CN106990066B - 一种鉴别煤炭种类的方法及装置 - Google Patents

一种鉴别煤炭种类的方法及装置 Download PDF

Info

Publication number
CN106990066B
CN106990066B CN201710096681.XA CN201710096681A CN106990066B CN 106990066 B CN106990066 B CN 106990066B CN 201710096681 A CN201710096681 A CN 201710096681A CN 106990066 B CN106990066 B CN 106990066B
Authority
CN
China
Prior art keywords
coal
hyperspectral data
visible near
classification model
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710096681.XA
Other languages
English (en)
Other versions
CN106990066A (zh
Inventor
孙雪剑
张立福
岑奕
张明月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710096681.XA priority Critical patent/CN106990066B/zh
Publication of CN106990066A publication Critical patent/CN106990066A/zh
Application granted granted Critical
Publication of CN106990066B publication Critical patent/CN106990066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种鉴别煤炭种类的方法及装置。所述方法包括S1，获取待测煤炭的可见近红外高光谱数据；S2，基于所述可见近红外高光谱数据，利用煤炭种类分类模型获取所述待测煤炭的种类信息。本发明直接对块状煤炭样本进行种类鉴别，无需进行破碎、混合、筛分等处理，简单快速且费用低；采用可见近红外谱段，增加样本的光谱信息量；并采用多层感知器分类模型，提高分类精度，真正意义上实现煤炭样品的无损种类鉴别，解决现有的可见近红外光谱分析技术的复杂的前期制样过程，以及鉴别谱段范围限制、信息量少的问题。

