一定的规律性,而究其本质,这些规律是由灾害发生地点本身和周边的瓦斯地质条件决定的,从这个角度来讲,瓦斯地质条件也影响着煤与瓦斯突出灾害的分布和危险性等级。瓦斯地质条件所蕴含的信息量非常巨大,如何从庞大的瓦斯地质信息库中找出主要的信息,并对这些主要信息进行优化处理,得出该地质信息所反映的煤与瓦斯突出灾害危险性的大小就显得至关重要,也可以此提高矿井的安全保障水平。通过现场实验、现场调查、研究实验以及理论分析等研究方法,论文中讲述了关于关联规则与智能信息的煤与瓦斯突出危险性评价手段。最开始开展了矿区的调查,地球物理资料的搜集以及瓦斯地质研究等一系列工作,矿井的地质结构出现褶皱,断裂等情况,构造煤发育又有很多的特征。对收集到的资料进行综合整理和分析,总结概括出研究区影响煤与瓦斯突出的瓦斯地质因素。同时利用数学地质方法提取了研究区煤与瓦斯突出的瓦斯地质数据特征,在分析比较经典关联规则Apriori算法和FP-growth算法的基础上,提出了新的关联规则挖掘算法——Class-FP-growth计算方法,并根据这个研究出对煤矿区域的瓦斯与地质因素关联规则,以及研究区突出强度关联规则等。此外,对煤与瓦斯突出信息处理的智能算法进行研究,采用和声搜索（Harmony Search,简称HS）智能算法对BP神经网络智能算法进行优化,利用遗传计算方法（Genetic Algorithm,简称GA）优化极限学习机计算方法（Extreme Learning Machine,简称ELM）的智能计算方法,分别提出了基于HS-BP智能算法和GA-ELM智能算法的煤与瓦斯突出危险性评价方法,并对这两种方法进行了仿真实验。最后在研究区选择了用于试验的工作面,提取了相应的工作面瓦斯地质数据,形成了 Bayes信息融合评价的HS-BP证据体和GA-BP证据体,通过Bayes融合形成了试验工作面更为有效的煤与瓦斯突出危险性评价方法,为煤与瓦斯突出危险性评价提供了新的技术支持。论文的研究内容主要分为以下几个方面:（1）研究区煤与瓦斯突出影响因素分析在对研究区构造背景和矿井瓦斯地质特征研究基础上,统计分析了研究区寺家庄矿20次煤与瓦斯突出的突出强度、地质条件和瓦斯条件等影响因素;以寺家庄矿和新景矿为例,探讨了煤层瓦斯压力、瓦斯浓度和瓦斯吸附特性等瓦斯参数对研究区煤与瓦斯突出的影响,其中通过压汞实验测试了新景矿5个不同类型煤样的孔容、比表面积、中值孔径、比表面积中值孔径和孔隙度等参数,并分析了其对瓦斯吸附特性的影响;同时利用研究区一矿、二矿、五矿和新景矿26组钻孔数据和寺家庄矿4组煤体结构参数,分析了煤层埋深、煤层厚度及煤体结构对煤与瓦斯突出危险性的影响,并利用新景矿煤层底板等高线和煤厚等值线数据分析了不同地质构造对煤与瓦斯突出的控制作用;在此基础上,形成了寺家庄矿20组煤与瓦斯突出的瓦斯数据和地质数据,包括瓦斯压力、瓦斯浓度、煤层埋深、煤层厚度、煤体破坏类型和地质构造6个因素,其中地质构造的量化通过综合考虑构造组合、断层数量和断层落差确定。（2）煤与瓦斯突出关联规则挖掘理论及算法研究在阐明突出危险性评价可行性条件下,用关联规则对突出因素进行挖掘,与传统的关联规则计算方法Apriori和FP-gro wth进行了对比,并分析两者的优缺点,Apriori算法在频繁项集数据量很大的时候,不仅产生大量的候选项集,而且重复扫描数据库,造成运行效率较低;FP-growth算法不产生候选项集,降低了运算复杂度,但把不同的类别属性作为不同的节点构造在FP-tree里面,等到有很大的挖掘数量信息时,也将增加空间开销。针对两种算法的不足,提出了新的关联规则挖掘算法——Class-FP-growth关联规则挖掘算法,该算法不仅克服了 Apriori算法处理大量频繁项集数据库的不足,而且减少了用FP-growth算法造成的冗余分支,并基于此建立了基于Class-FP-growth算法的煤与瓦斯突出危险性评价关联规则挖掘模型,选择Webdosc、Aucho Docs和Accidents共3个数据库对算法进行仿真测试,比较分析最小支持度为0.01%、0.1%,1%、10%、20%、30%、40%、50%、60%、70%和 80%时的 FP-growth 算法和 Class-FP-growth 算法的性能,证明了 Class-FP-growth算法在挖掘数据库较大时或者约束条件严格时要比FP-growth 算法具有一定 的优势,并将该模型应用于研究区寺家庄矿 20 次煤与瓦斯突出危险性等级数据分析,得出了研究区寺家庄矿支持度为30%的煤与瓦斯突出评价因素关联规则,以及不同突出强度关联规则。（3）煤与瓦斯突出危险性评价HS-BP神经网络智能算法研究在研究煤与瓦斯突出危险性评价BP神经网络算法的结构和基本原理的基础上,分析了 BP神经网络训练时间长,容易训练瘫痪以及陷入局部最小值的问题,然而HS算法相比于传统的优化算法其有参数设置少,随机搜索不需衍生信息,比对效率高,容易信息共享等优点。为了克服BP神经网络上的不足,根据其神经网络自身的特点,运用HS算法对BP神经网络进行一定的改进,从而使其得到优化,改良其原先的缓慢收敛,使其在自身局部最小值问题上达到了目标要求,并选取单峰Sphere函数、Rosenbrock函数和多峰Griewank函数3个测试数值优化算法性能的标准基准测试函数,来验证HS-BP算法的正确性和有效性,在经过200次独立实验后,HS-BP算法的最优适应度函数值的平均值、平均标准差优于PSO-BP神经网络算法、GA-BP神经网络算法和BP神经网络算法,也由此说明了 HS-BP模型具有更好的评价精度和泛化能力。与此同时,利用HS-BP神经网络算法对其目标值进行对比,得到的结果0.000125,在一定程度上比利用HS-BP、PSO-BP、GA-BP和BP求得的0.0086、0.0072和0.0364更加精准,结果表明和声搜索算法改进BP网络在用于煤与瓦斯突出危险性评价时,在一定程度上具有科学性和优越性。（4）煤与瓦斯突出危险性评价GA-ELM智能算法研究阐述了 ELM算法的基本原理,并将其与SLFN算法和BP算法进行比较,指出ELM算法所用激活函数可以使用不连续的函数,只需要对隐藏神经元的数量进行设置,将计算方法的训练时间进行降低,可以避免SLFN容易出现梯度下降和陷入局部的极值问题,泛化能力强。但是在ELM算法实施的过程中容易出现输入值矩阵和隐含层偏差随机性影响ELM的问题,因此引入遗传算法（GA）对其进行优化,提出了一种煤与瓦斯突出危险性评价新方法。并分别用GA-ELM算法、ELM算法和BP算法对寺家庄矿煤与瓦斯突出样本数据做了危险性评价模型分析,将评价结果相互对比,对比结果显示采用ELM算法评价准确率为60%,采用BP算法评价准确率为60%,而GA-ELM算法准确率为80%,GA-ELM算法具有较高的准确率。因此遗传算法（GA）与极限学习机（ELM）相结合的模型评价精度较高,对煤与瓦斯突出问题的评价效果具有较强的准确性。（5）在关联规则和智能算法的基础上对煤与瓦斯在突出危险性评价进行现场应用根据研究区域瓦斯地质因素的不同和矿井的实际情况,构建了煤与瓦斯突出危险性评价研究方面的15组数据信息样本,提取了相应的工作面瓦斯地质数据,形成了Bayes信息融合评价的HS-BP证据体和GA-ELM证据体,通过Bayes融合形成了试验工作面更为有效的煤与瓦斯突出危险性评价方法,并在煤与瓦斯突出数据关联规则与智能算法优化技术研究基础上,提出了煤与瓦斯突出危险性评价过程,在进行煤与瓦斯的危险性评价时,将HS-BP神经网络算法、GA-ELM算法、关联规则与智能计算方法和试验实际的结果进行比对,结果表明基于关联规则与智能算法优化的煤与瓦斯突出危险性评价准确性较高,达93.33%,为煤与瓦斯突出危险性评价提供了新的技术支撑。
郭昕曜[9]（2019）在《高突矿井瓦斯风险评估方法与管控技术研究》文中研究说明煤炭是我国国民经济中的主要能源,如何保证我国煤矿的安全生产已成为影响我国经济可持续发展的重要课题。在各类煤炭生产灾害中,瓦斯灾害的后果最为严重,其常发生在高瓦斯矿井和煤与瓦斯突出矿井中。因此,降低我国百万吨煤死亡率,控制生产过程的瓦斯风险已成为安全生产的重中之重。围绕影响煤矿瓦斯灾害的三类危险源,对高瓦斯突出矿井的瓦斯风险及其影响因素进行评估并针对评估结果实施风险应对措施是降低我国矿井瓦斯灾害的重要手段,同时也为制定科学的风险管控方法提供理论支撑。本文以高瓦斯突出矿井沙曲矿为研究背景,围绕瓦斯风险运用工学、管理学、信息理论、计算机科学以及矿山安全理论,研究高瓦斯突出矿井的瓦斯风险评估、风险应对及风险管控技术,以期降低该类矿井内瓦斯事故发生的概率,全方位地提高矿井安全生产水平。在本文的第2章,首先根据以往瓦斯事故的典型案例及文献分析,对所研究矿井进行现场调研,为高瓦斯突出矿井的瓦斯综合风险评估获取可靠评估资料。其次,以影响瓦斯事故的三类危险源为划分原则,构建包含50个指标因素的风险评估体系,并通过该风险评估指标体系设计了基于物元可拓理论的评估模型。进而,为辨识影响各类瓦斯事故的关键指标因素,通过对灰色预测理论加入弱化算子的方法改进和优化了实测初始数据和最佳权重值的获取方法。以沙曲矿的三个工作面为例,对瓦斯爆炸和煤与瓦斯突出灾害进行了风险等级评估,并基于优化过的灰色预测模型对一系列实测指标因素进行了关联度排序。根据风险等级评估和指标因素的关联排序结果,指出该矿井应对瓦斯爆炸灾害重点监控,同时风量合格率及应急管理措施为影响瓦斯爆炸灾害的关键指标因素,需对该两类指标进行重点应对。基于第2章影响瓦斯爆炸灾害的指标因素关联分析结果,为应对高突矿井巷道内风量过低造成的瓦斯集聚和超限风险,提高风量合格率这一关键指标因素,在本文的第3章,首先提出了基于Ventsim数值模拟的“计算-反馈-调节”机制计算各巷道风阻,通过各主要通风机模拟风量与实测风量对比,验证该机制的误差不超过2.5%。其次,采用Ventsim三维仿真模拟技术从宏观角度研究通风系统的改造方案。预测了隔离改造后通风系统内主要风机及用风点的风量变化,并通过风流短路法的降阻调节使南9集中回风巷中的调节风窗阻力降低了404Pa,所在巷道风量由原来的1458 m3/min增加到3444 m3/min。最后,基于Fluent模拟技术从微观角度拟合了风窗开启面积与风阻间的关系,确定风窗至少应开启3.28m2可使风机恢复至额定功率工作状态。为巷道风阻测定及矿井通风系统的改造方案设计提供了较为方便准确的工程技术支撑。基于第2章影响瓦斯爆炸灾害的指标因素关联分析结果,为防止煤矿瓦斯事故造成群死群伤,完善应急管理措施这一关键指标因素,在本文的第4章,首先通过实地调研分析了所研究矿井中应急管理措施存在的不足,详细阐明了瓦斯爆炸事故中对作业人员造成伤亡的各类原因,指出了最主要因素是有毒有害气体的侵蚀。其次,基于地铁火灾人群疏散理论,对比作业人员在瓦斯爆炸事故后带上自救器疏散的时间及灾害来临的时间建立了疏散时间模型,设计了安全疏散系数K。最后基于瓦斯爆炸冲击波在巷道内传播规律、人员疏散效率的安全疏散系数K及Floyd算法计算的最短疏散路径,确定了该矿井面临瓦斯爆炸风险时临时避难硐室的选址范围及最优疏散路径。为全面提高煤矿企业日常瓦斯风险管控能力,在本文的第5章,针对上文两类关键指标因素制定的风险应对方法,将前文瓦斯风险评估模型、通风系统管理以及最优应急疏散路径分析进行集成,通过综合对比前人开发的煤矿安全管理系统所使用的数据结构及开发语言,设计了瓦斯风险管理系统平台的框架和数据发送、接收及分析步骤,建立了基于Matlab与Visual Studio混合编程技术的瓦斯风险管理系统平台的共享数据中心。利用多种编程语言、搭载不同设备完成,实现了高瓦斯突出矿井的瓦斯风险动态监测、识别、评估、预警和应急处置的效果。最后,在本文第6章,根据前文研究结果对高瓦斯突出矿井的瓦斯风险评估、风险应对及风险管控的体系进行了总结,得出主要结论,提出创新点,并对今后的进一步研究工作进行了展望。
