| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 诸论 | 第10-17页 |
| ·课题来源与背景 | 第10-11页 |
| ·浮选工艺概述 | 第11-13页 |
| ·阳离子反浮选工艺流程 | 第11-12页 |
| ·浮选控制过程的控制目标分析 | 第12-13页 |
| ·国内外研究的发展状况 | 第13-14页 |
| ·论文主要意义与研究内容 | 第14-17页 |
| ·论文研究的主要意义 | 第14-15页 |
| ·论文的主要研究内容 | 第15-17页 |
| 第二章 数字图像处理综述 | 第17-21页 |
| ·数字图像处理的基本内容 | 第17-19页 |
| ·图像处理系统的基本内容 | 第17-18页 |
| ·数字图像的表示 | 第18-19页 |
| ·图像彩色空间 | 第19页 |
| ·图像的特征与噪声 | 第19-21页 |
| ·图像的特征类别 | 第19-20页 |
| ·图像噪声 | 第20-21页 |
| 第三章 泡沫图像特征与数据处理 | 第21-33页 |
| ·浮选厂泡沫图像特征的选择 | 第21-27页 |
| ·图像颜色特征的选择 | 第21-23页 |
| ·图像纹理特征的选择 | 第23-26页 |
| ·浮选泡沫的分类 | 第26-27页 |
| ·基于图像处理的浮选状态识别系统的可实现性 | 第27页 |
| ·泡沫图像的预处理 | 第27-28页 |
| ·提取泡沫图像的颜色特征 | 第28-29页 |
| ·提取泡沫图像的纹理特征 | 第29-32页 |
| ·矩阵的特点 | 第30-31页 |
| ·纹理特征提取的实现 | 第31-32页 |
| ·特征数据过滤 | 第32-33页 |
| 第四章 浮选状态识别模型与求解 | 第33-55页 |
| ·引言 | 第33页 |
| ·数据的预处理 | 第33-42页 |
| ·数据的离散化 | 第34-37页 |
| ·冗余属性数据的处理 | 第37-39页 |
| ·离散数据表不一致性数据的预处理 | 第39-42页 |
| ·粗糙集实现泡沫图像特征属性值约简 | 第42-44页 |
| ·粗糙集的基本理论 | 第42-43页 |
| ·粗糙集基本算法 | 第43-44页 |
| ·粗糙集-神经网络控制模型 | 第44-51页 |
| ·浮选状态,即浮选图像识别模型的结构 | 第45页 |
| ·LVQ神经网络设计 | 第45-48页 |
| ·模型测试与仿真 | 第48-51页 |
| ·常见模式识别模型与粗糙集—LVQ模式识别模型对比 | 第51-55页 |
| ·BP网络结构及算法 | 第51-52页 |
| ·输入—输出层的设计 | 第52页 |
| ·网络隐含层数和层内节点数的选择 | 第52-53页 |
| ·常用的激发函数 | 第53页 |
| ·BP网识别结果与粗糙集-LVQ神经网络识别结果对比 | 第53-55页 |
| 第五章 基于图像处理的浮选状态识别系统分析 | 第55-57页 |
| ·状态识别系统的设计 | 第55-57页 |
| ·系统的组成 | 第55-56页 |
| ·系统算法实现与数据处理流程 | 第56-57页 |
| 第六章 结论 | 第57-59页 |
| ·结论 | 第57页 |
| ·展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 附录1 训练样本特征参数 | 第63-65页 |
| 附录2 训练样本离散属性表 | 第65-66页 |
| 附录3 训练样本最终离散表 | 第66-67页 |
| 附录4 控制模型测试样本分类表 | 第67页 |