煤矿输送带危险源图像特征识别方法研究

针对由危险源导致的煤矿输送带纵向撕裂事故,提出了一种基于灰度行程长度纹理特征、小波变换和支持向量机的输送带危险源图像识别分类方法。首先利用灰度行程长统计分析方法和小波变换分析方法分别提取了灰度行程矩阵的行程因子参数与小波系数特征参数,进而将2种方法提取出的多个纹理特征量归一化输入分类器,最后采用支持向量机对危险源图像进行分类。实验结果表明该方法能够有效地识别出不同的危险源。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

基于RILBP-GLCM算法的煤岩显微组分识别

提出了1种针对煤岩显微组分的RILBP-GLGM纹理特征提取算法。利用RILBP算子获取原图像的RILBP图谱,获取该图谱的灰度共生矩阵,提取4个方向上的能量、熵、惯性矩、相关性特征构成图像纹理特征,利用多分类支持向量机对图像纹理特征进行训练和分类。结果表明,基于RILBP-GLCM算法的煤岩显微组分纹理特征分类是有效的。     

一种基于PCA与RBF-SVM的煤岩显微组分镜质组分类方法

在分析煤岩镜质组显微组分特点的基础上,针对其结构复杂、特征量多且相互交织从而影响分类准确性等问题,提出一种基于主成分分析(PCA)的煤岩显微组分镜质组分类方法。首先根据镜质组显微图像中各组分呈现的条状、团块、颗粒等纹理特点和亮度差异,采用基于灰度共生矩阵的能量、熵、惯性矩、局部平稳性等纹理特征量和基于灰度分布统计的亮度比、均值、均方差、三阶矩偏度等亮度相关特征量对其进行描述,构成初始特征量集;再采用主成分分析法对初始特征量集进行进一步的抽取;最后构建基于径向基函数的支持向量机(RBF-SVM),采用积累贡献率较大的主成分作为分类参量实现镜质组的自动分类。实验结果表明:纹理和灰度统计特征可有效刻画煤岩镜质组显微组分;采用PCA对初始特征进行抽取之后,用于分类的特征空间维数大幅度降低,分类算法的泛化能力增强,分类的准确率显著提高。     

基于轮廓波变换的煤壳质组显微组分分类

在分析煤壳质组显微组分图像特点的基础上,鉴于其纹理及方向信息特征差异,提出一种基于轮廓波变换(Contourlet)与超限学习机的煤壳质组显微组分自动分类方法。首先,运用Contourlet变换对煤壳质组显微图像进行多尺度多方向分解,提取各子带的统计特征量组成特征向量集;再构建超限学习机分类器对壳质组各显微组分进行分类。实验结果表明:与其他用于描述纹理的同类特征提取方法相比,采用本文方法提取的特征量训练的分类器,在分类效果上具有明显的优势,其分类准确率可达97.64%;与支持向量机分类结果相比,超限学习机对于煤壳质组分类准确率可高出2%,分类速度显著提高。     

基于灰度共生矩阵的煤与矸石自动识别研究

为提高煤与矸石识别率,提出了一种基于灰度共生矩阵的煤与矸石纹理特征自动识别方法。分析灰度共生矩阵的基本原理、特征参数,利用灰度共生矩阵提取煤与矸石图像的角二阶距、相关性、对比度和熵这四个特征作为纹理特征,用支持向量机进行识别,并在MATLAB上仿真实现。研究结果表明:用灰度共生矩阵提取纹理特征、用支持向量机识别的方法能有效的描述煤与矸石的纹理特征,为煤与矸石的识别和分选提供重要参考依据。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

基于多颜色分量CLBP提取的浮选泡沫状态识别

针对不同状态的浮选泡沫图像之间纹理结构相似、颜色差异不明显的问题，提出一种基于色调、饱和度和亮度（HSV）颜色空间的完全局部二进制模式（CLBP）纹理提取的浮选泡沫状态识别方法。首先使用双域去噪在保留纹理细节的同时滤除图像噪声，然后转换为HSV图像，在H、S和V颜色分量上分别提取三个尺度的CLBP纹理特征。将提取的纹理特征归一化后线性排列，建立高维度的纹理分类模型。最后通过一对一模式的支持向量机分类器对四类泡沫状态的样本集进行纹理提取后的分类训练与测试。结果表明，该方法对不同浮选泡沫状态的分类正确率较高，优于其他纹理描述方法，适用于浮选泡沫状态的识别。     

Relief-MRMR-SVM在煤矸图像分类的研究

煤和矸石的图像分类是实现煤矸自动分选的关键环节。为提高煤矸分选模型的准确性和稳定性,提出了一种结合Relief、MRMR算法及SVM分类器构建的混合式特征选择及分类方法,提取煤矸图像的颜色及纹理共26个特征对其分类进行研究。在提取纹理时联合使用了LBP局部和GLCM全局特征,有助于提高分类的准确性。利用该特征选择方法选出最优特征子集后,用粒子群和支持向量机算法构建PSO-SVM最佳参数模型进行煤矸分类。结果显示,该方法能剔除较多冗余特征,提高煤矸分类的效率|在两个数据集上,该模型的平均分类准确率分别达到96.12%和94.17%,证明了方法的有效性和模型的稳定性。     