Description

一种鉴别煤炭种类的方法及装置
技术领域
本发明涉及光谱分析技术领域，更具体地，涉及一种鉴别煤炭种类的方法及装置。
背景技术
在我国，煤炭储备极为丰富，并且煤炭种类繁多，从低变质程度的褐煤到高变质程度的无烟煤都有储存。而不同种类的煤炭在工业生产和生活中具有不同的用途，因此煤炭生产中需要对煤炭种类进行鉴别，然后根据需要进行不同的生产处理。
目前，存在许多煤炭种类的快速分析方法，但它们均只能完成煤样的单项检测。进行煤炭种类的鉴别，需要综合多项检测进行综合分析，鉴别过程复杂且检验费用昂贵。近年来，国内外专家利用近红外光谱技术无损、分析快速的优势，建立分析模型得到高精度的煤质分析结果，且可对煤炭进行种类鉴别。然而上述方法仍需对煤炭样本尤其是块煤进行破碎、混合、筛分等一系列繁琐的制样过程，鉴别过程繁琐复杂且费用较高，且谱段范围局限在近红外谱段。因此急需一种简单、快速进行煤炭种类鉴别且费用低廉的方法。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的鉴别煤炭种类的方法及装置。
根据本发明的一个方面，提供一种鉴别煤炭种类的方法，包括：
S1，获取待测煤炭的可见近红外高光谱数据；
S2，基于所述可见近红外高光谱数据，利用煤炭种类分类模型获取所述待测煤炭的种类信息。
进一步，所述S2进一步包括：
S2.1，构建多层感知器结构，基于不同种类的煤炭的可见近红外高光谱数据，对所述多层感知器结构进行训练，获得煤炭种类分类模型；
S2.2，将所述待测煤炭的可见近红外高光谱数据输入所述煤炭种类分类模型，获取所述待测煤炭的种类信息。
进一步，所述S2.1进一步包括：
S2.1.1，构建由输入层、隐藏层和softmax分类器构成的多层感知器结构；
S2.1.2，基于不同种类的煤炭的可见近红外高光谱数据，定义不同种类的分类标签，获取带标签的训练样本；
S2.1.3，将所述带标签的训练样本去除标签信息后输入所述多层感知器结构，利用稀疏自编码网络对所述多层感知器结构进行预训练，以对所述多层感知器结构进行初始化；
S2.1.4，利用所述带标签的训练样本，对初始化后的多层感知器结构进行参数微调与优化，获得煤炭种类分类模型。
根据本发明的另一个方面，还提供一种鉴别煤炭种类的装置，包括获取模块和鉴别模块；
所述获取模块，用于获取待测煤炭的可见近红外高光谱数据；
所述鉴别模块，用于基于所述可见近红外高光谱数据，利用煤炭种类分类模型获取所述待测煤炭的种类信息。
本申请提出一种鉴别煤炭种类的方法及装置，通过采集不同种类的煤炭的光谱数据，并对所述光谱数据进行过滤以剔除异常数据获得样本，对样本进行光谱处理及噪声处理；利用处理后的样本数据对多层感知器结构进行训练与优化获得煤炭种类分类模型，利用所述模型可以快速的根据采集的煤炭光谱数据鉴别煤炭种类。本申请可以直接对块状煤炭样本进行种类鉴别，无需进行破碎、混合和筛分等处理，简单快速且费用低；采用可见近红外谱段，增加样本的光谱信息量；并采用多层感知器分类模型，提高分类精度，真正意义上实现煤炭样品的无损种类鉴别，填补现有技术中可见近红外光谱分析煤炭种类的空白，解决了现有技术中近红外光谱分析技术的复杂的前期制样过程，以及鉴别谱段范围限制、信息量少的问题。
附图说明
图1为本发明一种鉴别煤炭种类的方法流程图；
图2为本发明实施例煤炭种类分类模型示意图；
图3为本发明实施例不同种类的煤炭的可见近红外高光谱数据进行预处理后的光谱曲线示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，一种鉴别煤炭种类的方法，包括：
S1，获取待测煤炭的可见近红外高光谱数据；
S2，基于所述可见近红外高光谱数据，利用煤炭种类分类模型获取所述待测煤炭的种类信息。
本发明为解决现有技术的不足，提供一种利用煤炭的可见近红外高光谱数据，通过煤炭种类分类模型，简单快速的获取煤炭种类的方法。相比于现有技术，本发明只需要简单的获取煤炭的可见近红外高光谱数据，将所述可见近红外高光谱数据输入预先建立好的煤炭种类分类模型即可对煤炭种类进行鉴别，无需对待测煤炭进行破碎、混合和筛分等处理，极大的简化了鉴别处理过程。
作为一个可选的实施例，所述S2进一步包括：
S2.1，构建多层感知器结构，基于不同种类的煤炭的可见近红外高光谱数据，对所述多层感知器结构进行训练，获得煤炭种类分类模型；
S2.2，将所述待测煤炭的可见近红外高光谱数据输入所述煤炭种类分类模型，获取所述待测煤炭的种类信息。
