下载文档原格式
计算技术与自动化Computing Technology and Automation第40卷第1期2 0 2 1年3月Vol. 40,No. 1Mar. 2 02 1文章编号：1003-6199( 2021 )01-0109 — 05DOI ： 10. 16339/j. cnki. jsjsyzdh. 202101021基于LSM 和RELBP 的煤岩识别方法探讨张荣华t(国家能源集团上榆泉煤矿，山西河曲036500)摘 要：对当前煤岩识别方法的研究现状进行了介绍，并提出将最小二乘法模型(Least square model ,LSM)和融入平滑滤波思想的鲁棒扩展局部二值模式(Robust extended local binary Pattern ,RELBP)敵入煤岩识别领域。
对基于LSM 和RELBP 的煤岩识别方法的煤岩自动化识别技术(RELBP-LSM )进行了探讨。
结果表明：(1)当前的煤岩识别方法大多存在效果较差、稳定性欠佳、适用范围小等缺点，同时易受人为因素的影响；(2)以最小二乘法和局部二值模式为理论基础，建殳起RELBP-LSM 煤岩识别方法，并通过参数敏 感性分析，确定正则化参数;｛的最佳取值为10-3-5,优选模式数d 的最佳取值为500；(3)对不同方法的准确 识别率进行对比分析，认为RELBP-LSM 法不仅具有较高的准确识别率，同时能大大降低内存占用率，加快识别速率和效率。
关键词：煤岩；最小二乘法；局部二值法;RELBP-LSM ；参数敏感性；准确识别率中图分类号:TD632.1 文献标识码：ADiscussion on Coal Rock Identification Method Based on LSM and RELBPZHANG Rong-huat(Shangyuquan Coal Mine of CHN Energy , Hequ, Shanxi 036500,China)Abstract -This paper discusses the current research situation of coal and rock recognition methods , and puts forwardthat the least square model (LSM) and robust extended local binary pattern (RELBP) , which are integrated into the idea of smooth filtering , are integrated into the field of coal and rock recognition, and the coal and rock automatic recognition tech nology (RE1B) based on LSM and RELBP is applied to the field of coal and rock recognition P-LSM). The results show that ： (1) most o£ the current methods o£ coal rock identification have some disadvantages )such as poor effect , poor stability and small application scope, and are easily affected by human factors ； (2) based on the least square method and local binary model , the RELBP-LSM method of coal rock identification is established , and the best value of regularization parameter X is determined to be 10 — 3. 