【摘要】：煤巖的顯微組分指在顯微鏡下劃分的煤巖結(jié)構(gòu)基本有機(jī)組成單元,其顯微組分構(gòu)成與煤的性能有著緊密的聯(lián)系,如CO的吸附性能、粘結(jié)性等。因此,實(shí)現(xiàn)煤顯微結(jié)構(gòu)中各顯微組分的自動(dòng)分類與識(shí)別,對(duì)于預(yù)測(cè)煤的性質(zhì)、指導(dǎo)煤的合理加工與利用具有重要意義。特征抽取是對(duì)煤巖顯微組分進(jìn)行自動(dòng)識(shí)別的重要環(huán)節(jié),數(shù)量適宜、彼此獨(dú)立的有效特征量的抽取,對(duì)于分類結(jié)果的好壞起到關(guān)鍵性的作用。本文在分析煤巖顯微圖像各組分特點(diǎn)的基礎(chǔ)上,先提取其基于灰度共生矩陣的紋理特征量和基于灰度分布的統(tǒng)計(jì)特征量構(gòu)成初始特征集,再采用特征抽取算法對(duì)初始特征作進(jìn)一步抽取,最后構(gòu)建支持向量機(jī)分類器對(duì)抽取后的特征進(jìn)行驗(yàn)證。論文的主要工作如下:(1)在查閱相關(guān)文獻(xiàn)的基礎(chǔ)上,綜述基于圖像分析法的煤顯微組分識(shí)別現(xiàn)狀以及特征抽取算法國內(nèi)外研究現(xiàn)狀,分析煤巖顯微圖像中各顯微組分的特點(diǎn)和差異。(2)根據(jù)煤顯微圖像的紋理特點(diǎn)和亮度差異,基于灰度共生矩陣提取能量、熵、慣性矩、局部平穩(wěn)性、最大概率等5個(gè)紋理特征量,輔以基于灰度分布統(tǒng)計(jì)量的亮度比、均值、均方差、偏度、一致性、峰度等6個(gè)特征構(gòu)成11維初始特征量集。繪制特征參量的分布圖,分析各特征對(duì)分類的有效性。并通過實(shí)驗(yàn)論述初始特征量之間存在的冗余對(duì)于分類效果的影響。(3)分別采用主成分分析法(PCA)和線性判別分析法(LDA)對(duì)初始特征集進(jìn)行抽取,以降低特征冗余性,保證在降低特征空間維數(shù)的基礎(chǔ)上盡量少地丟失有效分類信息,并對(duì)兩種特征抽取算法得到的特征從分類效果的角度進(jìn)行比較與分析。(4)構(gòu)建支持向量機(jī)分類器(SVM),分別采用由PCA和LDA抽取得到的不同維數(shù)的特征集,對(duì)惰質(zhì)組、鏡質(zhì)組和殼質(zhì)組三大類別以及各類別中典型組分實(shí)現(xiàn)自動(dòng)識(shí)別,比較不同方法抽取獲得的特征量集對(duì)分類正確率的影響。本文的特色與創(chuàng)新之處主要在于:對(duì)于所提取的初始特征量集內(nèi)的諸多特征量,采用特征抽取算法對(duì)其進(jìn)行去相關(guān)和降維,在有效降低特征空間維數(shù)的同時(shí)提高分類的準(zhǔn)確率。
【圖文】：

鏡質(zhì)體膠結(jié)在一起，大多為顆粒狀或不規(guī)則形狀，少數(shù)有棱角，如圖 1.1 (g)。(a)結(jié)構(gòu)鏡質(zhì)體-1 (b)結(jié)構(gòu)鏡質(zhì)體-2 (c)均質(zhì)鏡質(zhì)體 (d)基質(zhì)鏡質(zhì)體

