[发明专利]一种基于回归分析的煤质在线检测分析方法

权利要求书

1.一种基于回归分析的煤质在线检测分析方法，其特征在于，所述基于回归分析的煤质在线检测分析方法使用机器学习的回归分析算法自动提取煤炭内部各区域的图形特征进行图像特征提取；使用机器学习以提取的图像特征为依据提供煤质在线检测结果，将检测结果通过显示模块进行显示。

2.如权利要求1所述的基于回归分析的煤质在线检测分析方法，其特征在于，所述基于回归分析的煤质在线检测分析方法包括：

通过内置有近红外探测模块和激光探测模块的数据采集设备获取煤炭扫描图像；

利用预处理模块获取煤炭扫描图像进行预处理，将煤炭扫描图像分为多个区块；

利用煤质图像特征提取模块从每个区块提取一个图像特征向量；

用数据采集设备内置的无监督机器学习模块将每个区块的高维特征向量压缩为一维数值；将各区块的一维数值表示连接为一个向量，作为整个煤炭扫描图像的向量描述；

利用数据采集设备内置的检测模块采用有监督机器学习，以煤炭扫描向量为输入，进行图像预测。

3.如权利要求2所述的基于回归分析的煤质在线检测分析方法，其特征在于，所述从每个区块提取一个图像特征向量的步骤包括：

对不同煤炭区域使用仿射变换初步对齐到标准煤炭区域模版；

将已对齐煤炭区域扫描的图像分解为能覆盖完整图像的多个三维长方体或球体区块，区块之间部分重叠；

利用图像特征提取算法将每个区块的像素亮度转换为图像特征描述，每个特征描述都表示为一个高维向量。

4.如权利要求2所述的基于回归分析的煤质在线检测分析方法，其特征在于，作为所述用无监督机器学习将每个区块的高维特征向量压缩为一维数值的步骤包括：

对每个图像区块的图像特征用聚类算法聚为两个类别，一个类别与差煤质类似，另一个类别与良好煤质类似；

对每个图像区块，训练一个分类器将该区块的图像特征向量分为所述两个类别聚类结果中的一个类别；

将分类结果转换为一个实数，代表该区块图像特征向量被划分为差煤质相关特征的概率。

5.如权利要求2所述的基于回归分析的煤质在线检测分析方法，其特征在于，所述基于回归分析的煤质在线检测分析方法还包括：

步骤一，所述检测模块进行图像预测后的数据发送给数据采集模块，数据采集模块获取的模拟量电信号转换为数字量信号，并发送给数据处理模块；

所述激光探测模块对采集到的某一帧视频图像Q，利用surf算法求解出与模板匹配的所有特征点P＝{p₁,p₂,...,p_n}，其中，p_i为图像Q中的特征点；

从全部匹配特征点P＝{p₁,p₂,...,p_n}中选择4个最准确的匹配特征点P₀＝{p_j1,p_j2,p_j3,p_j4},j_k∈{1,2,...,n},k＝1,2,3,4，记录这些特征点的图像坐标值(u_i,v_i),i＝j₁,j₂,j₃,j₄，并以其中一点为世界坐标原点，记录下其他特征点的世界坐标

利用世界坐标系的坐标与其投影点的像素坐标(u_i,v_i)之间的关系式计算相机的外参数矩阵H，其中，i＝j₁,j₂,j₃,j₄；

利用计算出的外参数矩阵H，在图形引擎中将当前视频帧图像作为三维引擎中三维场景的背景，在场景中所需要的位置渲染出三维模型，实现实时三维叠加；

利用图形引擎中的交互功能，实现三维叠加的虚拟物体和现实物体之间的交互；

步骤二，数据处理模块从数据采集模块获取近红外光谱数据和激光光谱谱线，并行输入到工作模块，通过判据模块连接修正模块，修正模块再与工作模块连接形成循环回路共同完成对煤近红外光谱的非线性映射和激光光谱谱线强度矩阵，获得煤质修正后的参数；

所述数据处理模块由接收信号数据R(x)，根据公式r(x)＝sign(Re(R(x)))+j*sign(Im(R(x)))得到对接收信号实虚部按符号位映射出的结果r(x)，再由本地训练序列数据C(k)，利用公式c(k)＝sign(Re(C(k)))+j*sign(Im(C(k)))得到对训练序列数据实虚部按符号位映射出的结果c(k)，根据得到的r(x)和c(k)利用公式生成定时偏移估计函数，式中N＝2*(NFFT+CP)代表相关窗和本地序列的长度，x代表滑动相关窗的起始位置；

步骤三，通过无线方式连接无线通信模块，实现远程在线连接并从数据处理模块获取煤质参数；

所述无线通信模块的定时偏移估计函数F(x)，根据公式得到动态门限，其中G(m)表示m时刻动态门限的值，表示从m时刻开始计数的M个定时偏移估计函数值的平均值，mul表示一个常数；获取方法具体包括：

训练序列按符号位进行映射，将结果作为本地序列，接收到的数据依次流入滑动窗中，将滑动窗中的数据按符号位与本地序列进行共轭相关运算，得到关于滑动窗起始位置的定时偏移估计函数值；

运算的过程表示为：首先根据接收信号实虚部数据的符号位信息，利用公式r(x)＝sign(Re(R(x)))+j*sign(Im(R(x)))，对接收数据进行映射，其中R(x)代表接收信号，Re(.)表示取复数数据的实部值，Im(.)表示取复数数据的虚部值，sign(.)表示取一个数据的符号位，如果数据大于0输出结果是1，小于0输出结果是-1，r(x)是对接收信号实虚部取符号后映射出的结果，有四种数值±1±j，然后利用公式c(k)＝sign(Re(C(k)))+j*sign(Im(C(k)))对训练序列进行映射，其中C(k)代表本地训练序列，c(k)是对本地序列实虚部数据按符号位信息映射出的复数结果，有四种数值±1±j；最后根据公式求取定时偏移估计函数，其中，F(x)代表定时偏移估计函数值，N＝2*(NFFT+CP)代表相关窗和本地序列的长度；

所述无线通信模块的路由修复方法的链路稳定性和能量混合模型：

物联网拓扑结构看做一个无向图的网络模型G＝(V,E)，其中V表示一组节点，E表示一组连接节点的边集，P(u,v)＝{P₀,P₁,P₂,L,P_n}是节点u和节点v之间所有可能路径的集合，P_i是节点u和v的可能路径，选择出节点u到节点v的最优路径，

链路稳定性和节点剩余能量的公式如下：

其中，E_is和E_i0为节点i的剩余能量和总能量，E_th为节点的能量阈值；

链路稳定性公式和节点剩余能量公式转化成一个总体的优化公式，该公式提供两个重要参数(w₁和w₂)，其表达式如式(4)所示：

其中w₁和w₂为节点能量和链路稳定值之间的设定的系数，w₁+w₂＝1；

取该目标总和的最大值，用下面公式(5)表示：

MRFact(P_i)＝max{RFact(P₁),RFact(P₂),L RFact(P_n)}(5)

节点在接收数据分组信息时，根据公式(1)和公式(2)分别计算出链路的稳定值和节点的剩余能量，然后利用公式(5)选取最优路径，来完成路由的选定。