CN108197703A - 动态补偿模糊神经网络的煤矸识别方法 - Google Patents
动态补偿模糊神经网络的煤矸识别方法 Download PDFInfo
- Publication number
- CN108197703A CN108197703A CN201810201426.1A CN201810201426A CN108197703A CN 108197703 A CN108197703 A CN 108197703A CN 201810201426 A CN201810201426 A CN 201810201426A CN 108197703 A CN108197703 A CN 108197703A
- Authority
- CN
- China
- Prior art keywords
- coal
- domain
- fuzzy
- input
- output
- 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.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 90
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 239000011435 rock Substances 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 33
- 239000000523 sample Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 102100035971 Molybdopterin molybdenumtransferase Human genes 0.000 claims 4
- 101710119577 Molybdopterin molybdenumtransferase Proteins 0.000 claims 4
- 230000002285 radioactive effect Effects 0.000 claims 3
- 238000011156 evaluation Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 25
- 230000008569 process Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 229910052622 kaolinite Inorganic materials 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 description 1
- 229910052683 pyrite Inorganic materials 0.000 description 1
- 239000011028 pyrite Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/421—Imaging digitised image, analysed in real time (recognition algorithms)
Abstract
本发明针对传统煤矸识别方法精确度低、工作量大等问题,公开了一种基于动态补偿模糊神经网络的煤矸识别方法。主要突破了传统方法上的煤矸识别方法,解决了煤矸识别的精度问题,该方法利用动态补偿模糊神经网络的学习算法降低误差率,并通过仿真实验对动态补偿模糊神经网络的分选系统进行较为详细的描述。实验结果表明:动态补偿模糊神经网络的算法能够达到研究的需求,高效准确的识别煤和矸石,使系统具有了较好的泛化能力。
Description
技术领域
本发明涉及一种煤矸识别方法,具体地说,是涉及一种动态补偿模糊神经网络的煤矸识 别方法。
背景技术
在我国,煤炭是重要的资源,在煤炭开采的同时,煤种不可避免的存在矸石。矸石与煤 是同时形成的,然而叫煤来说,它是一种含碳量低,颜色深,硬度大的岩石,在洗煤过程中 往往被当作杂质来排放。矸石的密度大、发热量小,会对原煤的质量造成严重的影响。因此 将煤与矸石分开不仅可以提高煤的利用效率,同时也符合安全生产的要求。
在煤炭生产中,直接开采出来的未经过任何加工的煤炭被称之为原煤。原煤不可避免的 要含有一些其他的物质,最常见的就是矸石,在洗煤过程中往往被当作杂质排放出来。矸石 的主要来源为:
1)巷道掘进中产生的矸石,一般占原煤产量的10%左右,主要由页岩、粉砂岩、砂岩、 石灰岩等构成。
2)采掘过程中从顶板、底板和夹层中开采出来的矸石。
3)选煤或者洗煤过程中产生的矸石,一般称之为洗矸石,其大概占原煤产量的10%~12%。 洗矸石主要是由煤层中的各类杂石组成的,如高岭石、黄铁矿、黏土岩等。