5 by parameter sensitivity analysis The best value of pattern number d is 500 ； (3) by comparing andanalyzing the accuracy of different methods , it is considered that RELBP-LSM method not only has a high accuracy of recog nition ,but also can greatly reduce the memory occupation rate and speed up the recognition rate and efficiency.Key words :coal rock ； least square method ; local binary method; RELBP-LSM ； parameter sensitivity ； accuracy recogni tion rate煤炭作为国家重要的能源资源，为国家工业的 发展提供源源不断的能量，加强煤炭的智能开采和加工，对于实现采煤机自动调高、综采放顶煤过程控制以及选煤厂煤歼快速分选具有重要的工程实 践意义"T 。
基于SVM的岩石镜下鉴定模式探究岩石镜下鉴定是地质学中重要的分析方法之一，其通过观察岩石样本的显微镜图像，来识别和表征岩石的组分、结构和特征。
由于岩石镜下鉴定对于鉴定者的经验和技能要求较高，且主观因素的干扰较大，导致其结果的准确性和稳定性不够。
基于机器学习算法的自动鉴定模式成为了一个研究的热点。
支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，它可以通过训练数据集来建立一个分类模型，并根据新的观测数据进行分类。
SVM的基本思想是将数据映射到高维空间中，并且在这个空间中找到一个最优的超平面来分隔不同的类别。
在岩石镜下鉴定模式中，我们可以将岩石样本的显微镜图像作为训练数据集的特征向量，以岩石的分类作为标签。
通过将这些数据输入SVM算法，我们可以建立一个岩石镜下鉴定的分类模型。
在这个模型中，不同的岩石类别将被映射到高维特征空间中的不同区域，从而实现对岩石的自动鉴定。
为了提高模型的准确性和稳定性，我们可以通过以下步骤对岩石镜下鉴定模式进行深入探究：1. 数据采集：收集大量的岩石显微镜图像，并对这些图像进行预处理，提取出图像的特征向量。
这些特征向量可以包括纹理特征、形状特征、颜色特征等。
2. 数据标注：对采集到的岩石显微镜图像进行标注，将不同的岩石类别与其对应的特征向量进行关联。
3. 数据划分：将标注好的数据集划分为训练集和测试集。
训练集用于训练SVM模型，测试集用于评估模型的性能。
4. 特征选择：通过特征选择算法，选择出对于岩石镜下鉴定最为重要的特征。
这样可以减少特征维度，提高模型的效率和准确率。
5. SVM模型训练：使用训练集对SVM模型进行训练，通过调整超参数来优化模型的性能。
6. 模型评估：使用测试集对已训练好的模型进行评估，计算出模型的准确率、召回率、F1值等指标。
通过以上步骤，我们可以建立一个基于SVM的岩石镜下鉴定模式。
该模式可以自动地、准确地识别和分类岩石样本，提高岩石镜下鉴定的效率和准确性。
基于LS-SVR岩石爆破块度预测史秀志;王洋;黄丹;史采星【摘要】为了准确预测小样本条件下露天矿山岩石的爆破块度,并得到小样本条件下预测露天矿山爆破块度的有效方法,借助最小二乘支持向量机工具(LS-SVMlab)构建基于最小二乘支持向量机回归(LS-SVR)预测模型并合理优化模型参数.分别使用15组露天矿山爆破数据和35组爆破数据作为小样本容量和正常样本容量,对模型的预测精度进行检验.结果表明:两种样本容量下LS-SVR预测模型的预测结果精度都比同样本容量下人工神经网络(ANN)回归预测的结果精度更高,说明所提出的LS-SVR模型适用于预测露天矿山爆破块度,并且在小样本条件下更具优势.【期刊名称】《爆破》【年(卷),期】2016(033)003【总页数】5页(P36-40)【关键词】支持向量机;最小二乘支持向量机回归;LS-SVMlab;岩石块度;小样本预测【作者】史秀志;王洋;黄丹;史采星【作者单位】中南大学资源与安全工程学院,长沙410083;中南大学资源与安全工程学院,长沙410083;中南大学资源与安全工程学院,长沙410083;中南大学资源与安全工程学院,长沙410083【正文语种】中文【中图分类】TD235岩石爆破破碎块度的研究一直以来都有重要的理论和实际意义，合适的预测爆破块度方法可以有效提供对爆破参数优化的依据[1]。
一方面,爆破块度及其分布规律是评价爆破效果的重要指标，由块度大小及其分布规律可以判断爆破效果的优劣；另一方面,通过对预测的爆破破碎规律的分析，可以为深入研究爆破破碎机理及优化爆破参数提供依据，达到优化爆破设计的目的[2]。
目前,对于岩石爆破破碎块度分布规律的研究主要采用实验统计方法[1-4],尚缺乏理论预测手段。
