基于纹理特征的煤炭发热量研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-17页 |
| ·课题背景与研究意义 | 第11-12页 |
| ·数字图像处理概述 | 第12-14页 |
| ·模式识别概述 | 第14-15页 |
| ·课题任务 | 第15-17页 |
| 2 纹理的统计分析法 | 第17-28页 |
| ·纹理 | 第17-18页 |
| ·纹理分析及其主要方法 | 第18页 |
| ·纹理统计分析法 | 第18-19页 |
| ·灰度共生矩阵法 | 第19-27页 |
| ·灰度共生矩阵定义 | 第19-21页 |
| ·灰度共生矩阵的特点 | 第21-22页 |
| ·灰度共生矩阵的特征提取 | 第22-26页 |
| ·灰度共生矩阵常用的纹理特征解析 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 3 人工神经网络模式识别 | 第28-47页 |
| ·模式识别 | 第28-31页 |
| ·概念 | 第28-29页 |
| ·模式识别方法的分类 | 第29-31页 |
| ·人工神经网络模式识别 | 第31-38页 |
| ·神经网络的概述 | 第32-33页 |
| ·神经网络的结构 | 第33-34页 |
| ·神经元 | 第34-37页 |
| ·神经网络的学习 | 第37-38页 |
| ·误差反向传播网络 | 第38-44页 |
| ·BP 神经网络的结构 | 第39页 |
| ·BP 神经网络的学习算法 | 第39-43页 |
| ·BP 神经网络的训练过程 | 第43-44页 |
| ·反向传播算法的不足与改进 | 第44-46页 |
| ·反向传播算法的不足 | 第44页 |
| ·反向传播算法的改进 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 4 煤炭纹理图像的分类与识别实验 | 第47-66页 |
| ·系统设计流程图 | 第47页 |
| ·煤炭纹理图像的采集 | 第47-48页 |
| ·煤炭纹理图像的预处理 | 第48-55页 |
| ·预处理的目的 | 第48-49页 |
| ·图像的平滑 | 第49-51页 |
| ·图像的灰度变换 | 第51-54页 |
| ·煤炭纹理图像的预处理 | 第54-55页 |
| ·煤炭纹理图像的特征提取 | 第55-56页 |
| ·煤炭纹理图像的BP 神经网络的识别实验 | 第56-64页 |
| ·BP 网络结构的设计 | 第57-59页 |
| ·BP 神经网络的训练 | 第59-64页 |
| ·煤炭纹理图像的识别仿真 | 第64页 |
| ·本章小结 | 第64-66页 |
| 5 煤炭发热量的研究 | 第66-70页 |
| ·测量煤炭发热量的必要性 | 第66页 |
| ·传统的测量煤炭发热量的方法 | 第66-67页 |
| ·新的测量煤炭发热量的方法 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 6. 总结与展望 | 第70-72页 |
| ·本论文的工作总结 | 第70-71页 |
| ·本论文的主要创新点 | 第71页 |
| ·工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 作者简历 | 第76-77页 |
| 学位论文数据集 | 第77-78页 |
