[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有效
申请号: | 202010469047.8 | 申请日: | 2020-05-28 |
公开(公告)号: | CN111626224B | 公开(公告)日: | 2023-05-23 |
发明(设计)人: | 周孟然;闫鹏程;胡锋;来文豪;卞凯 | 申请(专利权)人: | 安徽理工大学 |
主分类号: | G06V20/10 | 分类号: | G06V20/10;G06V10/774;G06V10/764;G06V10/77;G06V10/82;G06N3/0464;G06N3/08;G01N21/17;G01N21/3563;G01N21/359 |
代理公司: | 西安铭泽知识产权代理事务所(普通合伙) 61223 | 代理人: | 梁静 |
地址: | 232001 安徽*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 红外 光谱 ssa 优化 elm 煤矸石 快速 识别 方法 | ||
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={xi|xi∈Rd,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(xh)],隐藏层的权值向量为w=[w1,w2,…wL],那么ELM模型的输出函数为:
k-ELM模型的目标为:
其中ζi代表目标输出yi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,αi为拉格朗日算子;然后再根据KKT条件对其求解:
其中G=[gT(x1),gT(x2),…,gT(xh)]T,α=[α1,α2,…,αh]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=GGT,Ωi,j=g(xi)·g(xj)=K(xi,xj) (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,…,λq,以及其相对应的正交化单位特征向量α1,α2,…,αq:
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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于安徽理工大学,未经安徽理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010469047.8/1.html,转载请声明来源钻瓜专利网。