基于深度殘差網(wǎng)絡(luò)和近紅外光譜的煤矸石分選方法與流程

本發(fā)明涉及煤矸石分選，尤其涉及一種基于深度殘差網(wǎng)絡(luò)和近紅外光譜的煤矸石分選方法。

背景技術(shù)：

1、煤矸石是煤礦開采和生產(chǎn)過程中的廢棄產(chǎn)物，其含碳量低、不易燃燒，若未進(jìn)行處理就混合在煤炭中會(huì)影響煤的發(fā)熱效率。因此，煤炭在流向市場(chǎng)前，必須對(duì)煤矸石進(jìn)行有效識(shí)別和分選。

2、目前，常用的煤矸石分選方法包括：人工揀選、濕選法以及干選法；

3、1、人工揀選：其效率低下，不僅無(wú)法滿足生產(chǎn)需求，而且勞動(dòng)強(qiáng)度大，會(huì)對(duì)工人的身體健康造成危害；

4、2、濕選法：其工藝復(fù)雜，需要消耗大量水資源，易污染環(huán)境；

5、3、干選法主要包括：破碎法、射線法以及圖像識(shí)別法；其中：破碎法成本較低，但普適性較差，僅能適用于特定類型的煤矸石；射線法雖然能夠準(zhǔn)確識(shí)別煤矸石，但由于具有輻射性，需要加裝隔離設(shè)備，設(shè)備成本較高；圖像識(shí)別法能夠高效地識(shí)別煤矸石，但其易受光照和粉塵的影響，難以達(dá)到生產(chǎn)要求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是：為了解決現(xiàn)有煤矸石分選作業(yè)強(qiáng)度高、分選效率低的技術(shù)問題，本發(fā)明提供一種基于深度殘差網(wǎng)絡(luò)和近紅外光譜的煤矸石分選方法，通過對(duì)煤矸石分選方法的改進(jìn)，能夠降低煤矸石的分選作業(yè)強(qiáng)度并提高煤矸石的分選效率。

2、本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于深度殘差網(wǎng)絡(luò)和近紅外光譜的煤矸石分選方法，包括以下步驟：

3、s1、構(gòu)建煤矸石光譜數(shù)據(jù)集x：采用近紅外光譜儀采集煤矸石樣本的光譜數(shù)據(jù)；

4、s2、剔除步驟s1中光譜數(shù)據(jù)的異常值：利用歐式距離公式，并采用迭代法逐步提出光譜數(shù)據(jù)的異常值，待光譜數(shù)據(jù)中的異常值剔除完畢后，將已剔除的光譜數(shù)據(jù)劃分為訓(xùn)練集a和測(cè)試集b；

5、s3、構(gòu)建第一深度殘差網(wǎng)絡(luò)模型m1；

6、s4、訓(xùn)練步驟s3中的第一深度殘差網(wǎng)絡(luò)模型m1：構(gòu)建二元交叉熵?fù)p失函數(shù)并利用步驟s2中已剔除異常值訓(xùn)練集a中的光譜數(shù)據(jù)對(duì)第一深度殘差網(wǎng)絡(luò)模型m1進(jìn)行訓(xùn)練，以得到第二深度殘差網(wǎng)絡(luò)模型m2；

7、s5、測(cè)試步驟s4中的第二深度殘差網(wǎng)絡(luò)模型m2：利用第二深度殘差網(wǎng)絡(luò)模型m2對(duì)輸入的步驟s2中已剔除異常值測(cè)試集b的光譜數(shù)據(jù)進(jìn)行測(cè)試，以得到預(yù)測(cè)結(jié)果；

8、s6、分析步驟s5中的預(yù)測(cè)結(jié)果：利用準(zhǔn)確率acc評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行性能分析。由此，通過采集煤矸石的光譜信息并構(gòu)建深度殘差網(wǎng)絡(luò)，分析煤和矸石的光譜特性，實(shí)現(xiàn)了煤和矸石的智能分選識(shí)別，相比于現(xiàn)有的分選識(shí)別方式，該方式通過強(qiáng)大的特征提取能力和魯棒性，能夠抑制噪聲干擾，從而能夠提高煤矸石光譜數(shù)據(jù)的準(zhǔn)確性以及可靠性，進(jìn)而能夠降低煤矸石分選識(shí)別的作業(yè)強(qiáng)度并能夠提高煤矸石分選識(shí)別的效率和精度；在外，深度殘差網(wǎng)絡(luò)通過其深層結(jié)構(gòu)，能夠捕獲煤矸石光譜數(shù)據(jù)中復(fù)雜和細(xì)微的特征信息，這些特征對(duì)于提高光譜數(shù)據(jù)的分類、識(shí)別以及預(yù)測(cè)精度至關(guān)重要，深度殘差網(wǎng)絡(luò)通過其特有的殘差學(xué)習(xí)機(jī)制，能夠有效地解決梯度消失問題，從而深度挖掘光譜數(shù)據(jù)的特征信息，這種能力使得深度殘差網(wǎng)絡(luò)模型在處理復(fù)雜光譜數(shù)據(jù)時(shí)具有更高的敏感性和準(zhǔn)確性。

