KNN算法在矿井水源识别中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 前言 | 第14-18页 |
| 1.1 研究背景与目的 | 第14-15页 |
| 1.1.1 研究背景 | 第14页 |
| 1.1.2 研究目的 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.2.1 矿井水源识别的研究现状 | 第15页 |
| 1.2.2 KNN分类算法的研究现状 | 第15-16页 |
| 1.3 研究内容、研究过程和创新点 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 研究过程 | 第17页 |
| 1.3.3 创新点 | 第17页 |
| 1.4 本章小结 | 第17-18页 |
| 2 煤矿井下水源与LIF技术的介绍 | 第18-32页 |
| 2.1 煤矿井下水源介绍 | 第18-21页 |
| 2.1.1 常见的煤矿井下水源 | 第18-20页 |
| 2.1.2 煤矿水源的影响 | 第20-21页 |
| 2.2 LIF技术介绍 | 第21-25页 |
| 2.2.1 LIF技术的原理 | 第21-23页 |
| 2.2.2 LIF技术的应用背景 | 第23页 |
| 2.2.3 LIF在识别煤炭矿井水源中的应用 | 第23-25页 |
| 2.3 矿井水源识别系统介绍 | 第25-30页 |
| 2.3.1 硬件设计 | 第25-29页 |
| 2.3.2 软件设计 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 矿井水源的数据提取与预处理 | 第32-42页 |
| 3.1 矿井水源光谱数据采集 | 第32-33页 |
| 3.1.1 原始光谱数据采集 | 第32页 |
| 3.1.2 水样光谱的数据存储 | 第32-33页 |
| 3.2 光谱数据预处理 | 第33-40页 |
| 3.2.1 平滑处理 | 第33-36页 |
| 3.2.2 基线校正 | 第36页 |
| 3.2.3 中值滤波 | 第36-37页 |
| 3.2.4 小波变换方法 | 第37-39页 |
| 3.2.5 评价指标 | 第39-40页 |
| 3.3 本章小结 | 第40-42页 |
| 4 改进的KNN算法 | 第42-54页 |
| 4.1 传统KNN聚类算法 | 第42-45页 |
| 4.1.1 KNN算法介绍 | 第42-43页 |
| 4.1.2 距离度量 | 第43-44页 |
| 4.1.3 K值的选取 | 第44-45页 |
| 4.1.4 传统KNN算法的局限 | 第45页 |
| 4.2 改进的KNN算法 | 第45-52页 |
| 4.2.1 算法改进方向 | 第45-47页 |
| 4.2.2 基于树的KNN算法 | 第47-49页 |
| 4.2.3 基于权重调整的改进KNN算法 | 第49-50页 |
| 4.2.4 基于熵的改进KNN算法 | 第50-52页 |
| 4.3 本章小结 | 第52-54页 |
| 5 基于KNN算法的矿井水源识别实例 | 第54-68页 |
| 5.1 实验样本 | 第54页 |
| 5.2 水源样本的荧光光谱提取 | 第54-57页 |
| 5.3 水源光谱数据预处理 | 第57-61页 |
| 5.3.1 光谱数据的波长选取 | 第57页 |
| 5.3.2 光谱数据预处理 | 第57-61页 |
| 5.4 煤炭矿井水源的KNN算法分类 | 第61-66页 |
| 5.4.1 主成分分析 | 第61-64页 |
| 5.4.2 KNN算法分类 | 第64-66页 |
| 5.5 本章小结 | 第66-68页 |
| 6 结论 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 对未来的展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介及读研期间主要科研成果 | 第76页 |