孔祥峰[10]（2018）在《基于股价领滞关系的行业轮动策略研究》文中提出近十年来,量化投资成为了欧美资本市场发展的热点与焦点,很多专业人士都开始加入到量化投资策略的开发活动中,行业轮动策略就是其中备受追捧的一种。行业轮动策略是利用不同投资品种强势时间的错位对行业品种进行切换获利的一种主动交易策略,其本质是股价领滞关系在股市套利的一种应用。本文首先利用VAR模型对行业股价领滞关系的存在性进行了实证,对领先行业和滞后行业的分布情况进行了简要分析;然后对股价领滞关系的市场表现进行了分类,并从经济周期、产业关联和信息溢出视角对股价领滞关系的原因进行了解释;最后本文利用Apriori算法对行业指数间的领滞关系进行了规则挖掘,得到了行业指数收益率数据的联动规则和轮动规则,并据此建立了策略进行回测。为提高结果的稳健性,本文按照滞后行业对策略规则进行归类,对规则从收益率、频率和胜率三个角度进行有效性分析。结果表明,非金融行业轮动策略信号具有一致性,且轮动规则发出的信号越多,非金融行业轮动策略胜率和平均收益率也越多。基于此,我们删除了不稳健的金融行业轮动规则,对另外三组非金融行业建立了联合规则策略并再次进行回测。回测结果表明,三组策略相较于之前有了很大提升,在回测的整个周期,均实现了20%以上的超额收益,最大回撤分别为7.5%、6.3%和9.5%。由于联合规则策略在不同市场情况下均实现了稳定收益,且策略的回撤较小,可以作为稳健保本的绝对收益策略。通过研究,本文对中国股市的市场管理者和投资者分别提出了相关建议。对市场管理者来说,需要正确认识产业关联对股市的影响,规范资本市场信息传播秩序;对于投资者来说,需要正确认识行业轮动规律,并积极利用轮动策略进行资产组合配置和风险管理。
二、采掘关联规则的算法及优化处理概述（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、采掘关联规则的算法及优化处理概述（论文提纲范文）
（1）基于机器学习的煤矿冲击危险性综合预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 论文主要内容和研究方法 |
| 2 基于人工神经网络的矿震监测与矿震强度预测方法研究 |
| 2.1 深井矿震分类和影响因素分析 |
| 2.2 “区域-局部”式矿震监测 |
| 2.3 矿震强度神经网络预测方法及算法 |
| 2.4 样本矿井概况 |
| 2.5 实际资料处理与分析 |
| 2.6 本章小结 |
| 3 基于贝叶斯网络推理的冲击危险性等级分析 |
| 3.1 冲击地压影响因素分析 |
| 3.2 冲击地压危险等级分类研究 |
| 3.3 基于贝叶斯网络的冲击危险性等级预测方法 |
| 3.4 实际资料处理与分析 |
| 3.5 本章小结 |
| 4 基于深度神经网络的冲击类型和冲击危险性等级判别 |
| 4.1 微震信号特征分析 |
| 4.2 深度循环神经网络预测模型 |
| 4.3 基于深度循环神经网络的冲击地压诱因分析 |
| 4.4 基于深度受限玻尔兹曼机过程神经网络的冲击等级预测分析 |
| 4.5 实际资料处理与分析 |
| 4.6 本章小结 |
| 5 基于动态模糊推理网络的冲击危险性预测 |
| 5.1 冲击地压煤矿开采地质影响因素综合分析 |
| 5.2 模糊信息处理与模糊神经网络 |
| 5.3 动态模糊推理神经网络预测模型 |
| 5.4 实际资料验证 |
| 5.5 本章小结 |
| 6 工作面冲击地压综合预测应用 |
| 6.1 1412工作面概况 |
| 6.2 冲击地压监测情况 |
| 6.3 1412工作面冲击危险性综合预测分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
| 学位论文数据集 |
（2）基于相关性分析的瓦斯异常值检测与预警（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 煤矿监测数据分析与处理 |
| 1.2.2 异常值检测研究现状 |
| 1.2.3 矿井瓦斯灾害预警研究现状 |
| 1.2.4 研究现状分析总结 |
| 1.3 论文的研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文的组织结构 |
| 2 基于DSO-LR的瓦斯异常值检测 |
| 2.1 相关基础理论 |
| 2.2 基于数据抽样优化的逻辑回归算法 |
| 2.2.1 算法思想 |
| 2.2.2 算法描述 |
| 2.2.3 算法实现 |
| 2.3 实验验证 |
| 2.3.1 实验数据 |
| 2.3.2 数据预处理 |
| 2.3.3 实验步骤 |
| 2.3.4 实验结果与分析 |
| 2.4 小结 |
| 3 基于初始簇心优化的K-Means瓦斯异常值检测 |
| 3.1 相关理论基础 |
| 3.2 初始簇心优化的K-Means算法 |
| 3.2.1 算法思想 |
| 3.2.2 算法描述 |
| 3.2.3 算法实现 |
| 3.3 实验验证 |
| 3.3.1 实验数据 |
| 3.3.2 实验结果与分析 |
| 3.4 小结 |
| 4 基于WO-Apriori关联规则的瓦斯险情预警 |
| 4.1 相关理论基础 |
| 4.1.1 瓦斯浓度影响因素分析 |
| 4.1.2 关联规则的定义与挖掘过程 |
| 4.2 煤矿数据关联性分析 |
| 4.2.1 煤矿采掘过程描述 |