基于主成分分析的模糊支持向量机焊接图像分割

焊接是钢结构件生产的主要方法,射线检测法是焊接缺陷的重要检查方法之一,针对焊缝缺陷图像目标边界模糊、灰度不均匀及强噪声的特征,笔者提出了基于主成分分析的模糊支持向量机方法分割焊接缺陷图像。首先,利用主成分分析法降低模糊支持向量机特征向量的维数,去除次要特征分量对支持向量的影响,提高支持向量机的分类速度和精度;然后针对焊接缺陷图像的特征,提出了以3×3窗口为单元的分割算法,将模糊支持向量机引入该系统,进一步降低了噪声对构建最优分类器的不良影响。试验结果表明,对于焊缝缺陷图像,基于主成分分析的模糊支持向量机可以取得较好的分割效果。     

基于SVM遥感图像矿化信息提取试验

在讨论核函数的选择算法及优化的基础上,提出了一种将支持向量机(SVM)算法应用于遥感矿化信息提取的方法。并以TM遥感数据为试验样本,进行假彩色合成,将舍成图像的RGB值作为训练样本的特征向量,应用核函数选择算法和人为选择核函数方法,采用SVM算法对样本进行分类,试验表明选用径向基核函数所得的分类效果最好。认为对遥感影像作预处理后采用RGB值作为特征向量,应用支持向量机算法进行遥感矿化信息提取的方法能够获得较好的识别效果;应用LOO估算选择的核函数模型能够较好地逼近最佳值。     

炼焦煤的工艺性质对焦炭光学组织的影响

对几种变质程度接近但工艺性质存在差异的炼焦煤成焦光学组织进行了对比研究.研究结果表明,对于变质程度接近的炼焦煤,其工艺性质对焦炭光学组织影响较大.对于黏结指数高且胶质体含量丰富的炼焦煤,易使焦炭光学组织向各向异性程度高的方向转变;对于黏结指数较低且胶质体含量少的炼焦煤,其焦炭光学组织的各向同性结构和惰性结构含量高.     

基于进化计算方法的支持向量机特征选择

针对支持向量机训练过程中的特征选择问题,提出了基于进化计算方法的支持向量机特征选择方法,该方法采用进化计算方法中2个典型的算法:遗传算法(GA)和微粒群算法(PSO)为支持向量机选择优化的特征子集。通过对UCI标准数据集的实验,比较了遗传算法和微粒群算法的使用效果。仿真实验结果证明了该方法的有效性。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

添加碳纳米管对煤沥青成焦行为的影响

分别进行了添加多壁碳纳米管（MWNT）和羟基化的多壁碳纳米管对煤沥青成焦行为影响的研究.采用TGA研究添加碳纳米管前后煤沥青的热行为;采用偏光显微镜研究添加碳纳米管的煤沥青焦化前后的光学组织;采用XRD研究添加碳纳米管对煤沥青焦化产物微晶结构的影响.研究表明：加入碳纳米管后煤沥青的热分解温度变大,热失重率变小,其耐热性能变好;碳纳米管的加入对煤沥青焦化前后的光学组织和微晶结构的影响很大.     

基于极限学习机的采煤机功率预测算法研究

为减少对领域专家的过分依赖,实现企业专家经验知识的继承,面向采煤机方案设计中总体技术参数的确定过程,结合采煤机条件属性与决策属性间的映射关系,提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数,利用递进方式比选确定激励函数,随机产生输入权值及隐元偏置,由此计算隐层节点输出矩阵、隐层与输出层连接权重,进而完成建模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业的实例数据进行算例分析,将其与基于支持向量机回归预测模型进行对比,实验结果表明,ELM模型可实现600 ms内完成单次功率预测,预测值与真实值平均相对误差在2.5%以内。其预测精度优于SVM模型,且在学习速度方面优势明显,推理效率显著提高。     

添加氧化石墨烯对煤沥青成焦行为的影响

采用TEM观察添加异氰酸苯酯改性的氧化石墨烯( i GONSs)的微观结构,采用TGA研究添加iGONSs前后煤沥青的热解行为,采用偏光显微镜研究添加 i GONSs前后煤沥青焦化产物的光学组织,采用XRD研究添加 i GONSs对煤沥青焦化产物微晶结构的影响。研究表明,添加 i GONSs后,煤沥青的热分解温度变大,热失重率变小,其耐热性能变好; i GONSs对煤沥青碳质中间相的形成起到成核和抑制生长的作用,这使得最终焦化产物的光学各向异性单元尺寸变小;随着 i GONSs添加量的增加,焦化产物的微晶层间距增大,平均微晶高度和平均微晶宽度减小。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。