煤質(zhì)近紅外光譜智能分析理論與應(yīng)用
為了充分利用煤炭資源，必須及時(shí)掌握煤質(zhì)的變化規(guī)律。受測(cè)量方法和相關(guān)技術(shù)限制，傳統(tǒng)的煤質(zhì)分析技術(shù)已不能滿足煤炭生產(chǎn)、加工和利用等過程的要求。煤質(zhì)近紅外光譜分析技術(shù)是一種新興的煤質(zhì)快速檢測(cè)方法，可實(shí)現(xiàn)煤質(zhì)全元素的快速在線分析。由于該技術(shù)是一種間接分析方法，預(yù)測(cè)結(jié)果的準(zhǔn)確性主要依賴于建模數(shù)據(jù)及方法。鑒于此，針對(duì)煤樣光譜數(shù)據(jù)存在的不穩(wěn)定因素多、維數(shù)高、特征變異范圍廣等問題，本書基于機(jī)器學(xué)習(xí)方法，建立相應(yīng)的煤質(zhì)近紅外光譜分析系統(tǒng)框架，并圍繞影響其應(yīng)用的四個(gè)關(guān)鍵問題展開研究，具體包括：建模樣本優(yōu)化篩選研究，煤樣光譜數(shù)據(jù)的恢復(fù)處理研究，煤樣光譜數(shù)據(jù)壓縮處理研究，煤樣光譜定性與定量分析方法研究。*后，據(jù)此構(gòu)建煤質(zhì)的快速在線分析模型并進(jìn)行應(yīng)用研究。書中所形成的研究成果，近紅外光譜技術(shù)在煤質(zhì)快速在線分析方面的應(yīng)用，可大幅提高煤質(zhì)近紅外光譜分析模型的預(yù)測(cè)準(zhǔn)確度，具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
目錄
前言
第1章 緒論 1
1.1 研究背景及意義 1
1.2 煤炭質(zhì)量的常規(guī)分析 2
1.2.1 煤質(zhì)的標(biāo)準(zhǔn)測(cè)定方法 2
1.2.2 煤質(zhì)分析的研究現(xiàn)狀 6
1.3 煤質(zhì)近紅外光譜分析研究現(xiàn)狀 7
1.3.1 近紅外光譜技術(shù)的研究現(xiàn)狀 7
1.3.2 煤質(zhì)近紅外光譜分析技術(shù)的研究現(xiàn)狀 8
第2章 煤質(zhì)近紅外光譜分析理論與技術(shù) 10
2.1 近紅外光譜分析理論基礎(chǔ) 10
2.1.1 分子振動(dòng)光譜理論 10
2.1.2 透射光譜的理論基礎(chǔ) 12
2.1.3 漫反射光譜的理論基礎(chǔ) 13
2.2 煤質(zhì)近紅外光譜分析 15
2.2.1 理論基礎(chǔ) 15
2.2.2 煤樣采取與制備 16
2.2.3 近紅外光譜分析儀 19
2.2.4 基礎(chǔ)分析模型 21
2.3 本章小結(jié) 25
第3章 煤炭光譜數(shù)據(jù)的優(yōu)化和校正 27
3.1 煤粒度對(duì)光譜數(shù)據(jù)準(zhǔn)確性的影響 27
3.1.1 實(shí)驗(yàn)數(shù)據(jù) 27
3.1.2 實(shí)驗(yàn)方法 29
3.1.3 結(jié)果與討論 29
3.2 基于距離測(cè)定的異常樣本剔除 31
3.2.1 基于歐氏迭代裁剪法的異常樣品剔除 32
3.2.2 基于馬氏迭代裁剪法的異常樣品剔除 36
3.2.3 基于改進(jìn)留一交叉驗(yàn)證法的異常樣品篩選 40
3.3 基于并行最小二乘回歸估計(jì)的爭議樣本判別 45
3.3.1 理論基礎(chǔ) 45
3.3.2 爭議樣本的判別過程 47
3.3.3 結(jié)果與討論 48
3.4 本章小結(jié) 51
第4章 煤炭光譜數(shù)據(jù)的恢復(fù)去噪 53
4.1 常用的光譜恢復(fù)方法 53
4.1.1 理論基礎(chǔ) 53
4.1.2 結(jié)果與討論 55
4.2 基于擬線性局部加權(quán)法的光譜散射校正 59
