放顶煤过程中煤矸界面自动识别研究
| 摘要 | 第1-13页 |
| ABSTRACT | 第13-16页 |
| 第1章 绪论 | 第16-28页 |
| ·研究背景与意义 | 第16-17页 |
| ·国内外煤矸界面识别研究现状 | 第17-24页 |
| ·国外煤矸界面识别研究现状 | 第18-22页 |
| ·国内煤矸界面识别研究现状 | 第22-24页 |
| ·目前煤矸界面识别存在的问题 | 第24页 |
| ·论文的选题依据 | 第24-25页 |
| ·本文研究方法和主要内容 | 第25-28页 |
| 第2章 尾梁振动分析及实验系统 | 第28-42页 |
| ·引言 | 第28页 |
| ·尾梁的振动分析 | 第28-31页 |
| ·尾梁的自由振动 | 第28-30页 |
| ·尾梁的受迫振动 | 第30-31页 |
| ·信号的拾取 | 第31-34页 |
| ·传感器的选用原则 | 第31-32页 |
| ·振动信号传感器 | 第32-33页 |
| ·声波信号传感器 | 第33-34页 |
| ·实验系统概述及传感器安装 | 第34-39页 |
| ·煤矸界面自动识别原理 | 第39页 |
| ·现场综放工作面 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第3章 基于局域波分解的振动信号特征提取与识别 | 第42-72页 |
| ·引言 | 第42-43页 |
| ·Hilbert变换 | 第43-46页 |
| ·连续信号的Hilbert变换 | 第43-45页 |
| ·离散时间信号的Hilbert变换 | 第45-46页 |
| ·瞬时频率和固有模态函数 | 第46-48页 |
| ·局域波分解过程 | 第48-53页 |
| ·均值求法 | 第49-52页 |
| ·分量提取 | 第52-53页 |
| ·基于局域波分解的尾梁振动信号分析 | 第53-69页 |
| ·尾梁振动信号的局域波分解 | 第54-55页 |
| ·基于局域波分解的煤矸界面特征提取方法 | 第55-60页 |
| ·振动信号的Hilbert谱和边际谱分析 | 第60-65页 |
| ·振动信号的距离判别方法 | 第65-69页 |
| ·本章小结 | 第69-72页 |
| 第4章 声波信号的时间序列建模与分析 | 第72-94页 |
| ·引言 | 第72页 |
| ·时间序列基本原理 | 第72-74页 |
| ·时间序列模型类型 | 第74-77页 |
| ·AR自回归模型 | 第74-75页 |
| ·MA滑动平均模型 | 第75页 |
| ·ARMA自回归滑动平均模型 | 第75-77页 |
| ·ARIMA自回归综合滑动平均模型 | 第77页 |
| ·煤矸声波信号的时序建模 | 第77-88页 |
| ·数据预处理 | 第79-81页 |
| ·判定模型类型 | 第81-82页 |
| ·模型参数估计 | 第82-83页 |
| ·模型阶数 | 第83-85页 |
| ·模型验证 | 第85-88页 |
| ·基于ARMA模型的双谱分析及其特征 | 第88-91页 |
| ·基于ARMA模型残差方差的煤矸界面特征 | 第91-92页 |
| ·本章小结 | 第92-94页 |
| 第5章 BP神经网络在煤矸界面识别中的应用 | 第94-106页 |
| ·引言 | 第94页 |
| ·神经元模型和学习方式 | 第94-96页 |
| ·人工神经元模型 | 第94-96页 |
| ·学习方式及算法 | 第96页 |
| ·振动信号的BP神经网络识别 | 第96-102页 |
| ·BP神经网络的设计 | 第97-101页 |
| ·振动信号的识别 | 第101-102页 |
| ·声波信号的BP神经网络识别 | 第102-103页 |
| ·基于信息融合的识别方法 | 第103-105页 |
| ·本章小结 | 第105-106页 |
| 结论 | 第106-110页 |
| 参考文献 | 第110-118页 |
| 致谢 | 第118-120页 |
| 攻读博士学位期间发表论文及参与课题情况 | 第120-122页 |
| 附录 | 第122-137页 |
| 学位论文评阅及答辩情况表 | 第137页 |