| 4.2.2 煤矿数据特征分析 |
| 4.3 基于WO-Apriori瓦斯险情预警模型 |
| 4.3.1 算法思想 |
| 4.3.2 算法步骤 |
| 4.4 实验验证 |
| 4.4.1 实验数据 |
| 4.4.2 数据预处理 |
| 4.4.3 实验步骤 |
| 4.4.4 实验结果与分析 |
| 4.5 小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）煤矿企业主生产系统调度优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 2 相关概念及理论基础 |
| 2.1 调度理论概述 |
| 2.2 调度建模及求解方法 |
| 2.3 NSGA-Ⅱ算法简介 |
| 2.4 本章小结 |
| 3 煤矿主生产过程分析与模型构建 |
| 3.1 煤矿生产及调度特点与其他行业对比分析 |
| 3.2 调度策略 |
| 3.3 构建煤矿主生产系统调度模型 |
| 3.4 本章小结 |
| 4 调度模型求解 |
| 4.1 基于NSGA-Ⅱ算法的求解方法 |
| 4.2 染色体的编码与解码 |
| 4.3 种群初始化及选择机制 |
| 4.4 交叉及变异机制 |
| 4.5 Pareto解的更新及终止条件 |
| 4.6 实例分析 |
| 4.7 本章小结 |
| 5 具有扰动因素的重调度问题研究 |
| 5.1 存在扰动因素下的生产重调度策略 |
| 5.2 扰动因素下重调度流程 |
| 5.3 重调度模型求解 |
| 5.4 实例分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（4）煤与瓦斯突出态势感知方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 存在问题及不足 |
| 1.4 研究内容与技术路线 |
| 2 煤与瓦斯突出过程与突出态势感知 |
| 2.1 煤与瓦斯突出过程及影响因素 |
| 2.2 煤与瓦斯突出前兆信号特征分析 |
| 2.3 煤与瓦斯突出态势感知 |
| 2.4 本章小结 |
| 3 基于压缩感知的煤与瓦斯突出态势要素提取 |
| 3.1 煤与瓦斯突出态势信息的压缩感知 |
| 3.2 不完全瓦斯涌出时间序列处理方法 |
| 3.3 噪声背景下声发射信号提取方法 |
| 3.4 本章小结 |
| 4 煤与瓦斯突出灾变特征提取方法 |
| 4.1 基于趋势分析的瓦斯涌出异常时间序列辨识 |
| 4.2 煤与瓦斯突出声发射信号前兆特征提取 |
| 4.3 本章小结 |
| 5 基于信息融合的煤与瓦斯突出态势评估 |
| 5.1 煤与瓦斯突出态势评估模型 |
| 5.2 煤与瓦斯突出态势评估方法 |
| 5.3 本章小结 |
| 6 基于机器学习的煤与瓦斯突出态势预测方法 |
| 6.1 基于时空耦合的瓦斯浓度态势预测模型 |
| 6.2 基于广义回归网络的煤与瓦斯突出态势值预测模型 |
| 6.3 本章小结 |
| 7 煤与瓦斯突出态势感知的工程测试 |
| 7.1 煤与瓦斯突出态势要素获取及评估临界值的确定 |
| 7.2 煤与瓦斯突出态势评估方法验证 |
| 7.3 煤与瓦斯突出态势预测方法验证 |
| 7.4 本章小结 |
| 8 结论、创新点及展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 查新结论 |
| 作者简历 |
| 学位论文数据集 |
（5）基于多源数据协同和智能算法的煤矿工作面透明化系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 存在问题及不足 |
| 1.4 研究内容及方法 |
| 2 煤矿工作面电磁波层析反演模型建立 |
| 2.1 电磁波CT探测基本理论 |
| 2.2 电磁波CT探测观测方法 |
| 2.3 电磁波CT反演数学模型 |
| 2.4 本章小结 |
| 3 煤矿工作面层析反演智能算法研究 |
| 3.1 遗传算法概述 |
| 3.2 遗传算法的进化过程 |
| 3.3 遗传算法的优化 |
| 3.4 数值模拟 |
| 3.5 本章小结 |
| 4 基于煤矿多源先验数据约束的AMPGA层析反演智能算法模型 |
| 4.1 基于煤矿多源先验数据约束的电磁波CT反演模型 |
| 4.2 基于巷道揭露先验数据约束的AMPGA层析反演结果分析 |
| 4.3 基于巷道和钻探揭露先验数据约束的AMPGA层析反演结果分析 |
| 4.4 基于工作面回采揭露先验数据约束的AMPGA层析反演结果分析 |
| 4.5 本章小结 |
| 5 煤矿多源数据协同共享机制研究与平台建设 |
| 5.1 煤矿多源数据透明化分析 |
| 5.2 煤矿多源数据协同共享机制研究 |
| 5.3 煤矿用户权限机制研究 |
| 5.4 煤矿多源数据协同平台架构与功能 |
| 5.5 本章小结 |
| 6 煤矿工作面透明化系统工程应用 |
| 6.1 大同矿区8208工作面层析反演实例 |
| 6.2 煤矿多源数据协同平台现场应用 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 作者简历 |
| 学位论文数据集 |
（6）露天矿山企业4D生产计划模型与优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 问题的提出 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 露天矿山企业4D生产计划数据组织与管理 |
| 1.2.2 露天矿山企业4D生产计划信息模型 |
| 1.2.3 露天矿山企业4D生产计划模型与优化算法 |