4.2.1 理論基礎(chǔ) 59
4.2.2 擬線性曲線與局部加權(quán)函數(shù)的選取 60
4.2.3 結(jié)果與討論 62
4.3 基于粗糙懲罰法的光譜優(yōu)化平滑模式 65
4.3.1 理論基礎(chǔ) 65
4.3.2 粗糙懲罰法 67
4.3.3 端點(diǎn)信息修補(bǔ) 68
4.3.4 參數(shù)優(yōu)化 69
4.3.5 光譜的D階導(dǎo)數(shù) 69
4.3.6 結(jié)果與討論 69
4.4 本章小結(jié) 74
第5章 煤炭光譜數(shù)據(jù)的篩選壓縮 76
5.1 基于要點(diǎn)排序法的波長點(diǎn)向前選擇 76
5.1.1 理論基礎(chǔ) 76
5.1.2 要點(diǎn)排序法 77
5.1.3 特征光譜波長點(diǎn)的篩選過程 78
5.1.4 結(jié)果與討論 79
5.2 基于優(yōu)化組合法的譜區(qū)選擇 86
5.2.1 基于譜區(qū)排序的向前選擇法 86
5.2.2 基于遺傳算法的譜區(qū)選擇 86
5.2.3 結(jié)果與討論 87
5.3 基于核主成分分析的光譜特征提取 94
5.3.1 理論基礎(chǔ) 94
5.3.2 結(jié)果與討論 95
5.4 基于局部多維尺度變換的光譜特征提取 101
5.4.1 多維尺度變換 101
5.4.2 局部多維尺度變換 102
5.4.3 結(jié)果與討論 103
5.5 基于局部線性嵌入算法的光譜特征提取 104
5.5.1 理論基礎(chǔ) 104
5.5.2 結(jié)果與討論 105
5.6 本章小結(jié) 107
第6章 煤質(zhì)近紅外光譜定量分析模型 109
6.1 基于支持向量回歸機(jī)的定量分析模型 109
6.1.1 理論基礎(chǔ) 109
6.1.2 模型參數(shù)優(yōu)化 111
6.1.3 結(jié)果與討論 113
6.2 基于分層隨機(jī)森林的煤質(zhì)近紅外光譜定量分析 116
6.2.1 分層抽樣原理 117
6.2.2 基于互信息的分層隨機(jī)森林模型 118
6.2.3 結(jié)果與討論 118
6.3 基于集成神經(jīng)網(wǎng)絡(luò)方法的定量分析模型 121
6.3.1 理論基礎(chǔ) 121
6.3.2 神經(jīng)網(wǎng)絡(luò)集成與參數(shù)優(yōu)化 123
6.3.3 結(jié)果與討論 125
6.4 待測(cè)樣本集的預(yù)測(cè)與修正 131
6.4.1 待測(cè)樣本集的預(yù)測(cè) 131
6.4.2 待測(cè)樣本集的調(diào)整 135
6.5 本章小結(jié) 137
第7章 煤質(zhì)近紅外光譜定性分析模型 139
7.1 基于支持向量機(jī)的定性分析模型 139
7.1.1 理論基礎(chǔ) 139
7.1.2 結(jié)果與討論 140
7.2 基于學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的定性分析模型 141
7.2.1 基礎(chǔ)理論 141
7.2.2 結(jié)果與討論 143
7.3 基于決策樹算法的定性分析模型 144
7.3.1 理論基礎(chǔ) 144
7.3.2 結(jié)果與討論 149
7.4 基于隨機(jī)森林算法的定性分析方法 150
7.4.1 基礎(chǔ)理論 150
7.4.2 結(jié)果與討論 153
7.5 基于改進(jìn)隨機(jī)森林的煤質(zhì)定性分析 154
7.5.1 理論基礎(chǔ) 154
7.5.2 結(jié)果與討論 155
7.6 近紅外光譜煤產(chǎn)地鑒別系統(tǒng) 158
7.7 本章小結(jié) 159
參考文獻(xiàn) 160
附錄 169
書單推薦
