CN112949169B - 一种基于光谱分析的煤样化验值预测方法 - Google Patents

一种基于光谱分析的煤样化验值预测方法 Download PDF

Info

Publication number
CN112949169B
CN112949169B CN202110155958.8A CN202110155958A CN112949169B CN 112949169 B CN112949169 B CN 112949169B CN 202110155958 A CN202110155958 A CN 202110155958A CN 112949169 B CN112949169 B CN 112949169B
Authority
CN
China
Prior art keywords
group
coal sample
data
model
spectrum
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
CN202110155958.8A
Other languages
English (en)
Other versions
CN112949169A (zh
Inventor
李华
贾雪
高世权
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.)
Changchun University
Original Assignee
Changchun University
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 Changchun University filed Critical Changchun University
Priority to CN202110155958.8A priority Critical patent/CN112949169B/zh
Publication of CN112949169A publication Critical patent/CN112949169A/zh
Application granted granted Critical
Publication of CN112949169B publication Critical patent/CN112949169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种基于光谱分析的煤样化验值预测方法，属于煤样化验领域，包括获取煤样化验值；值剔除离群点；将剔除离群点后的数据分为训练集、第一验证集、第二验证集和测试集；将上述数据复制3份，对其中两份数据进行多元散射矫正预处理和一阶导数法预处理；建立光谱数据和煤样化验值的拟合模型；通过调整拟合模型的参数，寻找使得第一验证集预测误差最小的模型参数；使用上述处理数据的预测误差，选择预测误差最小的预处理手法，获得最终模型，记为F；将建立好的拟合模型F用于煤样化验值的预测。该方法可以解决煤样化验成本高、化验时间长的问题，并且能够提高煤质的化验能力。

