●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復雜度分析
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基於概率相似距離的模式異常檢測算法
3.4復雜度分析
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
4.2Discord的定義及其在突出電磁數據應用中存在的問題
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特征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
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)為研究對像,通過引入“概率數據流”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。