本实施例中，通过构建多层感知器结构，利用采集的不同种类的煤炭的可见近红外高光谱数据对所述多层感知器结构进行训练，从而获得煤炭种类分类模型。所述煤炭种类分类模型可以实现对输入的待测煤炭的可见近红外高光谱数据快速的鉴别，输出待测煤炭的种类的相关信息。
作为一个可选的实施例，所述S2.1进一步包括：
S2.1.1，构建由输入层、隐藏层和softmax分类器构成的多层感知器结构；
S2.1.2，基于不同种类的煤炭的可见近红外高光谱数据，定义不同种类的分类标签，获取带标签的训练样本；
S2.1.3，将所述带标签的训练样本去除标签信息后输入所述多层感知器结构，利用稀疏自编码网络对所述多层感知器结构进行预训练，以对所述多层感知器结构进行初始化；
S2.1.4，利用所述带标签的训练样本，对初始化后的多层感知器结构进行参数微调与优化，获得煤炭种类分类模型。
如图2所示，本实施例中，多层感知器结构主要包括三个分层，即输入层、隐藏层和输出层。其中，输入层用于接收训练样本模型进行训练。选择合适的隐藏层的层数和各个隐藏层神经元的个数用于对煤炭的可见近红外高光谱数据进行训练建模，获得具有高精度且高效的煤炭种类分类模型。本实施例中隐藏层为2层结构，包括隐层1和隐层2，各隐层的神经元即隐藏节点可根据具体的应用及精度要求而定。本实施例中输出层为softmax分类器，用于输出对煤炭种类的最终鉴别结果。
本实施例中，对多层感知器结构的训练包括两部分，即S2.1.3的初始化训练和S2.1.4的优化训练。这两种训练对样本的要求不同，初始化训练即预训练时使用不带标签的训练样本，那么需要将得到的带标签的训练样本中的标签信息去除；而优化调整时直接使用带标签的训练样本。因而在开始训练之前需要对不同种类的煤炭的可见近红外高光谱数据进行分类，分类的前提是需要定义不同种类的分类标签，利用不同种类的分类标签对所采集的可见近红外高光谱数据分类，成为带标签的训练样本。
本实施例中所述分类标签，是指用数字来代表不同的煤炭产地名称，这样模型可以方便的对煤炭种类进行分类输出。每个分类标签用一个数字代表煤炭的产地名称，不同的煤炭产地对应不同的数字。
作为一个可选的实施例，所述S2.1.3进一步包括：
S2.1.3.1，在稀疏自编码网络中利用下式进行编码，即在隐藏层为一层时的编码过程如下：
h(x)＝f(W1x+b1)，
其中，h(x)为隐藏节点的激活值，f为非线性激活函数，W1为输入层到隐藏层的权值矩阵，b1为偏置值。
第二隐藏层的编码过程同第一隐藏层。
S2.1.3.2，利用下式对所述隐藏节点的激活值进行解码：
Figure BDA0001230487450000051
其中，
Figure BDA0001230487450000061
为输出向量，f为非线性激活函数，h为隐藏层节点的激活值，W2为隐藏层链接输出层的权重矩阵，b2为偏置值；
S2.1.3.3，利用下式依次计算隐藏神经元j的平均活跃度:
Figure BDA0001230487450000062
其中，j表示第j个隐藏神经元，m为输入的特征维度，
Figure BDA0001230487450000063
表示隐藏神经元j的激活度，x(i)为第i个特征。
ρ表示激活值稀疏性参数，使ρ接近0，近似的
Figure BDA0001230487450000064
作为隐藏节点j的激活值稀疏性的限制条件。
S2.1.3.4，利用惩罚因子对所述隐藏节点的激活值稀疏性进行限制，所述惩罚因子为
Figure BDA0001230487450000065
满足下式：
Figure BDA0001230487450000066
总体代价函数为：
Figure BDA0001230487450000067
其中，Jsparse(W,b)为总体代价函数，J(W,b)为自编码网络的代价函数，W为权重，b为偏置值，ρ为激活值稀疏性参数，ρj为平均活跃度，β为决定稀疏性惩罚因子的权重。利用惩罚因子使得不符合期望的情况被惩罚，进而隐藏神经元的活跃度处于较合适的范围。
本实施例所述S2.1.3利用不带标签的训练样本进行多层感知器结构进行初始化，得到初始参数即权重W和偏置值b，为下一步的参数微调和优化做准备。
作为一个可选的实施例，所述S2.1.4进一步包括：
选择模型优化器和隐藏层激活函数，设置学习率(lr)、批处理参数(batch_size)、迭代次数(epoch_number)、稀疏性参数和防止过拟合参数(Dropout)等，利用所述带标签的训练样本对初始化后的多层感知器结构进行优化，获得最优分类模型为所述煤炭种类分类模型；所述最优分类模型目标函数为：