Description

一种基于光谱分析的煤样化验值预测方法
技术领域
本发明属于煤样化验和应用统计领域，具体涉及一种基于光谱分析的煤样化验值预测方法。
背景技术
目前，各行各业在实际应用煤炭时，由于对煤炭中的各成分含量具有不同的要求，在投入生产前，需要对煤样进行化验，从制样到化验需要2-3个小时；目前的煤质快速化验方法由X射线、γ射线和微波技术。+
尽管上述方法能够实现煤样的化验，但仍然存在以下问题：
(1)煤样化验成本高、化验时间长，影响企业生产的时效性，并给企业生产带来很大的负担。
(2)X射线和γ射线涉及放射性物质，操作要求高，长时间操作会影响化验人员的身体，且只对煤中灰分信息表征效果好，对挥发分等其他成分信息表征能力弱。
(3)微波技术的安全性号好，但只适用水分的化验。
因此，本申请提出一种基于光谱分析的煤样化验值预测方法。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种基于光谱分析的煤样化验值预测方法。
为了实现上述目的，本发明提供如下技术方案：
一种基于光谱分析的煤样化验值预测方法，包括以下步骤：
步骤1、获取煤样的近红外光谱数据和对应的煤样化验值；
步骤2、对获得的近红外光谱数据和对应的煤样化验值进行数据整理，根据煤样化验值剔除离群点；
步骤3、将剔除离群点后的数据分为训练集、第一验证集、第二验证集和测试集，所述训练集用作训练模型，所述第一验证集用于调整模型参数，所述第二验证集用于选择预处理手法，所述测试集用于模型评价；
步骤4、将步骤3中已经划分好的训练集、第一验证集、第二验证集和测试集复制3份，分别作为对照组、第一组和第二组；对所述第一组的近红外光谱数据进行多元散射矫正预处理，得到第一实验组，对所述第二组的近红外光谱数据进行一阶导数法预处理，得到第二实验组；
步骤5、分别使用对照组、第一实验组和第二实验组中的训练集，使用核偏最小二乘算法建立光谱数据和煤样化验值的拟合模型f1,f2,f3,此时的模型中输入参数是不确定的；
步骤6、通过调整拟合模型的参数，寻找使得第一验证集预测误差最小的模型参数；
遍历所有可能的模型输入参数组合，假设是第i个参数组合，得到使用对照组、第一实验组和第二实验组中的训练集建立的拟合模型f1i,f2i,f3i，然后使用对照组、第一实验组和第二实验组中的第一验证集的光谱数据，输入拟合模型f1i,f2i,f3i中，会输出预测的煤样化验值
Figure GDA0004035257080000021
以对照组，计算第i个参数组合模型的均方误差为例：
Figure GDA0004035257080000022
其中
Figure GDA0004035257080000023
是输出的预测煤样化验值，y1j是对照组的第一验证集真实的煤样化验值；
找到对照组中，使得MSEi最小的参数组合i对应的输入参数，并使用它建立模型；
此时，对照组、第一实验组和第二实验组的模型已经确定，记为f对照组，f第一实验组，f第二实验组；
步骤7、使用第二验证集，验证对照组、第一实验组和第二实验组的预测误差，选择预测误差最小的预处理手法，即选择对照组、第一实验组和第二实验组中的一个，作为最终模型，记为F；
步骤8、将建立好的拟合模型F用于煤样化验值的预测。
优选地，所述离群点指的是在散点图矩阵和直方图中，煤样化验值偏离主要部分的样本；所述步骤2的具体操作为：对煤样化验值做散点图矩阵和直方图，通过观察剔除离群点。
优选地，所述步骤3的具体操作为：通过随机不放回抽样的方法，选出60％的数据样本作为训练集、10％的数据样本作为第一验证集、10％的数据样本作为第二验证集、20％的数据样本作为测试集。
优选地，所述步骤4的具体操作为：
对所述第一组的近红外光谱数据进行多元散射矫正预处理包括：
设样本光谱为X，则多元散射矫正法首先求光谱的平均光谱
Figure GDA0004035257080000031
对X和
Figure GDA0004035257080000032
做线性回归，得到
Figure GDA0004035257080000033
