基于布谷鸟算法与BP神经网络的煤灰变形温度预测

以120种煤样为数据基础,采用布谷鸟算法(CS)优化BP(Back Propagation)神经网络,建立了CSBP模型对单煤、煤掺添加剂和配煤等3类样本的煤灰变形温度(DT)样本进行预测。模型以煤灰化学成分及其组合参数等13个变量作为输入量,以变形温度(DT)作为输出量。CSBP模型预测结果与BP神经网络模型预测结果进行对比发现,无论是单煤、煤掺添加剂还是配煤,CSBP模型较BP模型对煤灰变形温度(DT)的预测都更加精准,平均相对误差分别达到了3.11%、4.08%和4.22%。另外,对比3类样本预测结果发现,无论是CSBP模型还是BP模型,相比单煤预测而言,煤掺添加剂及配煤的预测误差都有明显的增加。     

蛭石对高钠高钙准东煤结渣特性影响研究

采用一维沉降炉,辅以灰熔点仪的实验方法,将蛭石与高钠高钙准东煤掺混燃烧,研究其对高钠高钙准东煤结渣特性的影响。结果表明,随着蛭石掺烧量的提高,灰熔点温度呈现先降低后升高的趋势,当掺烧量为6%时灰熔点温度最低;蛭石掺烧量越高,高钠高钙准东煤结渣情况改善越明显,当掺烧量达到4%时,渣样变得疏松多孔,质地变脆,渣样与沉积探针之间的黏附性较弱,极易通过吹灰除去,建议蛭石掺烧量为4%;煤灰中原始矿物质以石英、钙铝黄长石或钙黄长石以及辉石类的低熔点矿物质为主,掺烧蛭石后,含钠的绿辉石矿物质被转化为韭闪石,含铁的斜辉石、赤铁矿等矿物质被转化为铁橄榄石,渣样中的矿物质均以高熔点的镁橄榄石为主;蛭石具有固钠的作用,取样温度越低,蛭石掺混量越高,其固钠效果越明显。     

近红外光谱结合LSTSVM算法判别不同等级烟叶

本文用近红外光谱结合最小二乘双胞胎支持向量机(LSTSVM)算法建立了烟叶等级分类模型。从三个等级共210个烟叶样品中,取出120个样品作为建模集,剩余90个样品作为预测集。为了建立最优模型,对光谱预处理方法和模型参数进行筛选优化,最优模型对预测集样品的平均识别率为95.56%,结果表明该方法可以作为烟叶等级分类的一种有效方法。此外,将该算法与SIMCA、PLS-DA、SVM等三种常见的模式识别算法进行了比较,结果表明基于样品的原始光谱,同等条件下,LSTSVM算法的预测效果优于其他三种算法。     

基于多特征算法选择的太赫兹时域光谱用于水稻种子掺假研究

该文提出了一种基于太赫兹时域光谱的水稻种子模式识别方法。实验以10种不同品牌混合掺假的水稻种子为样本,基于采集的样本太赫兹时域光谱数据,通过建立Relief、随机森林（RF）、支持向量机递归特征消除（SVM-RFE）和最大相关最小冗余（mRMR）模型分别对样本光谱波长进行特征选择,最后设计分类器对4种特征选择方法处理后的样本进行分类识别。结果表明,基于布谷鸟算法（CS）优化的极限学习机模型对经RF特征选择算法提取后的样本光谱数据具有最佳识别效果,其准确率可达100%,实验对于法庭科学领域内种子的掺假鉴定具有一定的借鉴意义。     

基于启发式方法和支持向量机方法预测有机物的热导率

构建147个有机物分子结构与其热导率值之间的定量结构-性质关系(QSPR)模型, 探讨影响有机物热导率的结构因素. 以147个化合物作为样本集, 随机选择118个作为训练集, 29个作为测试集. 应用CODESSA软件计算了组成、拓扑、几何、静电和量子化学等描述符, 通过启发式方法(HM)筛选得到5个结构参数并建立线性回归模型; 用所选5个结构参数作为支持向量机(SVM)的输入, 建立非线性的支持向量机回归模型. 预测结果表明: 支持向量机回归模型的性能(复相关系数R²=0.9240)虽略低于启发式回归模型的性能(R²=0.9267), 但是支持向量机方法预测性能(R²=0.9682)高于启发式方法的预测性能(R²=0.9574), 对于QSPR模型来说, 预测性能更重要. 因此, 总体来说支持向量机方法优于启发式方法. 支持向量机方法和启发式方法的提出为工程上提供了一种根据分子结构预测有机物热导率的新方法.     