传统的统计学都是立足于样本数目足够多的前提下，该条件下所提出的各种预测方法只有在样本数趋向于无穷大时其性能才有理论上的保证[5]。
然而，由于爆破的成本、风险等因素导致实际统计的样本容量有限，这样就导致预测爆破块度问题是小样本的回归预测问题。
基于MATLAB的煤岩图像识别算法的研究0 引言图像识别是数字图像处理中的重要课题，也是计算机辅助进行煤岩分析的重要环节。
在煤的有机岩石学研究中，煤的显微组分的划分、识别及反射率的测定是一项必不可少的工作，煤的组分中镜质组、非镜质组以及粘结剂的识别尤为重要[1]。
由于镜质组在煤质判别中起主要作用，而且对于接下来进一步测定镜质组反射率也具有重要意义，所以本文重点介绍了识别镜质组的两种方法。
按照国家现行标准,煤岩显微组分的定量统计由人工进行操作,其优点在于由人眼辨认的测定对象分辨率高，不受其它组分、煤光片中的划痕等干扰，缺点为识别速度慢，与测定者的经验有关，费时费力，测定结果不统一。
上述现象一定程度上影响了煤岩学方法的推广和应用。
而将图像识别技术引入到人工煤岩成分识别的过程中，可以极大提高识别的同一性，从而减少个体差异和主观性[2]。
本文在分析单种煤的煤岩图像特性基础上，提出了一个快速、有效的提取方法，并运用MATLAB 软件对算法进行了仿真，实现了煤岩图像中粘结剂及镜质组的自动识别。
实验结果表明，利用本文所阐述的均匀度提取方法，可以快速、准确的实现煤岩图像镜质组的识别。
1 煤岩图像预处理本文将煤岩组分分为粘结剂、镜质组和非镜质组三种，成分识别的目的就是识别出图像中的这三种成分。
为了能更好的识别出镜质组，首先对粘结剂进行识别。
1.1 粘结剂的识别通过观察发现，曝光时间相同的煤岩图像中，粘结剂表现为背景色（其反射率比较低，一般小于0.3,在图像中表现为灰度较暗）；镜质组由于煤质的不同而有不同的灰度表现，但相对于粘结剂灰度要高，相对于非镜质组则一般要低；非镜质组是灰度最高的组分[3]。
根据此特点，可以采用阈值法对粘结剂进行识别[4]。
但是不同的样片，甚至是相同样片不同的视域，某些粘结剂区域其反射率大于0.3，而由于粘结剂也是均匀的，若不做处理，极可能将其误识为镜质组。
本文的解决方法是采用自适应阈值的方法得出一个参考阈值，并限定阈值的范围是[GR=0.3,GR=0.5]，超过范围的则取边界值。
基于改进粒子群优化LS-SVM的卫星钟差预报研究
刘继业;陈西宏;刘强;孙际哲
【期刊名称】《宇航学报》
【年(卷),期】2013(034)011
【摘要】针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化(PSO)最小二乘支持向量机(LS-SVM)的卫星钟差预报方法.通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度.选取国际GPS服务组织(IGS)产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路.
【总页数】7页(P1509-1515)
【作者】刘继业;陈西宏;刘强;孙际哲
【作者单位】空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051
【正文语种】中文
【中图分类】P228
【相关文献】
1.基于人工鱼群优化LS-SVM的卫星钟差预报 [J], 刘继业;陈西宏;刘强;孙际哲
2.基于改进粒子群优化LS-SVM的谐波源特性研究 [J], 汪洋;龚仁喜;贾僖泉;于槟华
3.基于改进灰色ARMA模型的卫星钟差短期预报研究 [J], 李晓宇;杨洋;胡晓粉;贾蕊溪
4.粒子群优化加权灰色回归组合的卫星钟差预报 [J], 于烨;黄默;段涛;王长元;胡锐
5.基于改进粒子群优化LS-SVM的短期风速预测 [J], 范曼萍;周冬
因版权原因，仅展示原文概要，查看原文内容请购买。
利用LS-SVM对天然地震与人工爆破识别研究
张诺男;高国明;徐丹;张晓宇;肖雯静
【期刊名称】《电脑知识与技术》
【年(卷),期】2018(014)009
【摘要】选取北京周边地区地震事件数据集为研究对象,首先对波形有效性进行判断,提取地震的S波衰减率和其频谱形态特征分析,利用最小二乘支持向量机(LS-SVM)对S波衰减率和频谱形态特征数据进行单一和组合分类识别.通过研究发现:利用地震S波衰减率对天然地震与人工爆破识别的正确率为87.76％,利用频谱形态特征识别正确率为97.96％,利用地震振幅比特征和S波衰减率特征共同判别时,正确率可达100％,采用单循环检测的方法时三种情况的正确识别率达到
81.63％,87.76％,97.76％.