其中B0称为截距，B称为回归系数，它们都是未知常数，称为线性回归参数；
利用最小二乘算法求解出B，B0；
对原始样本光谱进行MSC变换，得到原始样本光谱的多元散射矫正方程为：XMSC＝X-B0/B；
对所述第二组的近红外光谱数据进行一阶导数法预处理包括：
设一原始样本光谱为Xi，对光谱波长点的i点和宽度为G波长的差分窗口进行一阶求导；
一阶导数：
Figure GDA0004035257080000034
优选地，所述步骤5的具体操作为：
核偏最小二乘算法步骤：
步骤5.1、将对照组、第一实验组和第二实验组中的光谱数据通过核函数变换到核空间中；
以对照组为例：对照组中训练集的光谱数据是X1，那么通过核函数变换后的光谱数据为Xkernel；
步骤5.2、将核变换后的光谱数据Xkernel输入到偏最小二乘算法中，即可得出拟合模型f1(Xkernel)。
优选地，所述步骤6的具体操作为：
从步骤5中，得到对照组、第一实验组和第二实验组的拟合模型f1,f2,f3，然后将每个组的第一验证集输入模型，选择使得预测误差最小的模型参数作为每个组的模型参数，得到三个模型：
f对照组，f第一实验组，f第二实验组。
优选地，所述步骤7的具体操作为：
分别将第二验证集的数据输入这三个模型f对照组，f第一实验组，f第二实验组当中，计算第二验证集的预测误差，选择预测误差最小的预处理手法，即多元散射矫正预处理和一阶导数法预处理，得到最终模型F。
优选地，所述步骤8的具体操作为：
步骤8.1、将得到的近红外光谱数据进行数据预处理，采用步骤7中选择的预处理手法进行数据预处理；
步骤8.2、将预处理后的数据通过核函数变换到核空间中，得到核变换后的光谱样本；
假设：预处理后的数据是X2，使用高斯核进行变换，得到核变换后的光谱样本X_new；
高斯函数：
Figure GDA0004035257080000041
将X2带入高斯函数g(x)中，输出的结果g(x)就是核变换后的光谱样本X_new；
步骤8.3、将核变换后的光谱样本输入到模型y＝F中，即可得到对应煤样化验值y。
本发明提供的基于光谱分析的煤样化验值预测方法具有以下有益效果：
该方法可以解决煤样化验成本高、化验时间长的问题，并且能够提高煤质的化验能力。使用近红外光谱仪扫描煤样，得到煤样的近红外光谱数据，通过光谱分析技术建立光谱数据与化验值之间的对应关系，使各企业可以通过近红外光谱数据估计煤样各成分化验值，从而减少了用于化验的成本。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1的基于光谱分析的煤样化验值预测方法的流程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种基于光谱分析的煤样化验值预测方法，具体如图1所示，包括以下步骤：
包括以下步骤：
步骤1、获取煤样的近红外光谱数据和对应的煤样化验值；
步骤2、对获得的近红外光谱数据和对应的煤样化验值进行数据整理，根据煤样化验值剔除离群点；
具体的，本实施例中，离群点指的是在散点图矩阵和直方图中，煤样化验值偏离主要部分的那些样本；步骤2的具体操作为：对煤样化验值做散点图矩阵和直方图，通过观察剔除离群点；
步骤3、将剔除离群点后的数据分为训练集、第一验证集、第二验证集和测试集，训练集用作训练模型，第一验证集用于调整模型参数，第二验证集用于选择预处理手法，测试集用于模型评价；
本实施例中，步骤3的具体操作为：通过随机不放回抽样的方法，选出60％的数据样本作为训练集、10％的数据样本作为第一验证集、10％的数据样本作为第二验证集、20％的数据样本作为测试集；
步骤4、将步骤3中已经划分好的训练集、第一验证集、第二验证集和测试集复制3份，分别作为对照组、第一组和第二组；对第一组的近红外光谱数据进行多元散射矫正预处理，得到第一实验组，对第二组的近红外光谱数据进行一阶导数法预处理，得到第二实验组；
具体的，本实施例中，步骤4的具体操作为：
对第一组的近红外光谱数据进行多元散射矫正预处理包括：
设样本光谱为X，则多元散射矫正法首先求光谱的平均光谱