我国的煤炭资源丰富,其产量巨大,与此同时,矸石的排出量也是相当巨大的。矸石的 密度很大,但是发热量很小,对原煤质量造成严重影响。在电力用煤中,矸石大量混于煤中, 不仅会给电厂带来直接的经济损失,而且会给锅炉等设备的安全造成严重的影响。中国积存 矸石达10亿吨以上,而且每年还将排除矸石1亿吨左右,如果对矸石不进行合理的利用,不但 占地,而且干事还十分容易发生自燃,导致火灾,给人们的生命财产安全带来威胁,然而, 从资源的综合利用等方面来说,矸石中的某些成分又可以被提炼出来为人们所用,因此煤与 矸石的分选是在煤炭开采之后一项必不可少的步骤,只有将煤与矸石分开,才能够做到物尽 其用,充分发挥二者各自的作用。
煤矸石分选的方法有很多,一般来说以干法选煤与湿法选煤为主。干法选煤主要是依据 煤与矸石物理性质的不同对二者进行分选,所说的物理性质主要指的是煤矸的密度、灰度、 纹理、硬度、辐射性、导磁性以及摩擦系数等。近几年来模糊神经网络的应用成为很多领域 研究的重点,模糊神经网络在煤矸识别上的研究也在不断地得到改善。煤矸识别即是对不同 粒状的煤和矸石的组成进行区分,利用模糊神经网络可以较好的优化煤与矸石之间的无明显 分界线的问题。将神经网络应用于模糊系统中,可以建立一种基于标准模型的模糊神经网络 建模方法的应用系统。
相比于传统的繁琐、精确度较低的煤矸识别的方法,模糊神经网络系统通过学习训练确 定系统中的隶属函数和模糊规则。引入动态补偿模糊神经网络,将补偿神经元引入,使得起 代替原有的神经元,从而使网络学习的容错性更好,其泛化能力也更好,再加上模糊神经网 络自身的优势,使得此系统更精准,更优化。
发明内容
本发明的目的在于提供一种基于动态补偿模糊神经网络的煤矸识别的方法,该识别方法 利用动态补偿模糊神经网络的优势,使煤矸识别技术更加优化,精确度进一步提高。
本发明所述的动态补偿模糊神经网络的煤矸识别方法采用如下的技术方案的实现,包括 样本离线训练和在线识别阶段,具体步骤如下:
A.对典型的原煤进行X射线的透射,构成一定的测量空间域,对探测到的测量空间域内 的信号进行放大处理,再滤波成形。然后由数据预处理办法对其进行筛选和分组,构成已知 的类别样本,再从这些样本中抽取具有典型原煤特征的数据作为固有的特征向量集输入在模 糊神经网络分选系统中,利用其传入特征值得到其期望输出y,不断地进行训练和评价,直至 得到最佳的效果,并将此时由网络参数求得的相应的模糊规则表传送至判决系统中。
B.含有不同成分矸石的煤炭经过X射线的照射所构成的测量空间域,其测量数据经过预 处理组成待测样本集合,从该待测样本集合中抽取部分特征向量集,由模糊表的成分判定后 给出结果,通过对控制单元发出相应的信号来进行执行。
C.系统的输入量设为x=[x1,x2,x3,...,xn]T,通过模糊控制器将输入值转换为相应的模糊语 言变量,而模糊语言变量是一个模糊集合。例如X是对象x的集合,则X的模糊集合 A={(x,μA(x))|x∈X},其中μA称为模糊集合A的隶属函数,μA(x)表示论域X中的元素x属于模糊集合A的程度或等级。单点模糊集合是在改隶属度只在x处为1,在其余各点处均为0。煤矸识别系统中输入量所对应的模糊化集合为其 中是xi的第j个语言变量值,它是定义在模式特征量论域Ui上的一个模糊 集合。相应的隶属函数为n是输入量的维数;mi是xi的模糊分 割数)。系统的输出向量为y=[y1,y2,y3,...,yn]T,且每个分量也均为模糊语言变量。且 其中是yi的第j个语言变量值,它 是定义在模式类型论域Ui上的一个模糊集合。
D.一个模糊神经网络有六层结构:输入层、模糊化层、模糊推理层、归一化层、补偿层 和输出层。第一层为输入层。在输入层中,神经元仅仅是将外部输入引入网络,不执行任何 的信息处理。输入量用x=[x1,x2,x3,…,xn]T来表示。第二层为模糊化层。本层根据定义的模糊 隶属函数对输入进行模糊化处理,fij是第i个输入变量的第j个隶属函数。该系统选择了隶属 度函数为高斯函数来表示,即:
其中,μij是xi的第j个隶属函数,cij和σj分别表示的是xi的第j个隶属函数的中心和宽 度,n是输入变量数,u是系统隶属函数的个数。第三层为模糊推理层,每个结点代表着一条 模糊规则,该层节点数反映了了模糊规则数。第j个规则的输出为:
第四层为归一化层,称这些节点为N节点。N节点数与模糊规则节点数相等。第j个节 点Nj的输出为:
第五层为消极-积极补偿运算层,补偿模糊神经元的个数与模糊规则节点数相同。第j个 节点Cj的输出如下式:
其中,γ是补偿度,γ∈[0,1]。
该层采用的是一种基于积极运算和消极运算的补偿运算。积极运算时,能够将输入映射 到最好的输出,为最好的输出制定一个乐观的决策;消极运算正好相反,它能够将输入映射 到最坏的输出,为最坏的输出制定一个保守的决策。补偿运算则是映射最好的输入和最坏输 入到补偿输出,介于最好输入和最坏输入制定一个这种的决策。其中,积极运算表示为:
ActiveOp=[Πφj]1/n,j=1,2,…,u
消极运算表示为:
PassiveOp=Πφj,j=1,2,…,u
那么,补偿运算为:
