首页 > 论文 > 光谱学与光谱分析 > 38卷 > 7期(pp:2107-2112)

可见、 近红外光谱和深度学习CNN-ELM算法的煤炭分类

Coal Classification Based on Visible, Near-Infrared Spectroscopy and CNN-ELM Algorithm

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

煤是工业的主要能源, 煤的品质对工业和环境起决定性作用。 在使用煤的过程中, 如果不能准确确定煤的品种, 有可能对生产效率、 环境污染、 经济损失等会造成重大的影响。 传统的煤分类, 主要依靠人工方法和化学分析方法, 这些方法的缺点是高成本和耗费时间。 如何快速准确确定煤的品质很重要。 因此, 提出深度学习、 极限学习机-ELM算法和可见、 红外光谱联合建立煤矿分类模型。 首先, 从抚顺、 伊敏和河南夹津口煤矿区采取不同煤样品, 并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。 然后利用深度学习的卷积神经网络-CNN提取光谱特征, 并采用ELM算法对光谱数据建立分类模型。 最后, 为进一步提高分类精度, 引入粒子群算法。 通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法, 并使用改进粒子群算法优化CNN-ELM网络。 实验结果表明, 和PCA特征提取方法比较, CNN网络能够更好的提取光谱特征, CNN-ELM分类模型有良好的分类效果; 改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。 与传统的化学分析方法和人工方法相比, 此方法在经济、 速度、 准确性方面均具有无可比的优势。

Abstract

Coal serves as the main energy in industrial field, the quality of which has a decisive effect on industry and environment. In the using process of coal, if the category of the coal fails to be identified correctly, it will result in great harm to production efficiency, environmental pollution and economical loss. The traditional way of classifying coal mainly depends on artificial classification as well as chemical analysis, which however entails high cost and consumes too much time. Therefore, it becomes more and more important to identify the quality of coal quickly and correctly. Hence, this essay comes up with the idea of combining deep learning, ELM arithmetic and visible, infrared spectra to construct coal classification model. Firstly, we collected different coal samples from Fushun, Yimin and Henan Jiajinkou coal mining area, and used the American Spectra Vista SVC HR-1024 spectrometer for the measurement of the spectral data. Then we used the deep learning of convolutional neural network-CNN to extract spectral characteristics, and adopted ELM arithmetic to construct classification model for spectral data. Finally, in order to further improve the classification accuracy, this article made use of particle swarm optimization algorithm by using a range of newly defined inertia weight and acceleration factor values to improve the particle swarm optimization algorithm. Then, we used the improved particle swarm optimization to optimize CNN-ELM networks. Experimental results from comparison between PCA and CNN network reveal CNN network as a better feature extraction method for the spectrum. The results also show that CNN-ELM classification model has a good classification effect. The improved ELM classification model accuracy is higher than that of the basic ELM and SVM classification model. Compared with the traditional chemical methods and artificial methods, this method has the advantage of being unparalleled in economy, speed and accuracy.

Newport宣传-MKS新实验室计划
补充资料

中图分类号:TD94

DOI:10.3964/j.issn.1000-0593(2018)07-2107-06

基金项目:国家自然科学基金项目(41371437, 61203214, 61773105, 61374147), 国家“十二五”科技支撑计划课题项目(2015BAB15B01), 中央高校基础科研业务费(N160404008, N150402001), 国家重点研发计划(2016YFC0801602)资助

收稿日期:2017-07-11

修改稿日期:2017-11-20

网络出版日期:--

作者单位    点击查看

LE Ba Tuan:东北大学信息科学与工程学院, 辽宁 沈阳 110004Control Technology College, Le Quy Don Technical University, Hanoi 100000, Vietnam
肖 冬:东北大学信息科学与工程学院, 辽宁 沈阳 110004
毛亚纯:东北大学资源土木与工程学院, 辽宁 沈阳 110004
宋 亮:东北大学资源土木与工程学院, 辽宁 沈阳 110004
何大阔:东北大学信息科学与工程学院, 辽宁 沈阳 110004
刘善军:东北大学资源土木与工程学院, 辽宁 沈阳 110004

联系人作者:LE Ba Tuan(lebatuan@qq.com)

备注:LE Ba Tuan, 1990年生, 东北大学信息科学与工程学院博士研究生

【1】GUO Juan, LI Wei-ming, YAO Xiao-ying(郭 娟, 李维明, 么晓颖). China Coal(中国煤炭), 2015, 41(12): 124.

【2】Li A P, Li Z Y, Jia J P, et al. Spectroscopy Letters, 2016, 49(3): 217.

【3】Becker J R, Skrodzki P J, Diwakar P K, et al. Spectroscopy Letters, 2016, 49(4): 276.

【4】MAO Ya-chun, XIAO Dong, CHENG Jin-fu(毛亚纯, 肖 冬, 程锦甫, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2017, 37(1): 89.

【5】Niu X, Suen Y. Pattern Recognition, 2012, 45(4): 1318.

【6】Huang G B, Zhu Q Y, Siew C K. Neurocomputing, 2006, 70(1): 489.

【7】Xiao D, Le B T, Mao Y C, et al. Journal of Sensors, 2016, 2016(1): 1.

【8】Cao J, Chen T, Fan J. Multimedia Tools and Applications, 2016, 75(5): 2839.

【9】YU Dan, WU Xiao-jun(余 丹, 吴小俊). Journal of Data Acquisition and Processing(数据采集与处理), 2016, 31(5): 996.

【10】Eberhart R C, Kennedy J. IEEE International Conference on Neural Network. Perth, Australia, 1995, 4: 1942.

【11】HUANG Shao-rong(黄少荣). Journal of Chongqing Normal University(重庆师范大学学报), 2013, 30(6): 123.

【12】Li S Z, Yu B, Wu W. Neurocomputing, 2015, 151(Part 2): 565.

【13】Zhang H G, Yin Y X, Zhang S. Neurocomputing, 2016, 174(Part A): 232.

【14】Zhao L, Li X G, Wang J. IEEE Sensors Journal, 2016, 16(15): 6081.

【15】Vapnik V, Cortes C. Machine Learning, 1995, 20(3): 273.

引用该论文

LE Ba Tuan,XIAO Dong,MAO Ya-chun,SONG Liang,HE Da-kuo,LIU Shan-jun. Coal Classification Based on Visible, Near-Infrared Spectroscopy and CNN-ELM Algorithm[J]. Spectroscopy and Spectral Analysis, 2018, 38(7): 2107-2112

LE Ba Tuan,肖 冬,毛亚纯,宋 亮,何大阔,刘善军. 可见、 近红外光谱和深度学习CNN-ELM算法的煤炭分类[J]. 光谱学与光谱分析, 2018, 38(7): 2107-2112

被引情况

【1】赵 勇,荣 康,谈爱玲. 基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类. 光谱学与光谱分析, 2019, 39(12): 3755-3760

【2】季文海,宋 迪,吕晓翠,李国林. 通过标气校验和支持向量机提高光谱保真度的应用. 光学 精密工程, 2019, 27(10): 2144-2153

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF