| 摘要 | 第4-7页 |
| Abstract | 第7-10页 |
| 1 引言 | 第16-36页 |
| 1.1 课题背景 | 第16-18页 |
| 1.2 煤矸分选的主要方法 | 第18-26页 |
| 1.2.1 人工选矸 | 第19-20页 |
| 1.2.2 动筛跳汰法选矸 | 第20-21页 |
| 1.2.3 重介选矸 | 第21-22页 |
| 1.2.4 双能伽马()射线选矸 | 第22-23页 |
| 1.2.5 X射线选矸 | 第23页 |
| 1.2.6 图像识别选矸 | 第23-24页 |
| 1.2.7 其他选矸方法 | 第24-25页 |
| 1.2.8 自动选矸方法总结 | 第25页 |
| 1.2.9 问题提出 | 第25-26页 |
| 1.3 国内外研究现状 | 第26-31页 |
| 1.3.1 国内煤矸图像识别研究现状 | 第26-27页 |
| 1.3.2 国外煤矸图像识别研究现状 | 第27-28页 |
| 1.3.3 分数阶微积分应用综述 | 第28-31页 |
| 1.4 研究现状总结 | 第31页 |
| 1.5 研究目标、内容及意义 | 第31-34页 |
| 1.5.1 研究目标 | 第31-32页 |
| 1.5.2 研究内容和技术路线 | 第32-33页 |
| 1.5.3 研究意义 | 第33-34页 |
| 1.6 小结 | 第34-36页 |
| 2 图像的处理与特征提取 | 第36-58页 |
| 2.1 数字图像处理的基本概念 | 第36-39页 |
| 2.1.1 灰度的概念 | 第37页 |
| 2.1.2 直方图的概念 | 第37-38页 |
| 2.1.3 图像处理的基本步骤 | 第38-39页 |
| 2.2 图像的分割和边缘检测 | 第39-41页 |
| 2.2.1 阈值分割 | 第39页 |
| 2.2.2 全局阈值 | 第39-40页 |
| 2.2.3 局部自适应阈值 | 第40-41页 |
| 2.3 图像复原和增强 | 第41-44页 |
| 2.3.1 图像复原 | 第41-42页 |
| 2.3.2 图像边缘提取 | 第42-44页 |
| 2.4 形态学图像处理 | 第44-46页 |
| 2.5 图像的特征的选择提取 | 第46-57页 |
| 2.5.1 灰度特征的提取 | 第46-48页 |
| 2.5.2 纹理特征的提取 | 第48-50页 |
| 2.5.3 几何特征的提取 | 第50-55页 |
| 2.5.4 投影面积质量比差异 | 第55-57页 |
| 2.6 小结 | 第57-58页 |
| 3 分数阶随机过程的分析和建模 | 第58-82页 |
| 3.1 分数阶微积分的基本理论 | 第58-64页 |
| 3.1.1 分数阶微积分的数学背景 | 第58-59页 |
| 3.1.2 伽马函数 | 第59-61页 |
| 3.1.3 Mittag-Leffler(ML)函数 | 第61-62页 |
| 3.1.4 分数阶微积分的定义 | 第62-64页 |
| 3.2 分数阶布朗运动 | 第64-65页 |
| 3.3 自相关函数和Hurst指数 | 第65-66页 |
| 3.4 稳定分布 | 第66-70页 |
| 3.4.1 稳定分布的定义及性质 | 第66-68页 |
| 3.4.2 稳定分布的参数估计 | 第68-70页 |
| 3.5 时间序列分析方法 | 第70-81页 |
| 3.5.1 时间序列模型 | 第70-72页 |
| 3.5.2 时间序列的平稳性 | 第72-73页 |
| 3.5.3 平稳长记忆时间序列 | 第73-75页 |
| 3.5.4 分数阶ARFIMA模型的仿真和估计器比较 | 第75-78页 |
| 3.5.5 ARFIMA建模步骤流程 | 第78-79页 |
| 3.5.6 ARFIMA模型的应用 | 第79-81页 |
| 3.6 小结 | 第81-82页 |
| 4 多分数阶过程和多重分形分析 | 第82-106页 |
| 4.1 多分数阶布朗运动 | 第82-83页 |
| 4.2 变阶次分数阶稳定分布 | 第83-84页 |
| 4.3 变阶次分数阶信号的仿真实例 | 第84-87页 |
| 4.4 变阶次分数阶信号的分析和处理 | 第87-103页 |
| 4.4.1 多重分形去趋势波动分析(MFDFA)算法 | 第87-89页 |
| 4.4.2 多重分形谱的含义和性质 | 第89-98页 |
| 4.4.3 时间序列的多重分形性的分析 | 第98-100页 |
| 4.4.4 数据重排和数据替换 | 第100-103页 |
| 4.5 小结 | 第103-106页 |
| 5 煤矸图像的特征提取和识别 | 第106-130页 |
| 5.1 煤矸图像的特征提取 | 第106-118页 |
| 5.1.1 煤矸图像的采集 | 第106-107页 |
| 5.1.2 煤矸图像的灰度特征提取 | 第107-110页 |
| 5.1.3 煤矸图像的纹理特征提取 | 第110-111页 |
| 5.1.4 煤矸图像的几何特征提取 | 第111-118页 |
| 5.2 模式识别与分类 | 第118-125页 |
| 5.2.1 模式识别系统 | 第118-120页 |
| 5.2.2 统计模式识别技术 | 第120页 |
| 5.2.3 线性分类器 | 第120-122页 |
| 5.2.4 非线性分类器 | 第122-123页 |
| 5.2.5 人工神经网络 | 第123-125页 |
| 5.3 煤矸图像的识别和实验结果分析 | 第125-128页 |
| 5.3.1 煤矸图像的识别和识别率比较 | 第125-127页 |
| 5.3.2 实验结果分析 | 第127-128页 |
| 5.4 小结 | 第128-130页 |
| 6 结论与展望 | 第130-134页 |
| 6.1 主要研究工作 | 第130-131页 |
| 6.2 论文创新点 | 第131-132页 |
| 6.3 展望 | 第132-134页 |
| 参考文献 | 第134-144页 |
| 致谢 | 第144-146页 |
| 作者简介 | 第146-148页 |
| 附录 | 第148-161页 |
| 1 提取煤矸图像轮廓曲线的MATLAB代码 | 第148-152页 |
| 1.1 边缘检测代码 | 第148-149页 |
| 1.2 煤矸轮廓曲线提取代码(signature子函数部分) | 第149-151页 |
| 1.3 煤矸轮廓曲线提取代码(主程序部分) | 第151-152页 |
| 2 计算煤矸图像灰度特征的MATLAB代码 | 第152-154页 |
| 2.1 灰度特征代码(子函数部分) | 第152-153页 |
| 2.2 灰度特征代码(主程序部分) | 第153-154页 |
| 3 计算煤矸图像纹理特征的MATLAB代码 | 第154-155页 |
| 3.1 纹理特征代码(子函数部分) | 第154-155页 |
| 3.2 纹理特征代码(主函数部分) | 第155页 |
| 4 计算煤矸图像几何特征的MATLAB代码 | 第155-159页 |
| 4.1 几何特征代码(子函数部分) | 第155-158页 |
| 4.2 几何特征代码(主程序部分) | 第158-159页 |
| 5 使用神经网络识别煤矸图像的MATLAB代码 | 第159-161页 |
