摘要 | 第4-7页 |
abstract | 第7-11页 |
1 绪论 | 第15-27页 |
1.1 课题背景 | 第15-16页 |
1.2 问题的提出 | 第16-17页 |
1.3 研究意义 | 第17-18页 |
1.4 文献综述 | 第18-24页 |
1.4.1 国内外煤岩识别方法研究现状 | 第18-22页 |
1.4.2 非平稳信号的特征提取研究现状 | 第22-23页 |
1.4.3 非线性系统的模式识别研究现状 | 第23-24页 |
1.4.4 文献综述分析 | 第24页 |
1.5 研究内容及技术路线 | 第24-25页 |
1.5.1 研究内容 | 第24-25页 |
1.5.2 技术路线 | 第25页 |
1.6 本章小结 | 第25-27页 |
2 综放开采现场顶煤放落试验及振动信号的采集 | 第27-33页 |
2.1 顶煤放落试验方案 | 第27-30页 |
2.1.1 综放工作面概况及综放工艺 | 第27-28页 |
2.1.2 试验仪器设备 | 第28-29页 |
2.1.3 试验方案 | 第29-30页 |
2.2 振动信号的采集及工况记录 | 第30-31页 |
2.3 振动信号非平稳性的验证 | 第31-32页 |
2.4 本章小结 | 第32-33页 |
3 非平稳振动信号的降噪处理 | 第33-53页 |
3.1 基于EMD的信号降噪研究 | 第33-44页 |
3.1.1 EMD的基本概念及原理 | 第33-36页 |
3.1.2 基于EMD的信号降噪方法 | 第36-37页 |
3.1.3 仿真信号分析 | 第37-42页 |
3.1.4 基于EMD的非平稳振动信号降噪 | 第42-44页 |
3.2 基于奇异值分解的信号降噪研究 | 第44-51页 |
3.2.1 信号的奇异值分解 | 第45页 |
3.2.2 基于奇异值差分谱的降噪方法 | 第45-46页 |
3.2.3 仿真信号分析 | 第46-49页 |
3.2.4 基于奇异值差分谱的非平稳振动信号降噪 | 第49-51页 |
3.3 本章小结 | 第51-53页 |
4 非平稳振动信号的特征提取 | 第53-75页 |
4.1 基于分形盒维数的整体特征提取 | 第53-56页 |
4.1.1 分形的概念及分形盒维数的计算方法 | 第53-54页 |
4.1.2 仿真信号分析 | 第54-55页 |
4.1.3 非平稳振动信号的分形盒维数 | 第55-56页 |
4.2 基于小波包变换的细节特征提取 | 第56-73页 |
4.2.1 小波包理论 | 第56-57页 |
4.2.2 小波包特征 | 第57-61页 |
4.2.3 仿真信号分析 | 第61-70页 |
4.2.4 非平稳振动信号的小波包特征 | 第70-73页 |
4.3 本章小结 | 第73-75页 |
5 非平稳振动信号特征的降维 | 第75-93页 |
5.1 基于主元分析的降维 | 第75-82页 |
5.1.1 主元分析的基本原理 | 第75-77页 |
5.1.2 基于主元分析的非平稳振动信号特征降维 | 第77-82页 |
5.2 基于流形学习的降维 | 第82-91页 |
5.2.1 流形学习的概念 | 第83页 |
5.2.2 LTSA的基本原理 | 第83-84页 |
5.2.3 基于LTSA的非平稳振动信号特征降维 | 第84-90页 |
5.2.4 未知样本低维嵌入的估计方法 | 第90-91页 |
5.3 本章小结 | 第91-93页 |
6 基于BP神经网络的垮落煤岩识别 | 第93-107页 |
6.1 BP神经网络的原理与设计 | 第93-95页 |
6.2 基于不同特征的垮落煤岩识别结果 | 第95-101页 |
6.2.1 不同特征的神经网络识别结果对比 | 第95-99页 |
6.2.2 表征垮落煤岩的有效特征向量 | 第99-101页 |
6.3 基于蚁群算法优化的BP神经网络 | 第101-104页 |
6.3.1 ACO-BP神经网络的基本原理 | 第101-102页 |
6.3.2 非线性系统验证 | 第102-103页 |
6.3.3 有效特征向量的BP神经网络和ACO-BP神经网络训练对比 | 第103-104页 |
6.4 本章小结 | 第104-107页 |
7 结语与展望 | 第107-111页 |
7.1 结语 | 第107-109页 |
7.2 课题创新点 | 第109-110页 |
7.3 展望 | 第110-111页 |
参考文献 | 第111-119页 |
致谢 | 第119-121页 |
作者简介 | 第121-122页 |