煤矸界面的自动识别技术

第1章　煤矸界面的自动识别技术研究概述 001 1.1　研究背景与意义 002 1.2　国内外煤矸界面识别研究现状 004 1.2.1　国外煤矸界面识别研究现状 006 1.2.2　国内煤矸界面识别研究现状 011 1.2.3　目前煤矸界面识别存在的问题 013 1.3　本书研究方法和主要内容 014 第2章　尾梁振动分析及实验系统 017 2.1　尾梁的振动分析 018 2.1.1　尾梁的自由振动 018 2.1.2　尾梁的受迫振动 020 2.2　信号的拾取 022 2.2.1　传感器的选用原则 022 2.2.2　振动信号传感器 023 2.2.3　声波信号传感器 024 2.3　实验系统概述及传感器安装 025 2.4　煤矸界面自动识别原理 030 2.5　现场综放工作面 031 第3章　基于局域波分解的振动信号特征提取与识别 035 3.1　Hilbert 变换 037 3.1.1　连续信号的Hilbert 变换 037 3.1.2　离散时间信号的Hilbert 变换 040 3.2　瞬时频率和固有模态函数 041 3.3　局域波分解过程 044 3.3.1　均值求法 044 3.3.2　分量提取 048 3.4　基于局域波分解的尾梁振动信号分析 049 3.4.1　尾梁振动信号的局域波分解 050 3.4.2　基于局域波分解的煤矸界面特征提取方法 052 3.4.3　振动信号的Hilbert 谱和边际谱分析 058 3.4.4　振动信号的距离判别方法 064 第4章　声波信号的时间序列建模与分析 071 4.1　时间序列基本原理 073 4.2　时间序列模型类型 075 4.2.1　AR 自回归模型 075 4.2.2　MA 滑动平均模型 076 4.2.3　ARMA 自回归滑动平均模型 076 4.2.4　ARIMA 自回归综合滑动平均模型 078 4.3　煤矸声波信号的时序建模 079 4.3.1　数据预处理 081 4.3.2　判定模型类型 083 4.3.3　模型参数估计 085 4.3.4　模型阶数 086 4.3.5　模型验证 089 4.4　基于ARMA 模型的双谱分析及其特征 092 4.5　基于ARMA 模型残差方差的煤矸界面特征 096 第5章　BP神经网络在煤矸界面识别中的应用 099 5.1　神经元模型和学习方式 100 5.1.1　人工神经元模型 101 5.1.2　学习方式及算法 103 5.2　振动信号的BP神经网络识别 103 5.2.1　BP 神经网络的设计 104 5.2.2　振动信号的识别 110 5.3　声波信号的BP神经网络识别 112 5.4　基于信息融合的识别方法 113 附录1　emd 分量峰值程序 117 附录2　边际谱分析程序 118 附录3　峰值函数程序 122