当前位置:主页 > 理工论文 > 化学工业论文 >

特征抽取算法及其在煤岩显微组分分类中的应用

发布时间:2020-04-12 02:39
【摘要】:煤岩的显微组分指在显微镜下划分的煤岩结构基本有机组成单元,其显微组分构成与煤的性能有着紧密的联系,如CO的吸附性能、粘结性等。因此,实现煤显微结构中各显微组分的自动分类与识别,对于预测煤的性质、指导煤的合理加工与利用具有重要意义。特征抽取是对煤岩显微组分进行自动识别的重要环节,数量适宜、彼此独立的有效特征量的抽取,对于分类结果的好坏起到关键性的作用。本文在分析煤岩显微图像各组分特点的基础上,先提取其基于灰度共生矩阵的纹理特征量和基于灰度分布的统计特征量构成初始特征集,再采用特征抽取算法对初始特征作进一步抽取,最后构建支持向量机分类器对抽取后的特征进行验证。论文的主要工作如下:(1)在查阅相关文献的基础上,综述基于图像分析法的煤显微组分识别现状以及特征抽取算法国内外研究现状,分析煤岩显微图像中各显微组分的特点和差异。(2)根据煤显微图像的纹理特点和亮度差异,基于灰度共生矩阵提取能量、熵、惯性矩、局部平稳性、最大概率等5个纹理特征量,辅以基于灰度分布统计量的亮度比、均值、均方差、偏度、一致性、峰度等6个特征构成11维初始特征量集。绘制特征参量的分布图,分析各特征对分类的有效性。并通过实验论述初始特征量之间存在的冗余对于分类效果的影响。(3)分别采用主成分分析法(PCA)和线性判别分析法(LDA)对初始特征集进行抽取,以降低特征冗余性,保证在降低特征空间维数的基础上尽量少地丢失有效分类信息,并对两种特征抽取算法得到的特征从分类效果的角度进行比较与分析。(4)构建支持向量机分类器(SVM),分别采用由PCA和LDA抽取得到的不同维数的特征集,对惰质组、镜质组和壳质组三大类别以及各类别中典型组分实现自动识别,比较不同方法抽取获得的特征量集对分类正确率的影响。本文的特色与创新之处主要在于:对于所提取的初始特征量集内的诸多特征量,采用特征抽取算法对其进行去相关和降维,在有效降低特征空间维数的同时提高分类的准确率。
【图文】:

镜质组,显微图像,结构镜质体,均质镜质体


镜质体胶结在一起,大多为颗粒状或不规则形状,少数有棱角,如图 1.1 (g)。(a)结构镜质体-1 (b)结构镜质体-2 (c)均质镜质体 (d)基质镜质体

惰质组,显微图像


见图 1.2 (g)。(7)碎屑惰质体是惰质组的碎屑成分,粒径在 30um以下,形态不规则,很少有细胞结构,参见图1.2 (h)。图 1.2 典型惰质组显微图像由于惰质组中的 7 种组分其显微结构均具一定的复杂性,,且在炼焦煤中具一定作用,因此文中同时对 7 种组分展开研究,并将丝质体细分为筛状丝质体以及星状丝质体进行分析。1.2.3 壳质组又称稳定组,来源于高等植物的繁殖器官、保护组织、分泌物和菌藻类,以及相关物质的降解物。低阶和中阶煤中的壳质组在油浸反射光下呈现灰黑至深灰色,中高突起至微突起,反射率比镜质组和惰质组低;在高阶煤中壳质组反射率比镜质组还高,具有光学各向异性。在透射光下为黄色至红色,且具有荧光性,随着煤化程度的增高,荧光逐渐趋于消失。壳质组中氢的含量、产烃量较高,挥发性能较好。壳质组可细分为 10 种显微组分以及若干亚组分,具体分类见表 1.3。(e)氧化树脂体 (f)粗粒体 (g)微粒体 (h)碎屑惰质体(a)筛状丝质体 (b)星状丝质体 (c)半丝质体 (d)真菌体
【学位授予单位】:安徽工业大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TQ530

【相似文献】

相关会议论文 前4条

1 穆亚东;周秉锋;;基于信念传播的图像抽取算法[A];中国感光学会第七次全国会员代表大会暨学术年会和第七届青年学术交流会论文摘要集[C];2006年

2 胡佳妮;郭军;徐蔚然;;一种基于短文本的独立语义特征抽取算法[A];全国网络与信息安全技术研讨会论文集(上册)[C];2007年

3 周毅;;基于逻辑行列切分树的表格数据抽取算法[A];第二十届全国数据库学术会议论文集(技术报告篇)[C];2003年

4 罗勇;周超;许超;;文本分类在商品广告分类中的应用[A];全国第五届信号和智能信息处理与应用学术会议专刊(第一册)[C];2011年

相关博士学位论文 前2条

1 张春云;实体关系抽取算法研究[D];北京邮电大学;2015年

2 姜子恒;特征构建算法及其在图像语义标注与信息抽取中的应用研究[D];北京理工大学;2015年

相关硕士学位论文 前10条

1 张策;基于web的改进信息抽取算法的设计与实现[D];电子科技大学;2014年

2 李汝君;基于时空感知的健康信息发现技术研究[D];大连海事大学;2016年

3 胡琪;基于新闻报道的中文关键词抽取算法研究[D];太原理工大学;2016年

4 申毓佩;复杂通信网络拓扑分析及社团抽取算法研究[D];东北大学;2014年

5 韩军华;一种用于文本理解的高效关键词抽取算法[D];南京大学;2016年

6 高翔鹰;社区组织的发现研究与设计[D];南京航空航天大学;2016年

7 殷子wF;特征抽取算法及其在煤岩显微组分分类中的应用[D];安徽工业大学;2016年

8 沈元一;互联网药品信息抽取算法的研究[D];复旦大学;2010年

9 周赵鹏;基于互联网的构件库系统构件描述信息抽取算法研究[D];华中科技大学;2012年

10 韩雪娇;英语试题关键词抽取算法研究[D];北方工业大学;2013年



本文编号:2624172

资料下载
论文发表

本文链接:https://www.wllwen.com/projectlw/hxgylw/2624172.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户9ac77***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com