Figure BDA0001230487450000071
其中，-∑xp(x)log(q(x))为交叉熵损失，p(x)是真实标签的概率，q(x)为模型预测的概率值；
Figure BDA0001230487450000072
为正则项，β为正则项权重，m为隐藏层的层数。
如前所述，
Figure BDA0001230487450000073
ρ表示激活值稀疏性参数；
Figure BDA0001230487450000074
且使其接近0，近似的ρj＝ρ作为隐藏节点j即隐藏神经元j的激活值稀疏性的限制条件。为限制隐藏层单元的激活值稀疏性，额外添加一惩罚因子
Figure BDA0001230487450000075
使得不符合期望的情况被惩罚，进而隐藏神经元的活跃度处于较合适的范围。
作为一个可选的实施例，所述S2.1.2进一步包括：
S2.1.2.1，剔除所述不同种类的煤炭的可见近红外高光谱数据中的异常数据，获取高光谱数据样本；
S2.1.2.2，对所述高光谱数据样本的噪声过大谱段进行截断去除处理；
S2.1.2.3，利用小波阈值去噪法对截断处理后的高光谱数据样本进行光谱噪声去除处理。
本实施例中煤炭的可见近红外高光谱数据并不是分类后直接用来对模型进行训练，而是需要经过预处理，包括剔除异常数据、去除样本数据中噪声过大谱段和去除光谱噪声处理。
具体的，S2.1.2.2中所述噪声过大谱段包括：所述高光谱数据样本的光谱的首尾部分，谱长分别为350-500nm和2350-2500nm；以及传感器衔接处谱长为900-1000nm和1800nm-1950nm的光谱。
以上所述350-500nm、2350-2500nm、900-1000nm和1800nm-1950nm位置的光谱噪声较大，为保证模型精度，需要从各个高光谱数据样本进行去除处理，未去除的光谱段保留在所述高光谱数据样本中。
具体的，S2.1.2.3中所述光谱噪声去除处理包括：
首先，选取母小波，确定分解层数为4层，并对所述高光谱数据样本进行小波分解，得到一系列小波系数；
其次，利用下式获取软阈值，对所述一系列小波系数进行阈值处理：
Figure BDA0001230487450000081
其中，H'为处理后的小波变换系数，H为处理前的小波变换系数，
Figure BDA0001230487450000082
其中σ为噪声的标准差，是对噪声水平的估计值，N为信号长度。
最后，对阈值处理后的小波系数进行小波逆变换，重构高光谱数据样本。
本实施例中阈值估计方法为启发式阈值选择法；选取合适的阈值，对小波分解得到的小波系数进行阈值处理；对最后得到的小波系数进行小波逆变换，重构出原信号。
作为一个可选的实施例，所述可见近红外高光谱数据通过地物波谱仪对煤炭进行光谱采集而获得；所述地物波谱仪的光谱覆盖范围为350-2500nm，光谱采样带宽为1.5nm，光谱分辨率为3.5nm。
本发明还提供一种鉴别煤炭种类的装置，包括获取模块和鉴别模块；
所述获取模块，用于获取待测煤炭的可见近红外高光谱数据；
所述鉴别模块，用于基于所述可见近红外高光谱数据，利用煤炭种类分类模型获取所述待测煤炭的种类信息。
在一个具体的建立煤炭种类分类模型的实施例中，包括以下几个步骤：
S101、获取煤炭样本光谱数据。
通过PSR-3500地物波谱仪对不同种类的煤炭进行光谱采集。利用PSR-3500地物波谱仪获取三种不同种类的煤炭光谱数据，三种煤炭分别来自于云南镇雄、贵州六盘水和福建龙岩。图3为三种煤炭的三条典型光谱曲线，且图中横轴表示波长(单位为：nm)、纵轴表示反射率(单位为：％)。
S102、进行光谱数据的预处理，选取训练样本和测试样本。
对采集的光谱数据进行异常数据的剔除，将剔除异常后的的光谱数据样本进行噪声过大谱段的截断处理。
其中噪声过大的谱段为光谱的首尾部分350-500nm，2350-2500nm和传感器衔接处900-1000nm，1800nm-1950nm部分，剩余波段数据量为682。
噪声光谱截断处理后，进行光谱噪声的去除处理。采用小波阈值去噪方法对光谱进行噪声去除。首先选取母小波，确定分解层数为4层，并对含噪信号进行小波分解，得到一系列小波系数；阈值处理方法选为软阈值法。
阈值估计方法选为启发式阈值选择法。根据合适的阈值，对小波系数进行阈值处理；对最后得到的小波系数进行小波逆变换，重构原信号。
定义不同种类的分类标签，按照训练样本和测试样本比例为3:7进行训练样本和测试样本数目的选取。