【总页数】4页(P226-228,241)
【作者】张诺男;高国明;徐丹;张晓宇;肖雯静
【作者单位】河南省郑州地震台,河南郑州450016;哈尔滨工业大学,黑龙江哈尔滨150001;河南省地震局,河南郑州450016;河南省地震局,河南郑州450016;河南省郑州地震台,河南郑州450016
【正文语种】中文
【中图分类】TP311
【相关文献】
1.天然地震与人工爆破识别算法研究 [J], 卢世军;黄汉明
2.江苏地区天然地震与人工爆破识别研究 [J], 霍祝青;王俊;张金川;杨云
3.江苏地区天然地震与人工爆破识别研究 [J], 霍祝青;王俊;张金川;杨云;
4.天然地震与人工爆破特征识别研究综述 [J], 唐婷婷;余思;陈江贻
5.天然地震与人工爆破波形信号HHT特征提取和SVM识别研究 [J], 毕明霞;黄汉明;边银菊;李锐;陈银燕;赵静
因版权原因，仅展示原文概要，查看原文内容请购买。
基于最小二乘支持向量机测井识别火山岩类型以辽河盆地中基性火山岩为例随着石油勘探开采技术的不断发展，测井技术在油气勘探中起着重要的作用。
火山岩是一种常见的岩石类型之一，其具有较高的孔隙度和渗透性，对石油和天然气的储集和运移有较大的影响。
因此，准确识别火山岩类型对于油气勘探具有重要意义。
本文以辽河盆地中的基性火山岩为例，采用最小二乘支持向量机（Least Square Support Vector Machine, LS-SVM）方法，进行火山岩类型的识别。
首先，我们需要获取火山岩的录井曲线数据。
常用的录井曲线包括密度曲线、声波速度曲线、自然伽马曲线等。
这些曲线反映了不同物性参数的变化，可以用来判别不同岩石类型。
接下来，我们需要对录井曲线数据进行预处理。
预处理包括曲线平滑、去除噪声等步骤，以提高数据的质量和准确度。
然后，我们根据已有的岩石样本数据，对火山岩类型进行标注。
标注可以采用专业人员的经验判断，或者结合地震资料和岩心分析等辅助手段进行。
接着，我们将录井曲线数据和标注数据划分为训练集和测试集。
训练集用于建立最小二乘支持向量机模型，测试集用于评估模型的识别效果。
在建立模型时，我们首先选择适当的核函数和参数，通过交叉验证的方法进行优化调参。
然后，利用训练集数据进行模型训练，并进行模型的评估。
评估指标包括准确率、召回率、F1值等。
最后，我们利用训练好的模型对测试集数据进行火山岩类型的识别。
根据模型的输出结果，可以对辽河盆地中的基性火山岩进行准确的识别。
通过以上步骤，基于最小二乘支持向量机的测井识别方法可以有效地对辽河盆地中的基性火山岩进行识别。
该方法不仅可应用于火山岩的识别，还可推广到其他岩石类型的识别和油气勘探领域的其他问题中。
综上所述，本文基于最小二乘支持向量机方法对辽河盆地中的基性火山岩进行了测井识别，并探讨了具体实施步骤和注意事项。
该方法能够为油气勘探提供重要的技术支持和参考。
进一步研究的方向可以包括以下几个方面：1. 特征选择和提取：在火山岩类型的识别中，选择合适的特征对于提高分类准确率至关重要。
基于SVM的岩石薄片图像分类
程国建;殷娟娟
【期刊名称】《科技创新与应用》
【年(卷),期】2015(000)001
【摘要】支持向量机可以克服高维表示的缺陷，被广泛运用到图像分类中。
文章在研究图像特征的基础上，应用支持向量机的分类性能，实现了100个样本的分类，结果表明该实验分类准确率高，效果良好。
【总页数】1页(P38-38)
【作者】程国建;殷娟娟
【作者单位】西安石油大学计算机学院，陕西西安 710065;西安石油大学计算机学院，陕西西安 710065
【正文语种】中文
【相关文献】
1.基于SVM的花岗岩薄片图像石英分割方法研究
2.基于特征选择和SVMs的图像分类
3.一种基于SVMS的语义图像分类方法
4.基于概率神经网络的岩石薄片图像分类识别研究
5.含油岩石薄片的信息资料在确定驱油效果中的应用——含油砂岩薄片的油水微观特征研究之二
因版权原因，仅展示原文概要，查看原文内容请购买。
第27卷第5期岩石力学与工程学报V ol.27 No.5 2008年5月Chinese Journal of Rock Mechanics and Engineering May，2008 基于LS-SVM的岩石细观图像分析方法探讨刘延保1，曹树刚1，刘玉成1，2(1. 重庆大学西南资源开发及环境灾害控制工程教育部重点实验室，重庆 400044；2. 毕节学院，贵州毕节 551700)摘要：为了解决岩石细观力学试验中图像处理过程复杂、质量不高及操作效率低等问题，将LS-SVM的分类方法与数字图像处理的阈值分割法相结合，提出了人机结合的岩石细观结构图像系统分析方法。
该方法将图像分割问题转化为分类问题，通过对训练样本的学习，生成可将试验图像分类的LS-SVM分类机，从而提取岩石细观力学试验中得到的感兴趣区域的特征图像以及量化细观结构。
对花岗岩图像进行处理，处理后的结果表明，该方法可以获得高质量的岩石细观图像处理结果，处理准确率达到96.82%。
采用三步搜索法选取参数，能在保证图像处理质量的前提下提高参数选取速度；对训练样本进行稀疏化处理，可以提高分类效率，缩短分类时间；为了减小人为因素的影响，训练图像的选取应具有代表性，且在生成训练目标前需进行图像后处理。
关键词：岩石力学；细观结构；图像处理；最小二乘支持向量机；三步搜索法；稀疏化中图分类号：TU 452 文献标识码：A 文章编号：1000–6915(2008)05–1059–07DISCUSSION ON ANALYTICAL METHOD FOR LS-SVM BASEDMESOSCOPIC ROCK IMAGESLIU Yanbao1，CAO Shugang1，LIU Yucheng1，2(1. Key Laboratory for Exploitation of Southwest Resources and Environmental Disaster Control Engineering，Ministry ofEducation，Chongqing University，Chongqing400044，China；2. Bijie College，Bijie，Guizhou551700，China)Abstract：To deal with the problem of the complexity and low quality for the existing image processing methods in mesomechanical experiments of rocks，a man-computer method for image processing was put forward on the basis of the least squares support vector machines(LS-SVM) and image segmentation. In the algorithm，the image segmentation is transformed into the classification of LS-SVM. Through the learning of the training samples，the LS-SVM classifier，which can identify the experimental images，was produced. The characteristic images in the interesting regions are obtained in order to quantify the microstructures. The experimental results from analyzing the images of granite show that the proposed method has high averagely accuracy of 96.82% in practical detection. By using the three-step search method to select the parameters of LS-SVM，the scouting speed was greatly improved on the premise of ensuring the quality of image processing. The treatment of sparseness is beneficial for improving the efficiency of classifying，and shortening time of the work. In order to reduce the influences raised from human factors，the selection of training image should be representative；and the image post-processing should be carried out before the generation of the training target.Key words：rock mechanics；mesostructure；image processing；least squares support vector machines(LS-SVM)；three-step search(TTS)；sparseness收稿日期：2007–11–22；修回日期：2008–02–28基金项目：国家自然科学基金资助项目(50674111)作者简介：刘延保(1981–)，男，2004年毕业于重庆大学矿物资源工程专业，现为博士研究生，主要从事岩石细观力学试验方面的研究工作。