引入补偿运算,提高了网络的容错性能,使得网络系统更加的稳定,在本层中补偿度的 选择很重要,补偿度的过大或者过小都影响训练的速度和实验的结果,所以需要通过多次的 实验来选择其合适的补偿度。第六层是输出层,执行的是去模糊化操作,该层的每个结点代 表着一个输出,该输出是所有输入的叠加,表示为:
其中,ωji是第j个补偿模糊神经元到第i个输出神经元的权值。系统中定义误差代价函数为:
C.动态补偿模糊神经网络中的模糊规则不是预先设定的,在学习开始前没有一条特定的 模糊规则,模糊规则是根据学习过程逐渐增加而形成的。对于一个系统,如果规则数太少, 则会影响其输入输出的状态空间;然而,过多的规则又会增加其系统的复杂度,增加计算的 负担,导致动态补偿模糊神经网络的泛化能力下降。所以一个规则的设定非常重要,其中, 系统输出误差和高斯覆盖范围是确定新规则是否加入的重要条件。
定义系统误差表示为:
||li||=||ti-yi||
其中,ti是第i个观测数据Xi的期望输出,yi是Xi经过现有动态补偿模糊神经网络训练的实 际输出,||li||即为系统的实际误差。kl为事先设定的动态补偿模糊神经网络的期望精度,比 较系统误差与期望精度,若系统误差达到了期望精度,则不需要增加新的模糊规则,反之, 当||li||≥kl时,则需要增加新的规则。
对于高斯函数,当输出随着中心距离的增加而递减时,说明此高斯函数具有良好的局部 特性。当一个动态补偿模糊神经网络的输入变量的隶属函数采用高斯函数时,整个输入空间 是由一系列的高斯函数划分的,如果一个新样本位于已经存在的高斯函数覆盖范围内,说明 该样本可以用已有的高斯函数来代替,那么此动态神经网络不需要增加新的高斯单元。高斯 覆盖范围又称为容纳边界,通过比较最小距离dmin与预先设定的可容纳边界的有效半径kd, 当dmin>kd时,观测数据Xi无法被现有的高斯函数所覆盖,需要增加新的规则来使观测数据 处在高斯函数的覆盖范围内,若dmin<kd时,则不需要添加新规则。其中,dj为新样本的输 入值Xj和现有的高斯函数的中心Cj之间的距离,表示为:
dj(j)=||Xj-Cj||j=1,2,…,u
u为现有的模糊规则数,接着找出其中最小的距离dmin,即:
dmin=argmin(di(j))
可容纳边界随着学习训练的不断增加而逐渐减小,可容纳边界的有效值和误差的期望精 度采用动态调节:
kl=max[lmax×β,lmin]
kd=max[dmax×γ,dmin]
其中,lmax是预先设定的最大误差,lmin是设定的系统的期望精度,β是收敛常数(0<β<1), dmax是输入空间的最大长度,dmin是计算得到的最小距离,γ是衰减常数(0<γ<1)。
附图说明
图1是本发明标准模糊神经网络下的煤矸识别系统机构示意图;
图2是本发明的模糊神经网络结构图;
图3是本发明的动态补偿模糊神经网络算法流程图;
图4是本发明的识别阈值图;
具体实施方式
下面结合上述附图中所列的实施例对本发明进行进一步说明。
A.在煤矿井下采掘工作面或其他可能发生煤炭采掘活动的地点放置多个X射线放射源 与多个X射线探头,设置不同的X射线探头获取的X射线强度不同;
B.通过所述的多个X射线探头采集穿透煤炭后的X射线强度值xi(i=1,2,…,n),其中,xi代表第i个X射线探头采集到的X射线强度值;
C.将监测数据得到的X射线强度值xi传送至数据监测分析仪,所述数据监测分析仪采 用模糊神经网络算法,将X射线强度值xi作为模糊神经网络的输入,分析运输中的煤炭的煤 矸石含量;
D.分析后输出的煤矸石含量数据传送至煤矸分选机、皮带控制器或其他可进行煤矸分类 的设备;不同煤矸石分类控制器设定不同的煤矸石含量阈值,若输出数据值大于阈值,则输 出为煤;若输出数据值小于阈值,则输出为矸石;
E.系统的输入量设为x=[x1,x2,x3,...,xn]T,通过模糊控制器将输入值转换为相应的模糊 语言变量,而模糊语言变量是一个模糊集合。例如X是对象x的集合,则X的模糊集合 A={(x,μA(x))|x∈X},其中μA称为模糊集合A的隶属函数,μA(x)表示论域X中的元素x属于模糊集合A的程度或等级。单点模糊集合是在改隶属度只在x处为1,在其余各点处均为0。煤矸识别系统中输入量所对应的模糊化集合为其中是xi的第j个语言变量值,它是定义在模式特征量论域Ui上的一个模糊集合。 相应的隶属函数为n是输入量的维数;mi是xi的模糊分割数 )。系统的输出向量为y=[y1,y2,y3,...,yn]T,且每个分量也均为模糊语言变量。且其中Bi j(j=1,2,…,my)是yi的第j个语言变量值, 它是定义在模式类型论域Ui上的一个模糊集合。
F.通过初始化,设定系统的预定义参数值。第一个输入值X1的输入后,产生第一条规则。 任意一个数据Xiti(i>1)进入系统后开始网络训练,寻找最小值dmin且计算出最小误差li。接 着判断dmin>kd与否。同时不满足li>kl和dmin>kd时,做如下处理:
(1)li≤kl,dmin≤kd时,动态补偿模糊神经网络只需要调整权值,不需要新的规则。