数据集如下表所示：
Figure DA00012304874550543
Figure DA00012304874550544
S103构建如图2所示的多层感知器结构，所述多层感知器结构由输入层、隐藏层(两层)和softmax分类器构成。输入的样本光谱数据共682维。将样本数据输入稀疏自编码网络进行预训练，此过程不需要标签。其网络结构分别为682-64-682和64-32-64。
稀疏自编码网络的训练过程如所述S2.1.3实施例；对所述多层感知器结构初始化后，进行参数微调和优化。本实施例中模型优化器使用“adam”，学习率为lr＝0.001，隐藏层使用激活函数为relu，输出层使用softmax进行多分类。其他参数：batch_size＝64(batchsize)，epoch_number＝2000(迭代次数)，稀疏参数＝10e-5(0.00005)，Dropout参数＝0.2(防止过拟合)。基于上述参数，使用测试样本对模型进行优化，即可得到最优分类模型，即煤炭种类分类模型。所述煤炭种类分类模型用于本发明通过对煤炭的可见CVSDEW近红外高光谱数据进行鉴别而获得所述煤炭的种类信息。
本发明提出一种鉴别煤炭种类的方法及装置，通过采集不同种类的煤炭的光谱数据，并对所述光谱数据进行过滤获得样本，对样本进行光谱处理及噪声处理；利用处理后的样本数据对多层感知器结构进行训练与优化获得煤炭种类分类模型，利用所述模型可以快速的根据采集的煤炭光谱数据鉴别煤炭种类。本申请可以直接对块状煤炭样本进行种类鉴别，无需进行破碎、混合和筛分等处理，简单快速且费用低；采用可见近红外谱段，增加样本的光谱信息量；并采用多层感知器分类模型，提高分类精度，真正意义上实现煤炭样品的无损种类鉴别，解决现有的可见近红外光谱分析技术的复杂的前期制样过程，以及鉴别谱段范围限制和信息量少的问题。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种鉴别煤炭种类的方法，其特征在于，包括：
S1，获取待测煤炭的可见近红外高光谱数据；
S2，基于所述可见近红外高光谱数据，利用煤炭种类分类模型获取所述待测煤炭的种类信息；
其中，所述可见近红外高光谱数据为光谱反射率数据；
所述S2进一步包括：
S2.1，构建多层感知器结构，基于不同种类的煤炭的可见近红外高光谱数据，对所述多层感知器结构进行训练，获得煤炭种类分类模型；
S2.2，将所述待测煤炭的可见近红外高光谱数据输入所述煤炭种类分类模型，获取所述待测煤炭的种类信息；
所述S2.1进一步包括：
S2.1.1，构建由输入层、隐藏层和softmax分类器构成的多层感知器结构；
S2.1.2，基于不同种类的煤炭的可见近红外高光谱数据，定义不同种类的分类标签，获取带标签的训练样本；
S2.1.3，将所述带标签的训练样本去除标签信息后输入所述多层感知器结构，利用稀疏自编码网络对所述多层感知器结构进行预训练，以对所述多层感知器结构进行初始化；
S2.1.4，利用所述带标签的训练样本，对初始化后的多层感知器结构进行参数微调与优化，获得煤炭种类分类模型。
2.如权利要求1所述的方法，其特征在于，所述S2.1.3进一步包括：
S2.1.3.1，在稀疏自编码网络中利用下式进行编码：
h(x)＝f(W1x+b1)，
其中，h(x)为隐藏节点的激活值，f为非线性激活函数，W1为输入层到隐藏层的权重，b1为偏置值；
S2.1.3.2，利用下式对所述隐藏节点的激活值进行解码：
Figure FDA0002253208080000021
其中，
Figure FDA0002253208080000022
为输出向量，f为非线性激活函数，h为隐藏层节点的激活值，W2为隐藏层链接输出层的权重，b2为偏置值；
S2.1.3.3，利用下式依次计算隐藏神经元j的平均活跃度：
Figure FDA0002253208080000023
其中，j表示第j个隐藏神经元，m为输入的特征维度，
Figure FDA0002253208080000024
表示隐藏神经元j的激活度，x(i)为第i个特征；
ρ表示激活值稀疏性参数，使ρ接近0，近似的
Figure FDA0002253208080000025
作为隐藏节点j的激活值稀疏性的限制条件；
S2.1.3.4，利用惩罚因子对所述隐藏节点的激活值稀疏性进行限制，所述惩罚因子为
Figure FDA0002253208080000026
满足下式：
Figure FDA0002253208080000027