9、進(jìn)一步地，所述步驟s2包括以下步驟：

10、s2-1、計(jì)算步驟s1中煤矸石光譜數(shù)據(jù)集x的平均光譜值

11、s2-2、根據(jù)歐式距離公式計(jì)算煤矸石光譜數(shù)據(jù)集x中每個(gè)光譜數(shù)據(jù)到平均光譜值的歐式距離

12、s2-3、計(jì)算每個(gè)歐式距離d的平均值μ和標(biāo)準(zhǔn)差σ；

13、s2-4、當(dāng)時(shí)，則判定xi為異常值，并將xi剔除煤矸石光譜數(shù)據(jù)集x；

14、s2-5、當(dāng)煤矸石光譜數(shù)據(jù)集x中有光譜數(shù)據(jù)被剔除時(shí)，重復(fù)步驟s2-1至步驟s2-4，直至無(wú)異常值出現(xiàn)，并將已剔除的光譜數(shù)據(jù)劃分為訓(xùn)練集a和測(cè)試集b；

15、其中：x＝{x1,x2,...,xm}，xi∈rn，i＝1,2,…,m，m為樣本數(shù)，n為樣本維度。由此，在樣本采集的過程中，環(huán)境的變化或者不恰當(dāng)?shù)牟僮骺赡軙?huì)導(dǎo)致光譜數(shù)據(jù)集中出現(xiàn)與正常光譜顯著不同的異常值，這些異常值的存在，不僅會(huì)干擾數(shù)據(jù)分析，會(huì)誤導(dǎo)模型的訓(xùn)練，從而影響最終的測(cè)試結(jié)果，因此，在建模之前，需要對(duì)光譜數(shù)據(jù)集中的異常數(shù)據(jù)進(jìn)行剔除；由于采集得到的光譜數(shù)據(jù)樣本分布遵循正態(tài)分布，因此，通過迭代方法和3-sigma準(zhǔn)則，能夠逐步剔除樣本光譜數(shù)據(jù)集中的異常值。

16、進(jìn)一步地，在步驟s2中，煤矸石光譜數(shù)據(jù)集x中任意兩個(gè)樣本xi和xj之間的歐式距離d(xi,xj)的計(jì)算公式為：

17、

18、其中：xj∈rn，j＝1,2,…,m。

19、進(jìn)一步地，在步驟s2-1中，平均光譜值的計(jì)算公式為：

20、

21、進(jìn)一步地，在步驟s2-3中，平均值μ的計(jì)算公式為：

22、

23、標(biāo)準(zhǔn)差σ的計(jì)算公式為：

24、

25、進(jìn)一步地，在步驟s3中，第一深度殘差網(wǎng)絡(luò)模型m1包括：

26、卷積層、池化層、殘差模塊、全連接層以及激活函數(shù)elu(x)。

27、進(jìn)一步地，在步驟s3中，卷積層用于接收輸入煤矸石光譜數(shù)據(jù)，并提取光譜特征；

28、池化層用于壓縮特征圖，并保留顯著信息；

29、殘差模塊用于改變卷積層的參數(shù)，并增加數(shù)據(jù)通道數(shù)、減小特征圖尺寸，以提取煤矸石光譜數(shù)據(jù)的特征信息；

30、全連接層作為分類器，輸出兩個(gè)數(shù)值。

31、進(jìn)一步地，在步驟s3中，激活函數(shù)elu(x)的計(jì)算公式為：

32、

33、其中：x為網(wǎng)絡(luò)輸入值，α為參數(shù)。由此，激活函數(shù)能夠減弱梯度爆炸的影響。

34、進(jìn)一步地，在步驟s4中，二元交叉熵?fù)p失函數(shù)的計(jì)算公式為：

35、

36、其中：y為真實(shí)的標(biāo)簽值0或1，是預(yù)測(cè)的概率值，log(·)表示以2為底的對(duì)數(shù)。

37、進(jìn)一步地，在步驟s6中，準(zhǔn)確率acc的計(jì)算公式為：

38、

39、其中：tp(真正例，true?positive)表示正確分類為煤的樣本個(gè)數(shù)，fp(假正例，false?positive)表示錯(cuò)位分類為煤的樣本個(gè)數(shù)，tn(真負(fù)例，true?negative)表示正確分類為矸石的個(gè)數(shù)，fn(假負(fù)例，false?negative)表示錯(cuò)誤分類為矸石的個(gè)數(shù)。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

41、通過采集煤矸石的光譜信息并構(gòu)建深度殘差網(wǎng)絡(luò)，分析煤和矸石的光譜特性，實(shí)現(xiàn)了煤和矸石的智能分選識(shí)別，相比于現(xiàn)有的分選識(shí)別方式，該方式通過強(qiáng)大的特征提取能力和魯棒性，能夠抑制噪聲干擾，從而能夠提高煤矸石光譜數(shù)據(jù)的準(zhǔn)確性以及可靠性，進(jìn)而能夠降低煤矸石分選識(shí)別的作業(yè)強(qiáng)度并能夠提高煤矸石分選識(shí)別的效率和精度；在外，深度殘差網(wǎng)絡(luò)通過其深層結(jié)構(gòu)，能夠捕獲煤矸石光譜數(shù)據(jù)中復(fù)雜和細(xì)微的特征信息，這些特征對(duì)于提高光譜數(shù)據(jù)的分類、識(shí)別以及預(yù)測(cè)精度至關(guān)重要，深度殘差網(wǎng)絡(luò)通過其特有的殘差學(xué)習(xí)機(jī)制，能夠有效地解決梯度消失問題，從而深度挖掘光譜數(shù)據(jù)的特征信息，這種能力使得深度殘差網(wǎng)絡(luò)模型在處理復(fù)雜光譜數(shù)據(jù)時(shí)具有更高的敏感性和準(zhǔn)確性。