(2)li≤kl,dmin>kd时,可以容纳输入变量,只需要调整权值。
(3)li>kl,dmin≤kd时,系统的泛化性能不好,不仅需要调节权值,还需要对接近的Xj的第k个高斯单元的宽度进行调整,使用如下调整方式:
其中kw时预先设定的常数,且kw>1。
在网络训练过程中,重要的是计算误差下降率ηi,ηi表示第i个规则的重要性,ηi越大, 代表越重要。通过比较误差下降率与与预先设定的阈值kerr的大小来判断新规则的重要性,若 误差下降率小于设定的阈值则说明新产生的规则并不重要,可以忽略。
本发明设计了一种基于动态补偿模糊神经网络的煤矸识别方法,降低了学习的误差率, 进而提高了煤矸分选的精度,高效准确的识别煤和矸石,使系统具有较好的泛化能力,更有 利于煤矸的精确识别。
以上所述仅为本发明较佳的实施方式,但本发明的保护范围并不局限于此,但凡熟悉本 领域的技术人员在本发明揭露的技术范围内,所作的等效修饰或变换,都应涵盖在本发明的 保护范围之内。
Claims (6)
1.一种基于动态补偿模糊神经网络的煤矸识别方法,其特征在于:
A.在煤矿井下采掘工作面或其他可能发生煤炭采掘活动的地点放置多个X射线放射源与多个X射线探头,设置不同的X射线探头获取的X射线强度不同;
B.通过所述的多个X射线探头采集穿透煤炭后的X射线强度值xi(i=1,2,…,n),其中,xi代表第i个X射线探头采集到的X射线强度值;
C.将监测数据得到的X射线强度值xi传送至数据监测分析仪,所述数据监测分析仪采用模糊神经网络算法,将X射线强度值xi作为模糊神经网络的输入,分析运输中的煤炭的煤矸石含量;
D.分析后输出的煤矸石含量数据传送至煤矸分选机、皮带控制器或其他可进行煤矸分类的设备;不同煤矸石分类控制器设定不同的煤矸石含量阈值,若输出数据值大于阈值,则输出为煤;若输出数据值小于阈值,则输出为矸石。
2.如权利要求1所述的煤矸识别方法,其特征在于:动态补偿模糊神经网络结构分为六层:
a.输入层,本层将接收的X射线强度值xi数据引入网络中;
b.模糊化层,本层根据定义的模糊隶属函数对输入的X射线强度值xi进行模糊化处理,隶属函数可选用三角隶属函数和高斯隶属函数,本方法在实验过程中选择高斯隶属函数作为模糊隶属函数,其公式为:
其中,fij是xi的第j个隶属函数,cij和σj分别表示的是xi的第j个隶属函数的中心和宽度,n是输入变量的个数,u是系统隶属函数的个数;
本方法在实验过程中依据在X射线放射源上施加的电压和电流强度不同,对不同的输入xi,设置不同的输入论域Fi、Gi,i=1,2,…,n和第j个规则的输出论域Cj,j=1,2,…,u;
输入信号xi的u个隶属函数对应u个规则:
如果输入信号xi的u个规则输入属于论域F,0个输入x属于论域G,则规则输出φ属于论域C1;
如果n-1个输入x属于论域F,1个输入x属于论域G,则规则输出φ属于论域C2;
如果n-2个输入x属于论域F,2个输入x属于论域G,则规则输出φ属于论域C3;
……
如果0个输入x属于论域F,u个输入x属于论域G,则规则输出φ属于论域Cu;
其中Fi表示第i个输入的X射线强度为低的模糊论域,Gi表示第i个输入的X射线强度为高的模糊论域,Ci表示不同煤矸含量的输出论域,煤矸含量随着i的增加而减少,C1表示矸石含量极高的模糊论域,Cn+1表示矸石含量极低或为0的模糊论域;
c.模糊推理层,本层中每个结点代表一条可能的模糊规则中的IF-部分,该层节点数反映了模糊规则数。第j个规则的输出为:
n是输入变量的个数,u是系统隶属函数的个数;
d.归一化层,称这些节点为N节点。N节点数与模糊规则节点数相等。第j个节点Nj的输出为:
e.消极-积极补偿运算层,本方法采用一种基于积极运算和消极运算的补偿运算;积极运算时,能够将输入映射到最好的输出,为最好的输出制定一个乐观的决策;消极运算正好相反,它能够将输入映射到最坏的输出,为最坏的输出制定一个保守的决策;
积极运算表示为:
ActiveOp=[Πφj]1/n,j=1,2,…,u
消极运算表示为:
PassiveOp=Πφj,j=1,2,…,u
补偿运算表示为:
其中,γ是补偿度,γ∈[0,1];
f.输出层,本层的每个结点代表着一个输出,该输出是所有输入的叠加,表示为:
其中,ωji是第j个补偿模糊神经元到第i个输出神经元的权值。
3.如权利要求1所述的煤矸识别方法,其特征在于:本方法可以分为两级:离线训练与在线识别;
离线训练:对典型的原煤进行X射线的透射,构成一定的测量空间域H,对探测到的测量空间域H内的信号进行放大处理,滤波成形。然后利用上述数据处理方法对数据进行筛选和分组,构成已知的类别样本,再从这些样本中抽取具有典型原煤特征的数据作为固有的特征向量集输入在模糊神经网络分选系统中,利用其传入特征值得到其期望输出y,不断地进行训练和评价,直至得到最佳的效果,并将此时由网络参数求得的相应的模糊规则表传送至判决系统中。