总体代价函数为：
Figure FDA0002253208080000028
其中，Jsparse(W,b)为总体代价函数，J(W,b)为自编码网络的代价函数，W为权重，b为偏置值，ρ为激活值稀疏性参数，ρj为平均活跃度，β为决定稀疏性惩罚因子的权重。
3.如权利要求1所述的方法，其特征在于，所述S2.1.4进一步包括：
选择模型优化器和隐藏层激活函数，设置学习率、批处理参数、迭代次数、稀疏性参数和防止过拟合参数，利用所述带标签的训练样本对初始化后的多层感知器结构进行优化，获得最优分类模型为所述煤炭种类分类模型；所述最优分类模型目标函数为：
Figure FDA0002253208080000031
其中，-∑xp(x)log(q(x))为交叉熵损失，p(x)是真实标签的概率，q(x)为模型预测的概率值；
Figure FDA0002253208080000032
为正则项，β为正则项权重，m为隐藏层的层数。
4.如权利要求1所述的方法，其特征在于，所述S2.1.2进一步包括：
S2.1.2.1，剔除所述不同种类的煤炭的可见近红外高光谱数据中的异常数据，获取高光谱数据样本；
S2.1.2.2，对所述高光谱数据样本的噪声过大谱段进行截断去除处理；
S2.1.2.3，利用小波阈值去噪法对截断处理后的高光谱数据样本进行光谱噪声去除处理。
5.如权利要求4所述的方法，其特征在于，S2.1.2.2中所述噪声过大谱段包括：所述高光谱数据样本的光谱的首尾部分，谱长分别为350-500nm和2350-2500nm；以及传感器衔接处谱长为900-1000nm和1800nm-1950nm的光谱。
6.如权利要求4所述的方法，其特征在于，S2.1.2.3中所述光谱噪声去除处理包括：
首先，选取母小波，确定分解层数为4层，并对所述高光谱数据样本进行小波分解，得到一系列小波系数；
其次，利用下式获取软阈值，对所述一系列小波系数进行阈值处理：
Figure FDA0002253208080000041
其中，H'为处理后的小波变换系数，H为处理前的小波变换系数，
Figure FDA0002253208080000042
其中σ为噪声的标准差，是对噪声水平的估计值，N为信号长度；
最后，对阈值处理后的小波系数进行小波逆变换，重构高光谱数据样本。
7.如权利要求1所述的方法，其特征在于，所述可见近红外高光谱数据通过地物波谱仪对煤炭进行光谱采集而获得；所述地物波谱仪的光谱覆盖范围为350-2500nm，光谱采样带宽为1.5nm，光谱分辨率为3.5nm。
8.一种鉴别煤炭种类的装置，其特征在于，包括获取模块和鉴别模块；
所述获取模块，用于获取待测煤炭的可见近红外高光谱数据；
所述鉴别模块，用于基于所述可见近红外高光谱数据，利用煤炭种类分类模型获取所述待测煤炭的种类信息；
其中，所述可见近红外高光谱数据为光谱反射率数据；
所述鉴别模块具体用于构建多层感知器结构，基于不同种类的煤炭的可见近红外高光谱数据，对所述多层感知器结构进行训练，获得煤炭种类分类模型；将所述待测煤炭的可见近红外高光谱数据输入所述煤炭种类分类模型，获取所述待测煤炭的种类信息；
所述构建多层感知器结构，基于不同种类的煤炭的可见近红外高光谱数据，对所述多层感知器结构进行训练，获得煤炭种类分类模型具体包括：构建由输入层、隐藏层和softmax分类器构成的多层感知器结构；基于不同种类的煤炭的可见近红外高光谱数据，定义不同种类的分类标签，获取带标签的训练样本；将所述带标签的训练样本去除标签信息后输入所述多层感知器结构，利用稀疏自编码网络对所述多层感知器结构进行预训练，以对所述多层感知器结构进行初始化；利用所述带标签的训练样本，对初始化后的多层感知器结构进行参数微调与优化，获得煤炭种类分类模型。
CN201710096681.XA 2017-02-22 2017-02-22 一种鉴别煤炭种类的方法及装置 Active CN106990066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710096681.XA CN106990066B (zh) 2017-02-22 2017-02-22 一种鉴别煤炭种类的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710096681.XA CN106990066B (zh) 2017-02-22 2017-02-22 一种鉴别煤炭种类的方法及装置

