本书以301组岩爆工程实例作为岩爆烈度等级预测的样本数据，介绍了基于随机森林优化层次分析法—云模型（RF-AHP-CM）的岩爆烈度等级预测模型、基于改进萤火虫算法优化支持向量机（IGSO-SVM）的岩爆烈度等级预测模型、基于Dropout和改进Adam算法优化深度神经网络（DA-DNN）的岩爆烈度等级预测模型，并对不同岩爆烈度等级预测模型进行对比分析。另外，采用所构建的3个岩爆预测模型对内蒙古赤峰某金矿深部开采进行了岩爆预测，提出了相应的岩爆防洽措施。
本书可作为从事地下岩土工程现场工程技术人员的指导书和工具书、重要部门管理者的参考书，也可作为高等院校矿业安全专业硕士和博士研究生的参考书。

1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 岩爆机理研究现状
1.2.2 岩爆预测研究现状
1.2.3 岩爆防治研究现状
1.3 研究内容与方法、创新点、技术路线
1.3.1 研究内容与方法
1.3.2 创新点
1.3.3 技术路线
2 岩爆烈度等级预测数据库建立
2.1 岩爆评价指标选取
2.1.1 岩爆工程实例分析
2.1.2 岩爆评价指标确定
2.2 岩爆烈度等级确定
2.3 岩爆烈度等级预测数据库
2.4 本章小结
3 基于随机森林优化层次分析法—云模型的岩爆预测模型研究
3.1 随机森林优化层次分析法—云模型的理论依据
3.1.1 云的定义及数字特征
3.1.2 正向高斯云算法
3.1.3 高斯云的数学性质
3.1.4 随机森林的基分类器
3.1.5 随机森林的构建
3.1.6 随机森林的收敛性
3.2 基于随机森林—层次分析法的指标权重计算方法
3.2.1 基本的层次分析法
3.2.2 基于随机森林的岩爆评价指标重要性分析
3.2.3 随机森林—层次分析法构建
3.3 基于随机森林优化层次分析法—云模型的岩爆预测模型
3.3.1 岩爆烈度等级预测模型构建
3.3.2 岩爆烈度等级标准确定
3.3.3 岩爆评价指标云模型生成
3.3.4 岩爆评价指标权重计算
3.3.5 岩爆综合确定度计算
3.4 模型有效性验证
3.5 本章小结
4 基于改进萤火虫算法优化支持向量机的岩爆预测模型研究
4.1 改进萤火虫算法优化支持向量机的理论依据
4.1.1 间隔与支持向量
4.1.2 支持向量机模型
4.1.3 核函数
4.2 基于改进萤火虫算法优化支持向量机的岩爆预测模型
4.2.1 基本的萤火虫算法
4.2.2 改进的萤火虫算法
4.2.3 岩爆烈度等级预测模型构建
4.2.4 岩爆样本数据准备
4.2.5 模型主要参数及实现
4.3 模型有效性验证
4.4 本章小结
5 基于Dropout和改进Adam算法优化深度神经网络的岩爆预测模型研究
5.1 Dropout和改进Adam算法优化深度神经网络的理论依据
5.1.1 深度学习技术
5.1.2 深度神经网络模型
5.1.3 Dropout正则化
5.1.4 参数优化算法
5.2 基于Dropout和改进Adam算法优化深度神经网络的岩爆预测模型
5.2.1 基本的Adam算法
5.2.2 改进的Adam算法
5.2.3 岩爆烈度等级预测模型构建
5.2.4 岩爆样本数据准备
5.2.5 深度神经网络结构设计
5.2.6 模型主要参数及实现
5.3 模型有效性验证
5.4 本章小结
6 不同岩爆预测模型的对比分析及工程实例应用
6.1 三种岩爆烈度等级预测模型的对比分析
6.1.1 预测准确率的对比分析
6.1.2 时效性的对比分析
6.1.3 适用范围的对比分析
6.1.4 对比分析小结
6.2 内蒙古赤峰某金矿的岩爆预测与防治
6.2.1 岩爆评价指标值确定
6.2.2 岩爆预测
6.2.3 岩爆防治
6.3 本章小结
7 结论与展望
7.1 结论
7.2 展望
附录 岩爆烈度等级预测数据库
参考文献