| 1.2.4 文献评述及启示 |
| 1.3 研究内容与目标 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.4 研究方法、技术路线、创新点及组织结构 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.4.3 主要创新点 |
| 1.4.4 本文的组织结构 |
| 1.5 本章小结 |
| 2 露天矿山企业4D生产计划研究理论基础 |
| 2.1 引言 |
| 2.2 露天矿山企业4D生产计划的问题 |
| 2.2.1 露天矿山企业4D生产计划问题界定 |
| 2.2.2 露天矿山企业4D生产计划问题描述 |
| 2.2.3 露天矿山企业4D生产计划问题分析 |
| 2.3 时空数据组织与管理理论 |
| 2.3.1 时空数据模型 |
| 2.3.2 时空数据库系统 |
| 2.4 智能优化算法理论基础 |
| 2.4.1 粒子群算法 |
| 2.4.2 鸽群算法 |
| 2.4.3 狼群算法 |
| 2.4.4 量子进化算法 |
| 2.4.5 元胞自动机 |
| 2.5 算法的特点与优势 |
| 2.6 本章小结 |
| 3 露天矿山企业4D生产计划数据组织与管理 |
| 3.1 引言 |
| 3.2 生产计划数据源类型与特征 |
| 3.2.1 生产计划数据源类型 |
| 3.2.2 生产计划数据源特征 |
| 3.3 4D生产计划信息模型 |
| 3.3.1 4D生产计划信息模型的定义 |
| 3.3.2 4D生产计划信息模型的时间粒度与空间位置 |
| 3.3.3 4D生产计划信息模型的总体架构设计 |
| 3.3.4 4D信息模型的形成与模拟实现 |
| 3.4 4D生产计划信息模型与数学模型的关系 |
| 3.4.1 4D时空数据结构与开采对象变化存储 |
| 3.4.2 4D信息模型与数学模型的时间粒度关系 |
| 3.4.3 露天矿开采体时空位置变化过程 |
| 3.4.4 4D信息模型与生产计划模型的映射方法 |
| 3.5 4D生产计划数据组织与数据库优化管理 |
| 3.5.1 露天矿时空对象要素分类 |
| 3.5.2 露天矿时空对象数据获取方法 |
| 3.5.3 4D生产计划数据访问接口技术 |
| 3.5.4 4D生产计划时空数据库设计 |
| 3.5.5 4D生产计划时空数据库的优化应用 |
| 3.6 本章小结 |
| 4 露天矿山企业长期生产计划问题建模与优化算法 |
| 4.1 引言 |
| 4.2 长期计划问题描述 |
| 4.2.1 长期计划问题概况 |
| 4.2.2 基本参数定义与变量说明 |
| 4.2.3 长期生产计划的编制条件 |
| 4.3 长期生产计划模型构建 |
| 4.3.1 块体的经济价值计算 |
| 4.3.2 目标函数 |
| 4.3.3 约束条件 |
| 4.4 算法设计与计划编制方法 |
| 4.4.1 长期生产计划混合优化算法 |
| 4.4.2 算法参数优化 |
| 4.4.3 长期生产计划编制方法 |
| 4.4.4 价格和地质品位不确定性的处理策略 |
| 4.4.5 低品位矿石回收处理策略 |
| 4.4.6 长期生产计划模型优化流程 |
| 4.5 长期生产计划模型算例仿真计算 |
| 4.5.1 仿真算例概况与数据来源 |
| 4.5.2 仿真运行环境与参数设置 |
| 4.5.3 模型仿真运算与结果分析 |
| 4.6 本章小结 |
| 5 露天矿山企业短期生产计划问题建模与优化算法 |
| 5.1 引言 |
| 5.2 短期生产计划问题描述 |
| 5.2.1 短期生产计划问题概况 |
| 5.2.2 变量符号说明 |
| 5.2.3 短期生产计划的编制条件 |
| 5.3 短期生产计划模型建立 |
| 5.3.1 目标函数 |
| 5.3.2 约束条件 |
| 5.4 短期生产计划的优化算法与编制方法 |
| 5.4.1 短期生产计划的混合优化方法 |
| 5.4.2 算法参数优化 |
| 5.4.3 短期生产计划的编制方法 |
| 5.4.4 短期生产计划模型解算过程 |
| 5.5 短期生产计划模型算例仿真计算 |
| 5.5.1 开采台阶划分过程与数据来源 |
| 5.5.2 仿真运行环境与参数设置 |
| 5.5.3 仿真运算与结果分析 |
| 5.6 本章小结 |
| 6 露天矿山企业生产作业计划问题建模与优化算法 |
| 6.1 引言 |
| 6.2 生产作业计划问题描述 |
| 6.2.1 生产作业计划问题概况 |
| 6.2.2 参数说明与变量定义 |
| 6.2.3 生产作业计划的编制条件 |
| 6.3 生产作业计划模型构建 |
| 6.3.1 目标函数 |
| 6.3.2 约束条件 |
| 6.4 优化算法设计与计划编制方法 |
| 6.4.1 生产作业计划优化算法 |
| 6.4.2 算法参数优化 |
| 6.4.3 生产作业计划的编制策略 |
| 6.4.4 生产作业计划模型计算流程 |
| 6.5 生产作业计划模型算例仿真计算 |
| 6.5.1 采场概况与数据来源 |
| 6.5.2 仿真运行环境与参数设置 |
| 6.5.3 算例运行与结果分析 |
| 6.6 本章小结 |
| 7 露天矿山企业4D生产计划的工程应用与评价 |
| 7.1 引言 |
| 7.2 露天矿山企业生产概况 |
| 7.2.1 矿山地质区域概况 |
| 7.2.2 矿床地质信息模型与开采状况 |
| 7.3 4D矿床地质数据收集与处理 |
| 7.3.1 钻孔数据收集与处理 |
| 7.3.2 剖面数据收集与处理 |
| 7.3.3 采场测量验收数据收集与处理 |
| 7.4 露天矿山企业4D生产计划数据组织 |