Publications (2)

Publication Number Publication Date
CN106990066A CN106990066A (zh) 2017-07-28
CN106990066B true CN106990066B (zh) 2020-03-13

Family

ID=59414157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710096681.XA Active CN106990066B (zh) 2017-02-22 2017-02-22 一种鉴别煤炭种类的方法及装置

Country Status (1)

Country Link
CN (1) CN106990066B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965121B (zh) * 2020-08-25 2023-03-21 吉林大学 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法
CN115646848A (zh) * 2022-10-21 2023-01-31 微山金源煤矿 一种煤矿智能分类方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004088A (zh) * 2010-11-09 2011-04-06 清华大学 一种基于神经网络的煤质特性在线测量方法
CN104050507A (zh) * 2014-06-30 2014-09-17 南京理工大学 基于多层神经网络的超光谱图像分类方法
CN104390928A (zh) * 2014-10-24 2015-03-04 中华人民共和国黄埔出入境检验检疫局 一种掺杂掺假煤炭的近红外光谱识别方法
CN105445222A (zh) * 2016-01-19 2016-03-30 中国矿业大学(北京) 一种利用近红外高光谱图像识别涂料的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001116689A (ja) * 1999-10-15 2001-04-27 Japan Science & Technology Corp 石炭の水分値推定方法
CN104390927B (zh) * 2014-10-24 2017-11-03 中华人民共和国黄埔出入境检验检疫局 煤炭样品中灰分的快速检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004088A (zh) * 2010-11-09 2011-04-06 清华大学 一种基于神经网络的煤质特性在线测量方法
CN104050507A (zh) * 2014-06-30 2014-09-17 南京理工大学 基于多层神经网络的超光谱图像分类方法
CN104390928A (zh) * 2014-10-24 2015-03-04 中华人民共和国黄埔出入境检验检疫局 一种掺杂掺假煤炭的近红外光谱识别方法
CN105445222A (zh) * 2016-01-19 2016-03-30 中国矿业大学(北京) 一种利用近红外高光谱图像识别涂料的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于栈式自编码的水体提取方法》;王知音等;《计算机应用》;20150910;第35卷(第9期);正文第2707页 *
《基于深度学习的高光谱遥感图像分类》;邢晨;《中国优秀硕士论文全文数据库》;20170215;第1-3章 *

Also Published As

Publication number Publication date
CN106990066A (zh) 2017-07-28

Similar Documents

Publication Publication Date Title
CN109493287B (zh) 一种基于深度学习的定量光谱数据分析处理方法
CN107230196B (zh) 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法
CN109870421B (zh) 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法
CN104392242A (zh) 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN105372198B (zh) 基于集成l1正则化的红外光谱波长选择方法
CN111275198A (zh) 一种轴承异常检测方法及系统
CN103310230A (zh) 联合解混及自适应端元提取的高光谱图像分类方法
CN106990066B (zh) 一种鉴别煤炭种类的方法及装置
CN113378971B (zh) 近红外光谱的分类模型训练方法、系统及分类方法、系统
CN111222442A (zh) 一种电磁信号分类方法和装置
CN108256557B (zh) 结合深度学习和邻域集成的高光谱图像分类方法
CN103761537A (zh) 基于低秩优化特征字典模型的图像分类方法
CN107133653A (zh) 一种基于深度阶梯网络的高分辨sar图像分类方法
CN116312860B (zh) 基于监督迁移学习的农产品可溶性固形物预测方法
CN117369418A (zh) 数控机床进给系统故障诊断方法、系统、存储介质及设备
CN108108758A (zh) 面向工业大数据的多层增量特征提取方法
CN111950465A (zh) 基于sae-cnn的sar图像洪水检测和预防方法
CN112434590A (zh) 一种基于小波变换的sar影像风条纹识别方法
CN117034153A (zh) 基于三维变分模态分解特征融合的铣削刀具磨损识别方法
CN109447009B (zh) 基于子空间核范数正则化回归模型的高光谱图像分类方法
CN111104876A (zh) 一种基于神经网络的红外光谱反卷积方法
US20230012917A1 (en) Low contrast non-referential defect detection
CN112950566B (zh) 一种风挡破损故障检测方法
CN114863286A (zh) 一种基于多算法协同选优的混合废塑料分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant