行业分类-物理装置-多维度去交错后的TOA差分统计雷达信号分选方法.zip

行业分类-化学冶金-一种塑料分选生产线.zip

行业分类-化学冶金-喷吹设备检测方法及物料分选系统.zip

行业分类-化学冶金-枸杞干果分选除杂杀菌生产系统.zip

行业分类-化学冶金-电容凸包检测分选装置.zip

雷达信号分选程序，将灰关联分选和数据场理论相结合，分选概率得到提高

环境适应能力强、识别精度高是有效分离煤和矸石的前提。采用双能X射线透视煤和矸石并成像，避免了粉尘、光照强度和物料表面等外界因素影响。但双能X射线探测器采集射线能量数据存在余晖效应、厚度效应和射束硬化效应等缺陷。为降低缺陷影响，提高煤和矸石识别率，提出一种联合R值图像与高、低能图像特征对煤和矸石进行多维度分析的方法。首先基于双能X射线采集系统获取高、低能图像，并利用比值法得到R值图像；然后针对所获取的三种图像，研究煤和矸石密度及灰分含量等关键物性参数与图像特征关系，据此设计特征提取方案，共计提取8个特征参量，形成一种强特征组合；最后采用Relief算法度量每个特征参量的重要性，进而设计分类试验。以不同地区肥煤、焦煤、气煤和矸石为试验对象，观察剔除权重较低的特征后，分类模型准确率，发现以特征组合[ Rc, μlc, μl, R]为输入，PSO-SVM分类模型对三种煤混合矸石识别效果最佳，识别率为99.4%。结合PSO-SVM分类模型和[ Rc, μlc, μl, R]的特征组合对肥煤、焦煤和气煤分别混合矸石进行识别验证，结果表明：肥煤混合矸石识别率为98.89%，焦煤混合矸石识别率为100

自述文件 程序在参数中读取要读取的点数 文件的路径可以在函数 read_header 的第二个参数的 main.py 中的第 26 行设置，默认情况下，路径为 '../files/ALL.filtered' 结果写在程序根目录输出的文件名中，这可以在环境的初始参数中更改。 在 libpy/environment/class_env.py 中：构造函数为算法设置了几个常量 您可以更改块和兆块的长度，但其他常量应保持不变 The function set_overlap charge the overlap matrix from extern file, the path of the file must be set in argument in the function get_overlap. There are four overlap, currently only one

本文档记录了关于雷达分选所用到的一些常用信号参数；介绍了雷达分选的经典算法，并简要分析了各种方法的优缺点。

针对传统聚类算法在复杂多变的电磁环境中聚类质量低、参数需要预先人为设定、噪声孤立点难识别等问题，本文提出一种改进的数据场和决策图联合聚类算法。该算法主要是利用数据对象的势值和到最近大密度点的距离来实现自动确定聚类中心和聚类数目，并且能够有效地处理孤立的噪声点和快速地实现数据对象的聚类划分。文中设置12部雷达信号，包括常规雷达、参差雷达、抖动雷达、捷变频雷达等，其中设有脉宽、到达角、载频设置参数有相同或相近的雷达。经过仿真验证可以看出，改进的数据场和决策图联合聚类有更好的聚类效果。