[发明专利]基于近红外光谱和SSA优化的ELM的煤矸石快速识别方法

权利要求书

1.一种基于近红外光谱和SSA优化的ELM的煤矸石快速识别方法，其特征在于，包括以下步骤：

利用多光谱成像仪获取煤和矸石的近红外光谱图像，分别预处理获取的各波段的近红外光谱图像，并对预处理后的光谱图像降维，然后将降维后的光谱数据按比例4:1划分训练集和测试集；

基于改进的极限学习机算法建立近红外煤矸石光谱图像识别模型；

将训练集和测试集分别用于识别模型训练和测试，利用海樽群算法进行改进的极限学习机的参数优化，搜索出各波段煤矸石的最高识别率，以及对应的识别模型的参数；

把识别准确率最高的波段的近红外光谱图像结合SSA搜索的改进的极限学习机的最优参数用于煤和矸石识别；

基于改进的ELM算法建立近红外煤矸石光谱图像识别模型包括：

降维后的光谱数据数D＝{x_i|x_i∈R^d,i＝1,2,…,h}，k-ELM的隐藏层节点设置为L，隐藏层的输出设为g(x)＝[g(x₁),g(x₂),…,g(x_h)]，隐藏层的权值向量为w＝[w₁,w₂,…w_L]，那么ELM模型的输出函数为：

k-ELM模型的目标为：

其中ζ_i代表目标输出y_i与实际计算输出值f(x)的误差，C为惩罚系数；将式(5)转换成其对偶问题：

式(6)中，α_i为拉格朗日算子；然后再根据KKT条件对其求解：

其中G＝[g^T(x₁),g^T(x₂),…,g^T(x_h)]^T,α＝[α₁,α₂,…,α_h]^T,进而可得：

为提高模型的识别性能和非线性映射能力，引入和函数，定义核函数矩阵：

Ω＝GG^T,Ω_i,j＝g(x_i)·g(x_j)＝K(x_i,x_j)               (9)

进而得到k-ELM得输出为：

对于分类问题，将输出转化成输入样本标签：

所述海樽群算法优化改进型ELM的参数的过程如下：

初始化所有参数，海樽数为N，最大迭代次数L，待寻优变量为p，变量p的上下边界为ub和lb；

计算每个海樽的适应度，寻找并保存最优适应度的海樽；

根据下公式(12)计算变量c₁，其中l为当前迭代次数；

根据公式(13)更新第一个海樽的位置，根据公式(14)更新第一个海樽随后的海樽位置；

式(13)中，F为海樽的食物来源，c₂和c₃是服从均匀分布的在[0,1]内的随机数；

计算种群所有海樽的适应度值，更新最优适应度，当更新前迭代次数l＝l+1；

判断当前迭代次数l是否大于最大迭代次数，如果不大于，向上返回三个步骤，寻找并保存最优适应度的海樽；否则结束搜素，输出最优适应度值以及其对应的海樽的位置。

2.根据权利要求1所述的基于近红外光谱和SSA优化的ELM的煤矸石快速识别方法，其特征在于，对各波段的近红外光谱图像进行预处理的方法如下：

x＝x′/255                  (1)

式(1)中，x为处理后的近红外光谱图像的像素点的取值，x′为像素点的原始数值。

3.根据权利要求2所述的基于近红外光谱和SSA优化的ELM的煤矸石快速识别方法，其特征在于，所述对预处理后的光谱图像降维为成分分析，其包括：

将二维的光谱图像数据转化为一维数据，并计算协方差矩阵q为特征维度：

式(2)中，和分别为光谱数据的像素均值，h为采集的煤和矸石的光谱图像数；

根据式(3)求出的特征值λ₁,λ₂,…,λ_q，以及其相对应的正交化单位特征向量α₁,α₂,…,α_q：

将特征值从大到小排序，取前m个特征值及其对应的特征向量(降维后的光谱数据维度为m，排序后特征值为λ′₁＞λ′₂＞…＞λ′_m，对应的特征向量为α₁′,α₂′,…,α′_m；

计算降维后的主成分并输出。