Figure GDA0004035257080000061
对X和
Figure GDA0004035257080000062
做线性回归，得到
Figure GDA0004035257080000063
其中B0称为截距，B称为回归系数，它们都是未知常数，称为线性回归参数；
利用最小二乘算法求解出B，B0；
对原始样本光谱进行MSC变换，得到原始样本光谱的多元散射矫正方程为：XMSC＝X-B0/B；
对第二组的近红外光谱数据进行一阶导数法预处理包括：
设一原始样本光谱为Xi，对光谱波长点的i点和宽度为G波长的差分窗口进行一阶求导；
一阶导数：
Figure GDA0004035257080000064
步骤5、分别使用对照组、第一实验组和第二实验组中的训练集，使用核偏最小二乘算法建立光谱数据和煤样化验值的拟合模型f1,f2,f3,此时的模型中输入参数是不确定的；
具体的，本实施例中，步骤5的具体操作为：
核偏最小二乘算法步骤：
步骤5.1、将对照组、第一实验组和第二实验组中的光谱数据通过核函数变换到核空间中；
以对照组为例：对照组中训练集的光谱数据是X1，那么通过核函数变换后的光谱数据为Xkernel；
步骤5.2、将核变换后的光谱数据Xkernel输入到偏最小二乘算法中，即可得出拟合模型f1(Xkernel)；
步骤6、通过调整拟合模型的参数，寻找使得第一验证集预测误差最小的模型参数；
遍历所有可能的模型输入参数组合，假设是第i个参数组合，得到使用对照组、第一实验组和第二实验组中的训练集建立的拟合模型f1i,f2i,f3i，然后使用对照组、第一实验组和第二实验组中的第一验证集的光谱数据，输入拟合模型f1i,f2i,f3i中，会输出预测的煤样化验值
Figure GDA0004035257080000071
以对照组，计算第i个参数组合模型的均方误差为例：
Figure GDA0004035257080000072
其中
Figure GDA0004035257080000073
是输出的预测煤样化验值，y1j是对照组的第一验证集真实的煤样化验值；
找到对照组中，使得MSEi最小的参数组合i对应的输入参数，并使用它建立模型；
此时，对照组、第一实验组和第二实验组的模型已经确定，记为f对照组，f第一实验组，f第二实验组；
具体的，本实施例中，步骤6的具体操作为：
从步骤5中，得到对照组、第一实验组和第二实验组的拟合模型f1,f2,f3(每个的参数都有不同的可能)，然后将每个组的第一验证集输入模型，选择使得预测误差最小的模型参数作为每个组的模型参数(也就是说，从无数种参数组合中，找到使得第一验证集预测误差最小的模型参数【唯一的参数】)，得到三个模型：
f对照组，f第一实验组，f第二实验组；
步骤7、使用第二验证集，验证对照组、第一实验组和第二实验组的预测误差，选择预测误差最小的预处理手法，即选择对照组、第一实验组和第二实验组中的一个，作为最终模型，记为F；
具体的，本实施例中，步骤7的具体操作为：
分别将第二验证集的数据输入这三个模型f对照组，f第一实验组，f第二实验组当中，计算第二验证集的预测误差，选择预测误差最小的预处理手法，即多元散射矫正预处理和一阶导数法预处理，得到最终模型F；
步骤8、将建立好的拟合模型F用于煤样化验值的预测；
具体的，本实施例中，步骤8的具体操作为：
步骤8.1、将得到的近红外光谱数据进行数据预处理，采用步骤7中选择的预处理手法进行数据预处理；
步骤8.2、将预处理后的数据通过核函数变换到核空间中，得到核变换后的光谱样本；
假设：预处理后的数据是X2，使用高斯核进行变换，得到核变换后的光谱样本X_new；
高斯函数：
Figure GDA0004035257080000081
将X2带入高斯函数g(x)中，输出的结果g(x)就是核变换后的光谱样本X_new；
步骤8.3、将核变换后的光谱样本输入到模型y＝F中，即可得到对应煤样化验值y。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (8)

