《基于动态数据驱动的煤矿瓦斯灾害预测技术研究》提出了一种基于自相关分析方法与灰插值理论相结合的插值算法，为监测数据预处理提供了支持；针对井下多传感器监测数据的冗余性和矛盾性，提出了一种改进的分批估计方法进行融合处理，以提高瓦斯监测的准确性；构建了一种基于GMAR模型的在线瓦斯异常检测算法，可以检测短时间内瓦斯状态的异常突变；在上述成果的基础上，研究了基于决策融合技术的井下瓦斯危险性预测与评价模型，从而为井下瓦斯状态预测提供了决策支持。《基于动态数据驱动的煤矿瓦斯灾害预测技术研究》适合于高等院校计算机专业和安全工程专业的高年级本科生、研究生、教师以及相关领域的科研工作者使用。
第1章 理论基础
1.1 信息融合
1.1.1 信息融合的层次模型
1.1.2 信息融合的体系结构
1.1.3 信息融合的功能模型
1.1.4 典型的信息融合算法
1.1.5 比较分析
1.2 非线性理论
1.2.1 模糊理论
1.2.2 神经网络
1.2.3 支持向量机
1.2.4 混沌理论
1.3 本章小结
第2章 煤矿瓦斯灾害预测技术研究现状
2.1 研究背景及意义
2.1.1 研究背景
2.1.2 研究意义
2.2 煤矿瓦斯灾害的分类及其危害
2.2.1 瓦斯灾害的分类
2.2.2 矿井瓦斯的危害
2.3 国内技术研究现状
2.3.1 瓦斯预测技术研究现状
2.3.2 煤与瓦斯突出预测技术研究现状
2.3.3 煤与瓦斯突出预测技术的新发展
2.4 组织结构
2.5 本章小结
第3章 瓦斯数据预处理算法研究
3.1 煤矿瓦斯信息监测技术研究
3.1.1 瓦斯检测技术分类
3.1.2 几种检测技术应用对比
3.2 常用缺失数据处理方法
3.3 基于自相关灰插值算法的缺失瓦斯数据处理
3.3.1 自相关分析
3.3.2 灰插值模型
3.3.3 插值组合系数优化
3.4 实例分析
3.5 本章小结
第4章 多源瓦斯监测数据融合研究
4.1 多传感器加权融合算法
4.2 分批估计融合算法
4.3 改进的分批估计融合算法
4.4 实例分析
4.5 本章小结
第5章 基于GMAR模型的实时瓦斯信息异常检测研究
5.1 异常检测方法
5.1.1 静态检测方法
5.1.2 动态检测方法
5.2 GMAR异常检测算法
5.2.1 灰色预测建立
5.2.2 自回归AR模型拟合
5.2.3 GMAR检测函数
5.3 实例分析
5.3.1 正常状态下GMAR异常检测
5.3.2 瓦斯突出前GMAR异常检测
5.4 本章小结
第6章 基于决策融合技术的井下瓦斯安全预测研究
6.1 基于灰色关联分析的瓦斯安全决策研究
6.1.1 灰色关联分析的数学原理
6.1.2 基于灰关联分析的井下瓦斯安全决策模型
6.1.3 基于灰关联的井下瓦斯安全决策模型的应用
6.2 基于动态模糊理论的瓦斯安全决策研究
6.2.1 动态模糊评价方法
6.2.2 动态模糊评价模型在井下瓦斯安全决策中的应用
6.3 基于模糊神经网络的瓦斯安全决策研究
6.3.1 模糊神经网络
6.3.2 井下瓦斯安全决策的模糊神经网络设计
6.3.3 基于模糊神经网络的井下瓦斯安全决策模型的应用
6.4 本章小结
第7章 基于声发射特性的突出预测研究
7.1 声发射信号特征参数和常用处理方法
7.2 煤层工作面噪声分析
7.3 基于改进突变理论的声发射预测模型
7.3.1 基于GM（1，1）的含瓦斯煤体分析模型
7.3.2 突变理论
7.3.3 基于改进突变理论的煤与瓦斯突出预测模型
7.4 实例分析
7.5 本章小结
第8章 结束语
8.1 主要工作与创新
8.2 进一步研究方向
参考文献
暂无
