基于纹理特征的煤炭发热量研究

论文摘要

煤炭的发热量是评价煤炭质量好坏的重要指标,是火电厂计算标准煤耗的主要参数,也是锅炉运行的一个重要参考参数,若能及时提供入炉煤炭发热量的数值,对保证锅炉安全稳定地运行具有非常重要的意义。传统的测量煤炭发热量的方法操作起来,步骤烦琐,过程持续时间长,无法很好地满足实时性要求,而且污染环境,不利于工作人员的身体健康。为了克服以上缺点,本论文提出一种新的方法来测量煤炭的发热量。该方法是根据数字图像处理技术和人工神经网络模式识别技术原理来实现煤炭发热量的测量。该方法产生的依据是不同种类的煤炭,其纹理特征值是不同的,所产生的发热量也是不同的。首先建立一个样本库,其中包括各类煤炭和其相对应的发热量。要想测试煤炭的发热量只需将待测煤炭的纹理图像经过图像预处理,提取出纹理特征值,然后将纹理特征值作为一个输入向量代入到训练好的神经网络中自动识别出待测煤炭的种类,最后到样本库中查找其对应的发热量即可。在实现煤炭纹理图像的分类与识别时,本论文采用了人工神经网络中的BP网络,最终识别的正确率达到了100%,效果很满意。最后,通过VB语言建立了一个小型样本库,通过仿真实现了煤炭发热量的检测。通过最后的结果表明,本论文首次尝试提出的新方法具有一定的可行性,为后续的研究煤炭发热量奠定了理论基础。

论文目录

• 致谢
• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景与研究意义
• 1.2 数字图像处理概述
• 1.3 模式识别概述
• 1.4 课题任务
• 2 纹理的统计分析法
• 2.1 纹理
• 2.2 纹理分析及其主要方法
• 2.3 纹理统计分析法
• 2.4 灰度共生矩阵法
• 2.4.1 灰度共生矩阵定义
• 2.4.2 灰度共生矩阵的特点
• 2.4.3 灰度共生矩阵的特征提取
• 2.4.4 灰度共生矩阵常用的纹理特征解析
• 2.5 本章小结
• 3 人工神经网络模式识别
• 3.1 模式识别
• 3.1.1 概念
• 3.1.2 模式识别方法的分类
• 3.2 人工神经网络模式识别
• 3.2.1 神经网络的概述
• 3.2.2 神经网络的结构
• 3.2.3 神经元
• 3.2.4 神经网络的学习
• 3.3 误差反向传播网络
• 3.3.1 BP 神经网络的结构
• 3.3.2 BP 神经网络的学习算法
• 3.3.3 BP 神经网络的训练过程
• 3.4 反向传播算法的不足与改进
• 3.4.1 反向传播算法的不足
• 3.4.2 反向传播算法的改进
• 3.5 本章小结
• 4 煤炭纹理图像的分类与识别实验
• 4.1 系统设计流程图
• 4.2 煤炭纹理图像的采集
• 4.3 煤炭纹理图像的预处理
• 4.3.1 预处理的目的
• 4.3.2 图像的平滑
• 4.3.3 图像的灰度变换
• 4.3.4 煤炭纹理图像的预处理
• 4.4 煤炭纹理图像的特征提取
• 4.5 煤炭纹理图像的BP 神经网络的识别实验
• 4.5.1 BP 网络结构的设计
• 4.5.2 BP 神经网络的训练
• 4.5.3 煤炭纹理图像的识别仿真
• 4.6 本章小结
• 5 煤炭发热量的研究
• 5.1 测量煤炭发热量的必要性
• 5.2 传统的测量煤炭发热量的方法
• 5.3 新的测量煤炭发热量的方法
• 5.4 本章小结
• 6. 总结与展望
• 6.1 本论文的工作总结
• 6.2 本论文的主要创新点
• 6.3 工作展望
• 参考文献
• 作者简历
• 学位论文数据集