机器学习的煤与瓦斯突出前兆识别方法研究
作者：闫秋艳 著
出版时间： 2017年版
内容简介
《机器学习的煤与瓦斯突出前兆识别方法研究》以煤与瓦斯突出监测数据（瓦斯浓度及电磁强度）为研究对象，通过引入“概率数据流”模型，对监测数据进行建模，并在此模型基础上实现干扰模式的检测和突出前兆模式的识别，同时提出了突出数据的类不均衡问题，并对突出模式识别产生的影响进行了深入分析，给出了有效的解决方法。
目录
第1章 绪论
1．1 引言
1．2 我国煤与瓦斯突出的概况
1．3 煤与瓦斯突出的分类
1．4 煤与瓦斯突出危险性预测的必要性及分类
1．5 工作面煤与瓦斯突出预测的研究现状
1．6 小结第2章 突出监测数据的建模及分段模式表示
2．1 引言
2．2 突出监测数据的流数据特性分析
2．3 流数据挖掘研究现状
2．4 时间序列模式表示方法研究现状
2．5 基于拟合点的分段线性拟合方法
2．6 复杂度分析
2．7 实验及结果分析
2．8 小结第3章 非突变型干扰模式检测方法
3．1 引言
3．2 流数据异常检测方法概述
3．3 基于概率相似距离的模式异常检测算法
3．4 复杂度分析
3．5 实验及结果分析
3．6 小结第4章 突变型干扰模式检测方法
4．1 绪论
4．2 Discord的定义及其在突出电磁数据应用中存在的问题
4．3 不确定Top-k查询的研究现状
4．4 分值连续分布的Top-k查询算法（MCTop-k）
4．5 不确定连续时间序列的Discord查询算法
4．6 小结第5章 突出前兆趋势的模式识别方法
5．1 引言
5．2 相关知识
5．3 基于趋势分析的灾害异常检测算法
5．4 实验及结果分析
5．5 小结第6章 不均衡突出数据的分类方法研究
6．1 概述
6．2 不均衡数据学习概述
6．3 不均衡数据学习方法概述
6．4 基于shapelets特征空间的不均衡时间序列分类方法
6．5 实验结果及分析
6．6 小结
参考文献