论文部分内容阅读
为提高焦煤惰质组显微组分分类的准确性,减少对分类器训练的人工干预,提出一种基于改进极限学习机(ELM)的焦煤惰质组显微组分分类方法。首先根据焦煤惰质组各显微组分在光特性及形貌特性上存在的差异及特点,从亮度、纹理等层面分别提取其显微图像中基于灰度统计分布的亮度比、均值、方差、偏度、一致性及峰度等6个亮度相关特征量和基于灰度共生矩阵的能量、熵、惯性矩、局部平稳性及最大概率等5个纹理相关特征量,构建11维初始特征量集,并采用主成分分析法(PCA)对初始特征进行抽取以降低特征空间维数、去除信息冗余;再将奇异值分解