在线识别:获取煤和矸石经过X射线的照射所构成的测量空间域H,其测量数据X经过预处理组成待测样本集合A,从该待测样本集合A中抽取部分特征向量集Ai={A1,A2,…,Aj},j=1,2,...,n,由模糊表的成分判定后给出结果,通过对控制单元发出相应的信号来进行执行。
4.如权利要求1所述的煤矸识别方法,其特征在于:X射线放射源与X射线探头以一对多形式成套安装于煤炭传输装置周围;设置不同的电压U、电流I,获取不同的X射线强度x0。
5.如权利要求1所述的煤矸识别方法,其特征在于:煤矸石含量监测数据与分析数据依托于矿用以太网进行传输。
6.如权利要求1所述的煤矸识别方法,其特征在于:当监测到t1时刻s1处煤矸石含量,依据煤炭传输装置的传输煤炭速率v和s1处距离井底煤仓距离d,计算出t1时刻s1处煤矸石传输至井底煤仓时间间隔t,煤矸石分类控制器依据时间间隔t控制煤炭分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810201426.1A CN108197703A (zh) | 2018-03-12 | 2018-03-12 | 动态补偿模糊神经网络的煤矸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810201426.1A CN108197703A (zh) | 2018-03-12 | 2018-03-12 | 动态补偿模糊神经网络的煤矸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197703A true CN108197703A (zh) | 2018-06-22 |
Family
ID=62595163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810201426.1A Pending CN108197703A (zh) | 2018-03-12 | 2018-03-12 | 动态补偿模糊神经网络的煤矸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197703A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815999A (zh) * | 2019-01-08 | 2019-05-28 | 浙江大学 | 一种简便高效的自动化煤矸识别方法 |
CN110864996A (zh) * | 2019-11-29 | 2020-03-06 | 北京龙田华远科技有限公司 | 一种含矸率测量方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009076968A2 (en) * | 2007-12-19 | 2009-06-25 | Vestas Wind Systems A/S | Event-based control system for wind turbine generators |
CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
CN203350635U (zh) * | 2013-06-09 | 2013-12-18 | 苏州经贸职业技术学院 | 一种动态模糊控制系统 |
CN103559542A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于先验知识的可拓神经网络模式识别方法 |
CN107144584A (zh) * | 2017-05-05 | 2017-09-08 | 河北工程大学 | 一种基于x射线方法测量矸石回收漏煤率及报警系统 |
-
2018
- 2018-03-12 CN CN201810201426.1A patent/CN108197703A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009076968A2 (en) * | 2007-12-19 | 2009-06-25 | Vestas Wind Systems A/S | Event-based control system for wind turbine generators |
CN203350635U (zh) * | 2013-06-09 | 2013-12-18 | 苏州经贸职业技术学院 | 一种动态模糊控制系统 |
CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
CN103559542A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于先验知识的可拓神经网络模式识别方法 |
CN107144584A (zh) * | 2017-05-05 | 2017-09-08 | 河北工程大学 | 一种基于x射线方法测量矸石回收漏煤率及报警系统 |
