機器學習的煤與瓦斯突出前兆識別方法研究

內容簡介

《機器學習的煤與瓦斯突出前兆識別方法研究》以煤與瓦斯突出監測數據（瓦斯濃度及電磁強度）為研究對象，通過引入“機率數據流”模型，對監測數據進行建模，並在此模型基礎上實現干擾模式的檢測和突出前兆模式的識別，同時提出了突出數據的類不均衡問題，並對突出模式識別產生的影響進行了深入分析，給出了有效的解決方法。

圖書目錄

第1章緒論

1．1 引言

1．2 我國煤與瓦斯突出的概況

1．3 煤與瓦斯突出的分類

1．4 煤與瓦斯突出危險性預測的必要性及分類

1．5 工作面煤與瓦斯突出預測的研究現狀

1．6 小結

第2章突出監測數據的建模及分段模式表示

2．1 引言

2．2 突出監測數據的流數據特性分析

2．3 流數據挖掘研究現狀

2．4 時間序列模式表示方法研究現狀

2．5 基於擬合點的分段線性擬合方法

2．6 複雜度分析

2．7 實驗及結果分析

2．8 小結

第3章非突變型干擾模式檢測方法

3．1 引言

3．2 流數據異常檢測方法概述

3．3 基於機率相似距離的模式異常檢測算法

3．4 複雜度分析

3．5 實驗及結果分析

3．6 小結

第4章突變型干擾模式檢測方法

4．1 緒論

4．2 Discord的定義及其在突出電磁數據套用中存在的問題

4．3 不確定Top-k查詢的研究現狀

4．4 分值連續分布的Top-k查詢算法（MCTop-k）

4．5 不確定連續時間序列的Discord查詢算法

4．6 小結

第5章突出前兆趨勢的模式識別方法

5．1 引言

5．2 相關知識

5．3 基於趨勢分析的災害異常檢測算法

5．4 實驗及結果分析

5．5 小結

第6章不均衡突出數據的分類方法研究

6．1 概述

6．2 不均衡數據學習概述

6．3 不均衡數據學習方法概述

6．4 基於shapelets特徵空間的不均衡時間序列分類方法

6．5 實驗結果及分析

6．6 小結

參考文獻

機器學習的煤與瓦斯突出前兆識別方法研究

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條