| 7.4.1 长期生产计划的数据来源 |
| 7.4.2 短期生产计划的数据来源 |
| 7.4.3 生产作业计划的数据来源 |
| 7.4.4 混合优化算法的参数设置 |
| 7.5 工程实例应用与仿真结果分析 |
| 7.5.1 长期生产计划的优化结果 |
| 7.5.2 短期生产计划的优化结果 |
| 7.5.3 生产作业计划的优化结果 |
| 7.6 露天矿山企业4D生产计划优化编制与评价 |
| 7.6.1 4D生产计划期内的块体分布效果 |
| 7.6.2 4D生产计划数据查询与编制效果 |
| 7.6.3 采场与台阶的模拟进尺效果 |
| 7.6.4 整体应用效果的评价分析与对策建议 |
| 7.7 本章小结 |
| 8 总结与展望 |
| 8.1 主要工作和结论 |
| 8.2 研究局限及展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的学术论文和参与的科研项目 |
| 附录 |
| 附件1 露天矿山原有与现有财务净现值流量表 |
| 附件2 露天矿山原有与现有生产计划进度表 |
| 附件3 露天矿山原有生产计划的采剥生产总量表 |
（7）煤矿瓦斯安全风险识别与评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 论文主要研究内容与论文结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 研究方法及技术路线 |
| 1.4 本章小结 |
| 2 文献综述 |
| 2.1 煤矿瓦斯安全风险因素识别研究 |
| 2.1.1 瓦斯安全风险因素识别研究进展 |
| 2.1.2 瓦斯安全风险因素识别研究评论 |
| 2.2 煤矿安全事故致因机理研究 |
| 2.2.1 风险分析方法 |
| 2.2.2 煤矿安全事故致因机理研究进展 |
| 2.3 煤矿瓦斯安全风险评价方法研究 |
| 2.3.1 煤矿瓦斯安全风险评价研究进展 |
| 2.3.2 煤矿瓦斯安全风险评价研究评论 |
| 2.4 本章小结 |
| 3 煤矿瓦斯安全风险机理分析 |
| 3.1 煤矿瓦斯安全风险物理机理研究 |
| 3.2 煤矿瓦斯风险事故致因机理研究 |
| 3.3 煤矿瓦斯安全风险治理研究 |
| 3.4 煤矿瓦斯安全风险治理基本问题 |
| 3.5 本章小结 |
| 4 煤矿瓦斯安全风险致因因素识别 |
| 4.1 煤矿瓦斯安全风险致因因素网络模型构建 |
| 4.1.1 煤矿瓦斯安全风险致因因素网络模型构建 |
| 4.1.2 瓦斯安全事故致因网络模型分析 |
| 4.2 煤矿瓦斯安全风险致因因素的关联规则挖掘 |
| 4.2.1 关联规则挖掘相关理论 |
| 4.2.2 Apriori算法的挖掘流程 |
| 4.2.3 煤矿瓦斯安全风险致因关联规则挖掘 |
| 4.2.4 基于社会网络的煤矿瓦斯安全风险致因关联规则挖掘模型 |
| 4.3 煤矿瓦斯安全风险评价指标体系 |
| 4.4 本章小结 |
| 5 基于马尔科夫链模型的煤矿瓦斯安全风险度预测研究 |
| 5.1 煤矿瓦斯灾害分级及风险度评价规则定义 |
| 5.2 马尔科夫链模型的建立 |
| 5.2.1 马尔科夫链模型应用于煤矿瓦斯灾害预估的可行性研究 |
| 5.2.2 马尔科夫链理论简介及应用 |
| 5.2.3 马尔科夫链模型状态转移概率矩阵求解方法确定 |
| 5.2.4 状态转移概率矩阵求解与修正 |
| 5.3 基于马尔科夫链的煤矿瓦斯灾害预测 |
| 5.3.1 我国煤矿瓦斯灾害综述 |
| 5.3.2 基于马尔科夫链的煤与瓦斯突出概率预测 |
| 5.4 基于马尔科夫链的煤与瓦斯突出风险度预测分析 |
| 5.5 本章小结 |
| 6 基于IWPA-BP神经网络的煤矿瓦斯安全风险评价 |
| 6.1 神经网络用于煤矿瓦斯安全风险评价的可行性 |
| 6.1.1 传统安全评价方法存在的缺点 |
| 6.1.2 神经网络的特点 |
| 6.1.3 BP神经网络用于煤矿瓦斯安全风险评价的可行性 |
| 6.2 算法的优选 |
| 6.3 改进狼群算法优化BP神经网络 |
| 6.3.1 基于信念学习模型改进WPA |
| 6.3.2 IWPA优化BP神经网络 |
| 6.4 IWPA-BP神经网络模型拟合函数验证 |
| 6.5 基于IWPA-BP神经网络模型瓦斯风险评价 |
| 6.6 本章小结 |
| 7 煤矿瓦斯安全风险度预测与安全评价模型的实证分析 |
| 7.1 李雅庄煤矿概况 |
| 7.1.1 矿井位置与交通 |
| 7.1.2 瓦斯涌出情况 |
| 7.1.3 矿井开拓开采情况 |
| 7.1.4 矿井通风系统现状 |
| 7.2 组合模型在李雅庄煤矿瓦斯灾害评价中的应用 |
| 7.2.1 样本的采集与处理 |
| 7.2.2 IWPA-BP模型训练及结果分析 |
| 7.2.3 马尔科夫链模型训练及结果分析 |
| 7.3 李雅庄煤矿瓦斯安全风险治理技术 |
| 7.4 李雅庄煤矿瓦斯风险改进措施实践检验 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于关联规则与智能算法的煤与瓦斯突出危险性评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状及存在问题 |
| 1.2.1 煤与瓦斯突出危险性评价研究现状 |
| 1.2.2 关联规则挖掘方法研究现状 |
| 1.2.3 智能算法研究现状 |
| 1.2.4 主要存在问题 |
| 1.3 研究内容及研究方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 2 研究区煤与瓦斯突出影响因素分析 |