Non-Patent Citations (4)
Title |
---|
HUICHAOHONG 等: "Automatic Recognition of Coal and Gangue based on Convolution Neural Network", 《HTTPS://ARXIV.ORG/ABS/1712.00720 20171203》, pages 1 - 7 * |
李强 等: "模糊神经网络建模方法在煤矸石识别系统中的应用", 《工矿自动化》, pages 10 - 11 * |
梅蓉蓉: "动态模糊神经网络的应用及研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 5 - 6 * |
王文清 等: "动态补偿模糊神经网络在煤矸识别中的应用", 《北京工业职业技术学院学报》, vol. 18, no. 2, pages 1 - 7 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815999A (zh) * | 2019-01-08 | 2019-05-28 | 浙江大学 | 一种简便高效的自动化煤矸识别方法 |
CN110864996A (zh) * | 2019-11-29 | 2020-03-06 | 北京龙田华远科技有限公司 | 一种含矸率测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109158953B (zh) | 一种刀具磨损状态在线监测方法及系统 | |
Zou et al. | Nondestructive identification of coal and gangue via near-infrared spectroscopy based on improved broad learning | |
CN105589806B (zh) | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 | |
CN110135468A (zh) | 一种煤矸石的识别方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN106355011B (zh) | 一种地球化学数据元素序结构分析方法及装置 | |
CN108319987A (zh) | 一种基于支持向量机的过滤-封装式组合流量特征选择方法 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
CN104536881A (zh) | 基于自然语言分析的众测错误报告优先级排序方法 | |
CN107067143A (zh) | 一种设备安全等级分类方法 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN105893876A (zh) | 芯片硬件木马检测方法和系统 | |
Saporetti et al. | Extreme learning machine combined with a differential evolution algorithm for lithology identification | |
Xiongyan et al. | Computational intelligent methods for predicting complex ithologies and multiphase fluids | |
CN104570109B (zh) | 一种储层油气预测的方法 | |
CN108197703A (zh) | 动态补偿模糊神经网络的煤矸识别方法 | |
CN114861120A (zh) | 浮选泡沫品位计算方法、装置、电子设备及介质 | |
Chu et al. | Co-training based on semi-supervised ensemble classification approach for multi-label data stream | |
CN111562285A (zh) | 基于大数据与深度学习的矿井突水水源识别方法及其识别系统 | |
CN110427957A (zh) | 一种基于机器学习的地球化学数据的分类方法和装置 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
Yang et al. | Research on coal gangue recognition based on multi-layer time domain feature processing and recognition features cross-optimal fusion | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180622 |