1.一种基于光谱分析的煤样化验值预测方法，其特征在于，包括以下步骤：
步骤1、获取煤样的近红外光谱数据和对应的煤样化验值；
步骤2、对获得的近红外光谱数据和对应的煤样化验值进行数据整理，根据煤样化验值剔除离群点；
步骤3、将剔除离群点后的数据分为训练集、第一验证集、第二验证集和测试集，所述训练集用作训练模型，所述第一验证集用于调整模型参数，所述第二验证集用于选择预处理手法，所述测试集用于模型评价；
步骤4、将步骤3中已经划分好的训练集、第一验证集、第二验证集和测试集复制3份，分别作为对照组、第一组和第二组；对所述第一组的近红外光谱数据进行多元散射矫正预处理，得到第一实验组，对所述第二组的近红外光谱数据进行一阶导数法预处理，得到第二实验组；
步骤5、分别使用对照组、第一实验组和第二实验组中的训练集，使用核偏最小二乘算法建立光谱数据和煤样化验值的拟合模型f1,f2,f3,此时的模型中输入参数是不确定的；
步骤6、通过调整拟合模型的参数，寻找使得第一验证集预测误差最小的模型参数；
遍历所有可能的模型输入参数组合，假设是第i个参数组合，得到使用对照组、第一实验组和第二实验组中的训练集建立的拟合模型f1i,f2i,f3i，然后使用对照组、第一实验组和第二实验组中的第一验证集的光谱数据，输入拟合模型f1i,f2i,f3i中，会输出预测的煤样化验值
Figure FDA0004051315480000011
以对照组，计算第i个参数组合模型的均方误差为例：
Figure FDA0004051315480000012
其中
Figure FDA0004051315480000013
是输出的预测煤样化验值，y1j是对照组的第一验证集真实的煤样化验值；
找到对照组中，使得MSEi最小的参数组合i对应的输入参数，并使用它建立模型；
此时，对照组、第一实验组和第二实验组的模型已经确定，记为f对照组，f第一实验组，f第二实验组；
步骤7、使用第二验证集，验证对照组、第一实验组和第二实验组的预测误差，选择预测误差最小的预处理手法，即选择对照组、第一实验组和第二实验组中的一个，作为最终模型，记为F；
步骤8、将建立好的拟合模型F用于煤样化验值的预测。
2.根据权利要求1所述的基于光谱分析的煤样化验值预测方法，其特征在于，所述离群点指的是在散点图矩阵和直方图中，煤样化验值偏离主要部分的样本；所述步骤2的具体操作为：对煤样化验值做散点图矩阵和直方图，通过观察剔除离群点。
3.根据权利要求1所述的基于光谱分析的煤样化验值预测方法，其特征在于，所述步骤3的具体操作为：通过随机不放回抽样的方法，选出60％的数据样本作为训练集、10％的数据样本作为第一验证集、10％的数据样本作为第二验证集、20％的数据样本作为测试集。
4.根据权利要求1所述的基于光谱分析的煤样化验值预测方法，其特征在于，所述步骤4的具体操作为：
对所述第一组的近红外光谱数据进行多元散射矫正预处理包括：
设样本光谱为X，则多元散射矫正法首先求光谱的平均光谱
Figure FDA0004051315480000021
对X和
Figure FDA0004051315480000022
做线性回归，得到
Figure FDA0004051315480000023
其中B0称为截距，B称为回归系数，它们都是未知常数，称为线性回归参数；
利用最小二乘算法求解出B，B0；
对原始样本光谱进行MSC变换，得到原始样本光谱的多元散射矫正方程为：XMSC＝X-B0/B；
对所述第二组的近红外光谱数据进行一阶导数法预处理包括：
设一原始样本光谱为Xi，对光谱波长点的i点和宽度为G波长的差分窗口进行一阶求导；
一阶导数：
Figure FDA0004051315480000031
5.根据权利要求1所述的基于光谱分析的煤样化验值预测方法，其特征在于，所述步骤5的具体操作为：
核偏最小二乘算法步骤：
步骤5.1、将对照组、第一实验组和第二实验组中的光谱数据通过核函数变换到核空间中；
以对照组为例：对照组中训练集的光谱数据是X1，那么通过核函数变换后的光谱数据为Xkernel；
步骤5.2、将核变换后的光谱数据Xkernel输入到偏最小二乘算法中，即可得出拟合模型f1(Xkernel)。
6.根据权利要求5所述的基于光谱分析的煤样化验值预测方法，其特征在于，所述步骤6的具体操作为：
从步骤5中，得到对照组、第一实验组和第二实验组的拟合模型f1,f2,f3，然后将每个组的第一验证集输入模型，选择使得预测误差最小的模型参数作为每个组的模型参数，得到三个模型：
f对照组，f第一实验组，f第二实验组。
7.根据权利要求6所述的基于光谱分析的煤样化验值预测方法，其特征在于，所述步骤7的具体操作为：
分别将第二验证集的数据输入这三个模型f对照组，f第一实验组，f第二实验组当中，计算第二验证集的预测误差，选择预测误差最小的预处理手法，即多元散射矫正预处理和一阶导数法预处理，得到最终模型F。
8.根据权利要求7所述的基于光谱分析的煤样化验值预测方法，其特征在于，所述步骤8的具体操作为：
步骤8.1、将得到的近红外光谱数据进行数据预处理，采用步骤7中选择的预处理手法进行数据预处理；
步骤8.2、将预处理后的数据通过核函数变换到核空间中，得到核变换后的光谱样本；
假设：预处理后的数据是X2，使用高斯核进行变换，得到核变换后的光谱样本X_new；
高斯核函数：
Figure FDA0004051315480000041
将X2带入高斯核函数g(x)中，输出的结果g(x)就是核变换后的光谱样本X_new；
步骤8.3、将核变换后的光谱样本输入到模型y＝F中，即可得到对应煤样化验值y。
CN202110155958.8A 2021-02-04 2021-02-04 一种基于光谱分析的煤样化验值预测方法 Active CN112949169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110155958.8A CN112949169B (zh) 2021-02-04 2021-02-04 一种基于光谱分析的煤样化验值预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110155958.8A CN112949169B (zh) 2021-02-04 2021-02-04 一种基于光谱分析的煤样化验值预测方法

