基于小波域非对称广义高斯模型的煤岩识别算法

针对采煤工作面无人开采、煤与矸石自动分离等工程实际需求,研究了基于计算机视觉的煤岩识别技术。提出了一种有效的基于小波域统计建模的煤岩识别算法。通过小波变换对煤岩图像进行多级分解;提出表达煤岩纹理细节特征的高频子带系数统计分布符合非对称广义高斯模型的假设,并通过最大似然估计方法确定其模型参数;利用改进的相对熵相似性测度实现煤岩图像的分类判别。结果表明:在小波域中,非对称广义高斯模型能够有力地刻画煤岩图像的纹理特征,与现有的其他算法相比较,所提出算法具有更高的正确识别率,其平均识别率达到了87.77%,为进一步研究煤岩界面的自动检测提供了参考。     

基于双树复小波变换和奇异谱熵的采煤机摇臂轴承故障诊断

该文提出基于振动信号分析的采煤机摇臂轴承故障诊断方法,对振动信号进行双树复小波变换(Double Tree Complex Wavelet Transform,DTCWT),将原始振动信号分解为不同频带的7层信号;针对各频带信号,结合奇异谱熵实现从信号奇异成分能量分布角度的故障特征量化提取,通过分析比较各频带奇异谱熵,可实现采煤机摇臂滚动轴承故障准确诊断。     

基于双树复小波包变换和形态学的减速机故障诊断

针对煤机设备减速机的振动信号特征难以提取的问题,提出了双树复小波包变换和形态学相结合的故障特征提取策略。首先利用双树复小波将减速机的振动信号分解成若干个不同频段的分量。然后根据减速机故障特征频率分布特征,选取相关的频段分量进行降噪重构。最后对重构后含有故障特征频率的分量进行形态滤波处理,进而提取出减速机的故障特征。利用现场实测数据进行验证,结果表明,该故障特征提取策略可以有效地提取出减速机的故障特征。     

基于复小波域的自适应贝叶斯估计SAR图像相干斑抑制算法

提出了一种基于复小波域的自适应贝叶斯估计SAR图像相干斑抑制算法。该方法将传统小波的软阈值去加性噪声的特性与双树复小波变换的方向选择性结合起来,可以自适应选择有效的阈值来保留边缘等细节。应用贝叶斯估计来计算复小波系数的最佳值。该估计算子假设信号和噪声的复小波变换系数分别满足阿尔法稳定分布和高斯分布。实验结果表明该算法的去噪性能优于现有的基于离散小波变换的算法。     

双树复小波变换域矿区遥感图像自适应滤波

矿区遥感图像因受成像环境、成像器件固有缺陷等因素的影响容易出现不同程度的失真,为此,结合双树复小波变换（Dual-tree complex wavelet transform,DTCWT）多尺度图像分析的优良特性,提出了一种矿区遥感图像自适应滤波算法。首先对获取的视觉效果不佳的遥感图像进行直方图均衡化处理,使得增强后的图像灰度分布较为合理,提高图像的对比度;然后对增强后的图像进行双树复小波变换,对获得的高频分解系数采用改进的多级中值滤波算法进行处理;最后,将低频分解系数与滤波后的高频分解系数进行逆双树复小波变换。其中改进的多级中值滤波算法相对于经典多级中值滤波算法进行了2点改进：①将原有的4个方向滤波窗口扩展为7个,更有利于保持图像中信息的多方向特性;②对新增设的3个滤波窗口分别进行加权中值滤波,将上述7个滤波窗口的滤波值采用一种基于图像灰度值相关性的判别方法进行处理,剔除与待滤波像素点相关性不强的滤波值,将剩余的滤波值计算均值输出;MATLAB平台试验结果表明：新算法的总体性能相对于经典多级中值滤波、中值滤波、双边滤波等算法而言,优势较为明显。     

基于Curvelet变换的低分辨率煤岩识别方法

针对小波变换仅能有效表达图像中的点奇异性,难以提取煤岩图像曲线特征的弱点,以及高分辨率煤岩图像计算量大,难以满足煤岩识别实时性要求的问题,提出了一种基于曲波变换的低分辨率煤岩识别方法.该方法通过曲波变换对煤岩图像进行曲波分解,得到各尺度层曲波系数,利用主分量分析进行降维,并将结果分别输入不同k-NN分类器中,对分类结果加权融合,实现煤岩图像的分类识别.实验表明:通过曲波分解提取的特征能够有效地表达煤岩图像的曲线特征,与现有方法相比较,所提出方法具有更高的识别率,平均识别率达95.0%,在煤岩图像分辨率较低情况下也可以获得很高的识别率,满足煤岩识别实时性的要求.     

基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。     

基于小波的煤岩图像特征抽取与识别

针对目前采掘工作面是事故易发多发地带和煤岩界面的识别基本由人工来完成的现状,为了减少人员伤亡以及实现采矿自动化,研究了煤岩的自动识别技术。介绍了煤岩图像识别基础和小波变换原理,讨论了小波函数以及滤波长度、分解尺度的设置情况,提出利用Daubechies小波对煤岩图像进行分解,构造相应的纹理导向度,获得特征值参数表,最后通过Minkowski距离计算公式,得到待测样品与煤岩样品的空间距离,根据距离大小来实现对待测样品的识别。结果表明：该方法通过小波分解再抽取相应的特征值充分表达了煤岩图像的纹理特征信息,而且能成功识别煤岩图像获得了比其他分解方法更高的识别准确率。研究结果可为煤岩界面的自动识别提供理论参考,提供了新的思路。     

基于双树FB结构复小波和改进RBF网络的配电网单相接地故障选线方法

在引用双树FB结构复小波的奇异性检测理论和模极大值理论的基础上,提出了改进传统RBF神经网络的优化方法。即将Chaari复小波变换理论与RBF神经网络技术结合,进而实现了基于两者结合的综合选线方法。利用复小波变换提取发生故障后各支路零序电流的暂态信号特征,将其作为改进RBF神经网络的输入向量,再利用RBF神经网络强大的自适应、自学习能力,对特征量进行训练,确保其快速的收敛性以及选线的准确性。仿真实验结果,表明该方法能准确进行单相故障选线。     

基于字典学习的煤岩图像特征提取与识别方法

现今的煤岩图像识别方法取得了一些阶段性的成果,但还无法满足实际需求。为了挖掘新的煤岩图像识别方法,研究了基于字典学习的煤岩图像特征提取与识别技术,提出用字典学习算法提取煤岩图像特征。字典学习算法采用随机选择的方法对字典进行初始化和更新。结合分类算法对煤岩图像进行分类识别,结果表明:通过字典学习,能简单有效表达煤岩图像的特征信息,获得了较高的识别率,且该特征提取方式具有较好的发展前景。研究结果可为煤岩界面的自动识别提供新的思路和方法。