1 绪 论
1.1 选题背景及研究意义
1.2 国内外研究现状
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3.1 研究内容
1.3.2 技术路线
1.4 本文主要创新点
2 数据来源及其预处理
2.1.1 线路概况
2.1.2 地质条件
2.1.3 水文条件
2.2 影响因素的选取
2.2.1 机器参数的选取
2.2.2 土层参数的选取
2.2.3 孤石参数的选取
2.3 数据预处理
2.3.1 归一化
2.3.2 剔除异常值
2.3.3 预处理后的数据分布
2.4 训练集和测试集的划分
2.5 模型评价标准
2.6 本章小结
3 BP神经网络及其在净掘进速度预测中的应用
3.1 BP 神经网络
3.1.1 BP神经网络的基本结构
3.1.2 BP神经网络的算法实现
3.2.1 网络结构设计
3.2.2 净掘进速度预测
3.3 本章小结
4. 混合算法神经网络及其在净掘进速度预测中的应用
4.1.1 帝国主义竞争算法
4.1.2 帝国主义竞争算法优化的神经网络模型
4.1.3 净掘进速度预测
4.2.1 粒子群算法
4.2.2 粒子群算法优化的神经网络模型
4.2.3 净掘进速度预测
4.3.1 遗传算法
4.3.2 遗传算法优化的的神经网络模型
4.3.3 净掘进速度预测
4.4 不同神经网络模型性能对比
4.5 本章小结
5 支持向量回归机及其在净掘进速度预测中的应用
5.1 支持向量机基本原理
5.2.1 线性分类
5.2.2 非线性分类
5.2 支持向量回归机基本原理
5.2.1 线性回归
5.2.2 非线性回归
5.3 核函数的选择
5.4 参数寻优及净掘进速度预测
5.4.1 网格搜索算法参数寻优及净掘进速度预测
5.4.2 粒子群算法参数寻优及净掘进速度预测
5.4.3 遗传算法参数寻优及净掘进速度预测
5.5 本章小结
6 多核学习支持向量回归机及其在净掘进速度预测中的应用
6.1.1 多核学习概述
6.1.2 多核学习支持向量回归机的原理
6.1.3 多核学习支持向量回归机的实现
6.2 基于多核学习支持向量回归机模型的净掘进速度预测
6.2.1 鲁棒性测试
6.2.2 净掘进速度预测
6.3 不同支持向量回归机模型性能对比
6.4 本章小结
7 结论与展望
7.1 结论
7.2 展望
参考文献
附录
A. 作者在攻读硕士学位期间发表的学术成果目录及得奖情况
B. 作者在攻读硕士学位期间参加的科研项目
C. 学位论文数据集
致谢
重庆大学;