针对采煤机智能化截割过程中煤岩识别精度低、稳定性差的问题，提出了一种基于高光谱成像技术的煤岩检测方案。此方案通过分析8种不同类型的煤岩样本（训练集800块、预测集200块），利用竞争性自适应重加权算法将光谱全波段降维至11个特征波长，形成光谱特征向量。同时，使用灰度共生矩阵描述煤岩的纹理特征，并选取对比度、能量、同质性三个参数值作为纹理特征向量。应用主成分分析（PCA）方法融合并剔除光谱与纹理特征中解释能力较差的特征信息，提升模型的预测性能。

具体而言，该方法通过偏最小二乘回归模型，利用预测集样本对六种特征向量（光谱全波段、CARS提取的特征波长、图像纹理、CARS提取的特征波长融合纹理特征、光谱全波段融合纹理特征、以及PCA融合特征波长与特征纹理特征）进行建模预测性能的对比分析。结果表明，PCA算法融合后的特征向量预测性能优异，R²达到0.912，RMSE为0.201，平均绝对误差MAE为0.151，准确率高达94%。这一方法有效地提高了煤岩识别的稳定性和可靠性，为智能化采煤机的研发和应用提供了关键技术支持。

如果您对高光谱成像技术感兴趣，可以参考《高光谱成像实验及其数据处理》，该文详细介绍了高光谱成像技术的实验设计与数据处理方法。关于PCA算法在识别中的应用，推荐阅读《PCA识别算法》，其中涵盖了PCA在各种识别任务中的优势及应用实例。

在智能化采煤领域，更多关于创新与管理的讨论，您可以查阅《煤矿智能化开采技术的创新与管理》。这将为您提供更全面的行业视角和技术洞察。