Publications (2)

Publication Number Publication Date
CN112949169A CN112949169A (zh) 2021-06-11
CN112949169B true CN112949169B (zh) 2023-04-07

Family

ID=76243960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110155958.8A Active CN112949169B (zh) 2021-02-04 2021-02-04 一种基于光谱分析的煤样化验值预测方法

Country Status (1)

Country Link
CN (1) CN112949169B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722651A (zh) * 2021-07-13 2021-11-30 山西三友和智慧信息技术股份有限公司 一种基于nir高维数据下多数据修正平滑的比较方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014137564A1 (en) * 2013-03-07 2014-09-12 Siemens Aktiengesellschaft Systems and methods for boosting coal quality measurement statement of related cases
CN104374735A (zh) * 2014-10-24 2015-02-25 中华人民共和国黄埔出入境检验检疫局 煤炭样品中全硫的新型快速检测方法
CN105486661A (zh) * 2016-01-28 2016-04-13 山西汾西矿业（集团）有限责任公司 一种基于高斯过程的近红外光谱煤灰分快速检测方法
CN108469425A (zh) * 2018-02-05 2018-08-31 管维新 一种近红外光谱原理分析煤质的方法
CN111044503A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法
WO2020139515A1 (en) * 2018-12-27 2020-07-02 Saudi Arabian Oil Company Method for determining the composition and properties of hydrocarbon fractions by spectroscopy or spectrometry
CN111965121A (zh) * 2020-08-25 2020-11-20 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014137564A1 (en) * 2013-03-07 2014-09-12 Siemens Aktiengesellschaft Systems and methods for boosting coal quality measurement statement of related cases
CN104374735A (zh) * 2014-10-24 2015-02-25 中华人民共和国黄埔出入境检验检疫局 煤炭样品中全硫的新型快速检测方法
CN105486661A (zh) * 2016-01-28 2016-04-13 山西汾西矿业（集团）有限责任公司 一种基于高斯过程的近红外光谱煤灰分快速检测方法
CN108469425A (zh) * 2018-02-05 2018-08-31 管维新 一种近红外光谱原理分析煤质的方法
WO2020139515A1 (en) * 2018-12-27 2020-07-02 Saudi Arabian Oil Company Method for determining the composition and properties of hydrocarbon fractions by spectroscopy or spectrometry
CN111044503A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法
CN111965121A (zh) * 2020-08-25 2020-11-20 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Feasibility study on quantitative analysis of coal content in co-firing biomass-coal blends by near infrared spectroscopy;Cheng He等;《2011 International Conference on Materials for Renewable Energy & Environment》;20110627;第525-528页 *
Rapid analysis of coal characteristics based on deep learning and visible-infrared spectroscopy;Dong Xiao等;《Microchemical Journal》;20200427;第157卷;第1-8页 *
基于近红外光谱的煤挥发分检测;肖锋等;《激光与红外》;20130820;第43卷(第08期);第908-912页 *

Also Published As

Publication number Publication date
CN112949169A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN102313722B (zh) 一种基于多元线性回归的煤质工业分析方法
CN104089911B (zh) 基于一元线性回归的光谱模型传递方法
CN113340874B (zh) 一种基于结合岭回归和递归特征消除的定量分析方法
CN111044503A (zh) 一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法
CN112949169B (zh) 一种基于光谱分析的煤样化验值预测方法
CN104596979A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法
CN104596975A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法
CN114611582B (zh) 一种基于近红外光谱技术分析物质浓度的方法及系统
CN115420707A (zh) 一种污水近红外光谱的化学需氧量评估方法及系统
CN111999258A (zh) 一种面向光谱基线校正的加权建模局部优化方法
CN117054372B (zh) 基于nirs与cv的茶叶品质等级检测方法和系统
CN108120694B (zh) 用于晒红烟化学成分分析的多元校正方法及系统
CN117589697A (zh) 一种植物土壤pH值的检测方法
Huan et al. A variable selection method of near infrared spectroscopy based on automatic weighting variable combination population analysis
CN117761008A (zh) 一种用于选矿工艺过程中矿浆组分在线检测的多光谱联用方法
CN108267422B (zh) 基于近红外光谱分析的异常样本剔除法
CN109521002B (zh) 一种固体燃料颗粒流的燃料特性测量方法
CN113092447B (zh) 一种基于循环变量筛选非线性pls的libs定量分析方法
CN114397244B (zh) 一种金属增材制造制件缺陷的识别方法及相关设备
CN114036456A (zh) 一种定量评估绝缘纸聚合度的光谱模型传递方法及系统
CN109829513B (zh) 一种顺序式波长色散x射线荧光光谱智能分析方法
CN104596982A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶果胶的方法
US20110093232A1 (en) Method and arrangement for automatic calibrating of spectrometers
CN114166764A (zh) 基于特征波长筛选的光谱特征模型的构建方法及装置
CN105954206A (zh) 紫玉米叶片花色苷含量的测量方法及系统

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