E-mail：cqulyb@• 1060 • 岩石力学与工程学报 2008年1 引言岩石材料存在不同阶次的随机分布微观孔隙和裂纹，其受载后的宏观断裂失稳和破坏与其内部微裂纹的分布以及微裂纹的产生、扩展和贯通有密切关系。
目前，在对岩石细观力学行为的研究中，如何将微结构的分布更准确地引入细观力学模型，从而将岩石材料的内部结构与宏观力学性质关联起来是研究的难点[1，2]。
在岩石细观力学试验研究中，获取岩石变形破坏的图像并对其进行分析是主要的研究手段。
随着计算机技术的迅速发展，应用数字图像处理技术量化细观结构，建立更为准确地描述岩石材料细观特征的非均质模型已成为当前研究的热点。
在应用图像处理技术时，图像分割是最为关键的环节。
利用图像分割方法可以把图像分割成若干个特定具有独特性质的区域，并提取出感兴趣目标，在此基础上可以对目标进行测量和分析，为进一步的力学分析提供必要的数据支持。
一些学者分别采用阈值分割、边缘检测、区域生长等图像分割算法开展了岩石细观图像处理方法的研究。
S. Chen等[3，4]提出了一种基于彩色空间的多阈值区域分割方法来提取花岗岩不同组分的图像特征。
岳中琦等[5，6]采用区域分割算法和边缘检测算法分别提取了香港花岗岩图像的真实细观结构和非均质土样的内部结构。
于庆磊等[7]通过将RGB 颜色空间的3种颜色分量进行阈值分割来检测材料的细观结构，达到对岩石非均匀性的表征。
朱珍德等[8]利用区域生长算法对大理岩的扫描电镜图像进行处理，提取细观结构信息。
徐文杰等[9]利用边缘检测技术，建立了土石混合体的细观结构概念模型。
这些方法对不同的特征信息采用相应的图像分割算法，在某种程度上，可以成功识别一些岩石图像特征。
但在实际研究中，图像的获取量是巨大的。
如朱珍德等[8]的研究结果中，仅一个观测面获取的SEM图像达到200张。
采用现行方法，需要人工逐一进行处理，图像处理的效率和质量易受到操作人员对图像处理软件熟练程度等因素的影响，导致工作效率低、图像识别准确率不高，降低了试验的可信度。
支持向量机(SVM)[10]是由Vapnik根据统计学习理论提出的一种机器学习方法。
在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果，并在许多领域都得到了成功的应用[11]。
近年来，J. A. K. Suykens等[12，13]提出最小二乘支持向量机方法，这种方法采用最小二乘线性系统作为损失函数，使求解过程变成解一组等式方程，求解速度相对加快，应用在模式识别和非线性函数估计中效果更好。
本文将LS-SVM应用到图像处理过程中，建立有关算法和模型，提出岩石细观结构图像的系统分析方法，以增加图像分析的质量和效率，为进一步力学分析提供可靠的依据。
2 基于LS-SVM的细观图像处理模型在岩石细观结构图像分析中，需要提取图像中的某一类或多类特征，如裂隙、组分及破坏面等。
基于LS-SVM的分类方法，与图像分割算法相结合建立细观图像处理模型，处理过程见图1。
图1 基于LS-SVM的图像处理过程Fig.1 Procedure of image processing based on LS-SVM首先，将原始图像输入计算机转化为数字图像，通过观察选取图中的一个代表性区域作为训练图像样本，利用现有的数字图像处理方法[3～9]对这一样本进行识别，完成后对初步处理结果进行图像变换、去噪和填空等后处理，待达到满意的效果后，用不同的颜色区分感兴趣区域。
对于只提取一类特征的情况，可直接生成二值化图像。
提取处理后图像样本点的特征作为训练目标，与训练图像一起组成训练样本集：S = {()1 2}i iy i l=x"，，，，，(niR∈x，iy R∈) (1)式中：ix为图像样本的特征向量，可以选取样本点的RGB分量、HSI分量、灰度和均值等；iy R∈为输出的类别号，分别代表不同的感兴趣图像区域，对应不同的颜色；l为训练样本的总数；n为输入向第27卷 第5期 刘延保，等. 基于LS-SVM 的岩石细观图像分析方法探讨 • 1061 •量的维数，本文选取RGB 值作为特征向量，则有3n =。
用一非线性映射()⋅φ把样本从原空间映射到高维特征空间，构造最优决策函数：T ()()f x b =+w x φ (2)式中：w 为权值向量，b 为阈值。
利用结构风险原则，选择i e 的二范数作为松弛变量，LS-SVM 优化问题变为T 211min ()22l i b e i J b e e γ==+∑w w w w ，，，， (T ()1 2i i i y b e i l =++=w x "，，，，φ) (3)式中：γ 为正则化参数，b 为常值偏差。
