论文部分内容阅读
为有效指导煤炭的性质研究和加工利用,促进煤炭产业的升级,需快速、准确的掌握煤炭品质规律。近红外光谱分析技术具有绿色、高效、在线分析等优势,为煤质快速分析开辟了一条新途径。煤质近红外光谱分析属于间接分析方法,获得高品质的建模数据,是其成功应用的关键技术之一。因此,本文主要研究煤样光谱数据中有效信息的挖掘问题,通过建立统一的BP与PLS模型对相关方法的性能进行评估,并在此基础上设计一个简单的煤质近红外光谱分析管理系统。本文选用来自不同地区的146组煤样,每组煤样制备完成后分成两部分,用于获取煤样的近红外光谱数据和水分、灰分、挥发分、全硫分的化学标准值,分别作为定量分析模型的输入与输出。针对煤炭异常光谱样本的筛选,给出了基于K均值聚类改进留一交叉验证法与马氏迭代剪裁法。实验结果表明,所给出的算法能够有效改善预测模型的准确性与稳定性。其中,经改进留一交叉验证法筛选后预测性能较优,PLS与BP神经网络定量分析模型的均方根误差分别由0.046925、0.047087降低至0.017338、0.019975。针对光谱采集时易参杂诸如样品背景、杂散光等无关信息的问题,本文使用均值中心化、标准正态变量变换对光谱数据的谱图恢复进行了简单研究。实验结果表明,经谱图恢复后,BP网络定量分析模型的预测均方根误差由0.037537下降至0.021438。针对煤样近红外光谱数据的多重共线性、高维度、非线性等问题,将流形学习思想与核思想应用于数据压缩,并给出了基于二次迭代的核主成分分析方法。实验结果证明,局部多尺度变换、局部线性嵌入、基于二次迭代的核主成分分析算法均能实现数据的有效压缩,对应的前3、7、5维的特征数据集的累计贡献率均超过99.9%。此外,基于二次迭代的核主成分分析的模型预测性能明显优于改进前,PLS模型的均方根误差由0.07886降至0.02769。最后,基于本文对煤质分析中异常样本的筛选、光谱谱图恢复、光谱特征提取三个环节的研究,设计了煤质近红外光谱分析管理系统,主要包括NIRS煤质分析系统界面设计与数据库管理两部分。本章节系统的设计是实现煤质NIRS在线分析的初步探索,也为其成功应用打下基础。