| 2.1 研究区瓦斯地质条件 |
| 2.1.1 区域构造背景及演化 |
| 2.1.2 研究区瓦斯地质特征 |
| 2.1.3 研究区煤与瓦斯突出特征 |
| 2.2 影响煤与瓦斯突出的瓦斯因素 |
| 2.2.1 煤层瓦斯压力 |
| 2.2.2 瓦斯浓度 |
| 2.2.3 瓦斯吸附特性 |
| 2.3 影响煤与瓦斯突出的地质因素 |
| 2.3.1 煤层埋深 |
| 2.3.2 煤层厚度 |
| 2.3.3 煤体破坏类型 |
| 2.3.4 地质构造 |
| 2.4 煤与瓦斯突出数据特征提取和分析 |
| 2.4.1 地质数据特征提取 |
| 2.4.2 瓦斯数据特征提取 |
| 2.5 本章小结 |
| 3 煤与瓦斯突出关联规则挖掘理论及算法研究 |
| 3.1 关联规则的概念、挖掘步骤和分类 |
| 3.1.1 关联规则的基本概念 |
| 3.1.2 关联规则的挖掘步骤 |
| 3.1.3 关联规则的分类 |
| 3.1.4 关联规则的有效性和实用性 |
| 3.2 经典关联规则算法分析 |
| 3.2.1 Apriori算法 |
| 3.2.2 FP-growth算法 |
| 3.2.3 Apriori与FP-growth算法对比 |
| 3.3 Class-FP-growth算法 |
| 3.3.1 Class-FP-growth算法思想 |
| 3.3.2 Class-FP-growth算法描述及其实现 |
| 3.3.3 Class-FP-growth算法分析 |
| 3.3.4 Class-FP-growth算法仿真测试 |
| 3.4 研究区煤与瓦斯突出评价因素关联规则挖掘 |
| 3.4.1 支持度为30%的关联规则 |
| 3.4.2 突出强度关联规则 |
| 3.5 本章小结 |
| 4 煤与瓦斯突出危险性评价HS-BP神经网络智能算法研究 |
| 4.1 BP神经网络 |
| 4.1.1 人工神经网络介绍 |
| 4.1.2 BP神经网络结构 |
| 4.1.3 BP算法的基本原理 |
| 4.1.4 BP算法的不足 |
| 4.2 HS算法分析 |
| 4.2.1 HS算法概述 |
| 4.2.2 HS算法流程 |
| 4.2.3 参数对HS算法的影响 |
| 4.3 HS-BP算法 |
| 4.3.1 HS-BP算法基本思想 |
| 4.3.2 HS-BP算法描述及其实现 |
| 4.3.3 HS-BP算法与其他改进算法对比 |
| 4.4 本章小结 |
| 5 煤与瓦斯突出危险性评价GA-ELM智能算法研究 |
| 5.1 ELM智能算法分析 |
| 5.1.1 单隐层前馈神经网络 |
| 5.1.2 ELM智能算法定理及算法 |
| 5.1.3 ELM智能算法与SLFN、BP算法对比分析 |
| 5.2 遗传算法优化ELM智能算法 |
| 5.2.1 遗传算法基本原理 |
| 5.2.2 遗传算法关键问题 |
| 5.3 GA-ELM评价模型在突出危险性评价中的应用 |
| 5.3.1 煤与瓦斯突出样本数据提取 |
| 5.3.2 GA-ELM评价模型参数 |
| 5.3.3 GA-ELM评价效果分析 |
| 5.3.4 GA-ELM算法与其他算法对比分析 |
| 5.4 本章小结 |
| 6 基于关联规则与智能算法的煤与瓦斯突出危险性评价现场应用 |
| 6.1 煤与瓦斯突出评价数据 |
| 6.1.1 试验工作面瓦斯地质条件 |
| 6.1.2 煤与瓦斯突出主控因素 |
| 6.1.3 试验工作面评价数据 |
| 6.2 基于关联规则与智能算法的煤与瓦斯突出危险性评价过程 |
| 6.2.1 HS-BP评价证据体 |
| 6.2.2 GA-ELM评价证据体 |
| 6.2.3 Bayes信息融合评价结果 |
| 6.3 基于关联规则与智能算法的煤与瓦斯突出危险性评价结果分析 |
| 6.3.1 评价结果 |
| 6.3.2 评价结果现场验证 |
| 6.3.3 评价准确性分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）高突矿井瓦斯风险评估方法与管控技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 煤矿瓦斯风险评估研究现状 |
| 1.3.2 煤矿瓦斯风险应对措施研究现状 |
| 1.3.3 煤矿瓦斯风险管控技术研究现状 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究思路与技术路线 |
| 第2章 高突矿井瓦斯综合风险评估方法 |
| 2.1 物元可拓评估与灰色系统理论 |
| 2.2 瓦斯风险指标体系构建 |
| 2.2.1 指标体系构建原则 |
| 2.2.2 高突矿井瓦斯灾害影响因素分析 |
| 2.2.3 瓦斯灾害风险指标体系 |
| 2.2.4 瓦斯风险等级划分 |
| 2.2.5 指标因素的无量纲化及风险等级划分 |
| 2.3 风险评估模型构建及关键指标因素判定 |
| 2.3.1 灰色关联分析法确定权重 |
| 2.3.2 可拓物元综合评估模型构建 |
| 2.3.3 灰色模型优化及关键指标因素分析 |
| 2.4 评估模型应用 |
| 2.4.1 矿井概况 |
| 2.4.2 瓦斯爆炸事故应用 |
| 2.4.3 煤与瓦斯突出事故应用 |
| 2.5 确定下文风险应对重点工作 |
| 2.6 本章小结 |
| 第3章 面向风险应对的矿井通风系统模拟改造 |
| 3.1 基于Ventsim模拟的通风阻力调节方法 |
| 3.1.1 通风阻力测定目的 |
| 3.1.2 通风阻力测定方法 |
| 3.2 通风系统现状及仿真模型验证 |
| 3.3 通风系统改造工程及其仿真模型 |