見圖 1.2 (g)。（7）碎屑惰質(zhì)體是惰質(zhì)組的碎屑成分，粒徑在 30um以下，形態(tài)不規(guī)則，很少有細(xì)胞結(jié)構(gòu)，參見圖1.2 (h)。圖 1.2 典型惰質(zhì)組顯微圖像由于惰質(zhì)組中的 7 種組分其顯微結(jié)構(gòu)均具一定的復(fù)雜性，，且在煉焦煤中具一定作用，因此文中同時(shí)對(duì) 7 種組分展開研究，并將絲質(zhì)體細(xì)分為篩狀絲質(zhì)體以及星狀絲質(zhì)體進(jìn)行分析。1.2.3 殼質(zhì)組又稱穩(wěn)定組，來源于高等植物的繁殖器官、保護(hù)組織、分泌物和菌藻類，以及相關(guān)物質(zhì)的降解物。低階和中階煤中的殼質(zhì)組在油浸反射光下呈現(xiàn)灰黑至深灰色，中高突起至微突起，反射率比鏡質(zhì)組和惰質(zhì)組低；在高階煤中殼質(zhì)組反射率比鏡質(zhì)組還高，具有光學(xué)各向異性。在透射光下為黃色至紅色，且具有熒光性，隨著煤化程度的增高，熒光逐漸趨于消失。殼質(zhì)組中氫的含量、產(chǎn)烴量較高，揮發(fā)性能較好。殼質(zhì)組可細(xì)分為 10 種顯微組分以及若干亞組分，具體分類見表 1.3。(e)氧化樹脂體 (f)粗粒體 (g)微粒體 (h)碎屑惰質(zhì)體(a)篩狀絲質(zhì)體 (b)星狀絲質(zhì)體 (c)半絲質(zhì)體 (d)真菌體
【學(xué)位授予單位】：安徽工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ530

【相似文獻(xiàn)】

相關(guān)會(huì)議論文 前4條

1 穆亞東;周秉鋒;;基于信念傳播的圖像抽取算法[A];中國感光學(xué)會(huì)第七次全國會(huì)員代表大會(huì)暨學(xué)術(shù)年會(huì)和第七屆青年學(xué)術(shù)交流會(huì)論文摘要集[C];2006年

2 胡佳妮;郭軍;徐蔚然;;一種基于短文本的獨(dú)立語義特征抽取算法[A];全國網(wǎng)絡(luò)與信息安全技術(shù)研討會(huì)論文集（上冊(cè)）[C];2007年

3 周毅;;基于邏輯行列切分樹的表格數(shù)據(jù)抽取算法[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

4 羅勇;周超;許超;;文本分類在商品廣告分類中的應(yīng)用[A];全國第五屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議�？�(第一冊(cè))[C];2011年

相關(guān)博士學(xué)位論文 前2條

1 張春云;實(shí)體關(guān)系抽取算法研究[D];北京郵電大學(xué);2015年

2 姜子恒;特征構(gòu)建算法及其在圖像語義標(biāo)注與信息抽取中的應(yīng)用研究[D];北京理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 張策;基于web的改進(jìn)信息抽取算法的設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

2 李汝君;基于時(shí)空感知的健康信息發(fā)現(xiàn)技術(shù)研究[D];大連海事大學(xué);2016年

3 胡琪;基于新聞報(bào)道的中文關(guān)鍵詞抽取算法研究[D];太原理工大學(xué);2016年

4 申毓佩;復(fù)雜通信網(wǎng)絡(luò)拓?fù)浞治黾吧鐖F(tuán)抽取算法研究[D];東北大學(xué);2014年

5 韓軍華;一種用于文本理解的高效關(guān)鍵詞抽取算法[D];南京大學(xué);2016年

6 高翔鷹;社區(qū)組織的發(fā)現(xiàn)研究與設(shè)計(jì)[D];南京航空航天大學(xué);2016年

7 殷子wF;特征抽取算法及其在煤巖顯微組分分類中的應(yīng)用[D];安徽工業(yè)大學(xué);2016年

8 沈元一;互聯(lián)網(wǎng)藥品信息抽取算法的研究[D];復(fù)旦大學(xué);2010年

9 周趙鵬;基于互聯(lián)網(wǎng)的構(gòu)件庫系統(tǒng)構(gòu)件描述信息抽取算法研究[D];華中科技大學(xué);2012年

10 韓雪嬌;英語試題關(guān)鍵詞抽取算法研究[D];北方工業(yè)大學(xué);2013年

本文編號(hào)：2624172