| 3.3.1 通风系统改造工程 |
| 3.3.2 通风系统改造仿真模型 |
| 3.4 通风系统改造及调节方案 |
| 3.4.1 改造前后对比分析 |
| 3.4.2 基于风流短路法的降阻调节 |
| 3.4.3 基于Fluent模拟的风窗面积确定 |
| 3.5 本章小结 |
| 第4章 面向风险应对的应急避难硐室选址及疏散路径分析 |
| 4.1 瓦斯爆炸灾害的危害分析 |
| 4.1.1 有毒有害气体对人的伤害 |
| 4.1.2 瓦斯爆炸冲击波伤害 |
| 4.1.3 高温伤害 |
| 4.1.4 耗氧危害 |
| 4.2 基于瓦斯爆炸冲击波的避难硐室选址分析 |
| 4.2.1 瓦斯爆炸冲击波分析 |
| 4.2.2 瓦斯爆炸冲击波与避难硐室的位置关系 |
| 4.3 基于人群疏散能力的避难硐室选址分析 |
| 4.3.1 人群疏散有效时间估算 |
| 4.3.2 人群疏散模型构建及检验 |
| 4.4 基于Flody算法的最优疏散路径分析 |
| 4.4.1 Flody算法思想 |
| 4.4.2 Flody算法步骤 |
| 4.5 实证分析 |
| 4.6 本章小结 |
| 第5章 面向风险管控的瓦斯风险管理系统平台构建 |
| 5.1 瓦斯风险管理系统平台开发目的 |
| 5.2 基于多语言开发的瓦斯风险管理系统平台结构 |
| 5.2.1 系统平台结构 |
| 5.2.2 数据的处理流程 |
| 5.2.3 系统平台的技术框架 |
| 5.3 瓦斯风险管理系统平台开发关键技术 |
| 5.3.1 系统平台开发工具 |
| 5.3.2 系统平台的共享数据中心 |
| 5.3.3 基于Arc GIS软件对生产布局图的设计与集成 |
| 5.4 瓦斯风险管理系统平台的搭建 |
| 5.4.1 系统平台的功能框架 |
| 5.4.2 系统功能应用展示 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 博士期间发表的学术论文及参与的主要科研项目 |
（10）基于股价领滞关系的行业轮动策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容与研究意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.2.3 创新点 |
| 1.3 本文结构安排 |
| 第2章 股价领滞关系研究现状 |
| 2.1 股价领滞关系的市场表现及分类研究 |
| 2.1.1 不同市场之间的领滞关系研究 |
| 2.1.2 不同行业之间的领滞关系研究 |
| 2.1.3 不同公司之间的领滞关系研究 |
| 2.2 对行业股价领滞关系现象解释的相关研究 |
| 2.2.1 经济周期角度下行业股价领滞关系研究 |
| 2.2.2 行业关联视角下行业股价领滞关系研究 |
| 2.2.3 信息溢出视角下行业股价领滞关系研究 |
| 2.3 行业轮动策略相关研究 |
| 第3章 股价领滞关系的存在性实证 |
| 3.1 样本选取与数据来源 |
| 3.2 研究模型 |
| 3.3 实证分析 |
| 3.3.1 描述性统计 |
| 3.3.2 数据平稳性检验 |
| 3.3.3 格兰杰因果检验 |
| 第4章 股价领滞关系的策略 |
| 4.1 股价领滞关系的规则挖掘方法介绍 |
| 4.1.1 关联规则介绍 |
| 4.1.2 关联规则的挖掘过程 |
| 4.1.3 Apriori算法 |
| 4.2 关联规则挖掘 |
| 4.2.1 数据调整 |
| 4.2.2 联动规则挖掘 |
| 4.2.3 行业轮动规则挖掘 |
| 4.3 行业轮动规则策略回测 |
| 4.3.1 回测前期准备工作 |
| 4.3.2 单个强势规则策略回测 |
| 4.3.3 等权关联规则组合策略回测 |
| 4.4 关于策略的进一步思考 |
| 4.4.1 对策略买入规则的进一步分析 |
| 4.4.2 联合规则策略 |
| 第5章 结论及政策建议 |
| 5.1 结论 |
| 5.1.1 行业领滞存在性实证结论 |
| 5.1.2 关于行业领滞关系的解释 |
| 5.1.3 量化策略结论 |
| 5.2 相关建议 |
| 5.2.1 对市场管理者的建议 |
| 5.2.2 对投资者的建议 |
| 5.3 未来展望 |
| 5.3.1 更多维度的观察 |
| 5.3.2 规则的稳定性 |
| 5.3.3 背后逻辑的思考 |
| 参考文献 |
| 致谢 |
四、采掘关联规则的算法及优化处理概述（论文参考文献）
- [1]基于机器学习的煤矿冲击危险性综合预测方法研究[D]. 刘辉. 山东科技大学, 2020(04)
- [2]基于相关性分析的瓦斯异常值检测与预警[D]. 廖英雷. 西安科技大学, 2020
- [3]煤矿企业主生产系统调度优化研究[D]. 张兴晔. 山东科技大学, 2020(06)
- [4]煤与瓦斯突出态势感知方法研究[D]. 王雨虹. 辽宁工程技术大学, 2020
- [5]基于多源数据协同和智能算法的煤矿工作面透明化系统研究[D]. 郭昌放. 中国矿业大学, 2020
- [6]露天矿山企业4D生产计划模型与优化算法研究[D]. 马龙. 西安建筑科技大学, 2019(06)
- [7]煤矿瓦斯安全风险识别与评价研究[D]. 申琢. 中国矿业大学(北京), 2019(08)
- [8]基于关联规则与智能算法的煤与瓦斯突出危险性评价研究[D]. 陈中汉. 中国矿业大学(北京), 2019(08)
- [9]高突矿井瓦斯风险评估方法与管控技术研究[D]. 郭昕曜. 武汉理工大学, 2019(07)
- [10]基于股价领滞关系的行业轮动策略研究[D]. 孔祥峰. 天津大学, 2018(06)