中药材三七提取液近红外光谱的支持向量机回归校正方法

提出近红外光谱的支持向量机回归校正建模方法.以中药材三七渗漉提取液为实际分析对象,对其近红外光谱数据进行预处理和主成分分析后,用支持向量机回归算法建立人参皂苷R_g1,R_b1和R_d以及三七总皂苷的近红外光谱校正模型.以R_g1,R_b1和R_d的HPLC测定值及三七总皂苷的比色法测定值为参照,将本文方法与偏最小二乘回归和径向基神经网络建模方法相比较,结果表明,本文所建模型的预测准确性优于后两者,可推广应用于中药提取过程的近红外光谱分析.     

基于高光谱成像技术的配方烟丝组分判别

应用近红外（1 000～2 200 nm）高光谱成像技术开展了面对像素、面对样本的配方烟丝 4种组分（叶 丝、梗丝、薄片丝、膨胀丝） 的判别研究。以样本高光谱图像的所有像素点光谱数据进行面对像素的组分判 别;以样本所有像素点的平均光谱数据进行面对样本的组分判别。采用二阶导数法结合萨维茨基－戈莱平滑 （SG）滤波对光谱数据进行预处理。通过面对像素数据的主成分分析,证实了基于面对像素的高光谱数据进行 组分判别的可行性,以前5主成分建立的支持向量机模型很好地实现了叶丝与梗丝、叶丝与薄片丝的判别任 务。建立了面对样本的4组分的K近邻和支持向量机判别模型,通过连续投影算法和二阶导数法进行特征波 长选择,筛选出具有高判别准确率的波段,组分判别率达86. 97%。     

便携式X射线荧光光谱法结合支持向量回归算法定量分析土壤中的砷含量

研究了基于统计学习理论的支持向量机（SVM）回归法在X射线荧光光谱定量分析中的应用。以39个农田土壤样品作为实验材料,以其中32个土壤样品作为校正集,选用SVM模型中Linear、Poly和RBF 3种核函数对As元素含量与荧光光谱数据进行回归建模。用3种不同模型对预测集中7个土壤样品的As元素含量进行预测分析,结果显示模型预测As元素含量与电感耦合等离子体发射光谱法测定的As元素含量之间的相关系数R2均大于0.99,相对分析误差RPD均大于3,表明所建立的SVM模型具有较好的使用价值。为了进一步考察SVM回归模型的预测效果,同应用较成熟的PLS回归模型的预测结果进行对比,结果显示SVM法的预测结果更好,表明SVM回归模型亦可用于便携式X射线荧光光谱法的定量预测分析。     

不同含水量砂岩的中红外光谱特征与预测模型研究

水对岩石具有软化、溶蚀等作用,准确预测岩石的含水量对岩土工程的地下深部开采至关重要。该文将中红外光谱技术应用于砂岩的含水量分析,研究了不同砂岩样品的中红外光谱特征与其含水量之间的关系。通过多种预处理方法提取有效特征向量,构建了针对砂岩含水量的中红外光谱预测模型。结果表明,多元散射校正+偏最小二乘法、归一化特征向量提取+随机森林及一阶微分+支持向量机3种模型在测试集上预测的含水量与实测值之间的相关系数（R2）分别为0.985、0.995和0.951,均方根误差分别为0.074、0.022和0.137,即特征向量提取+随机森林的预测模型效果最佳。该方法通过中红外光谱技术实现了砂岩含水量的无损、快速分析,为地质工程中砂岩的水分预测提供了参考。     

烟草组分的近红外光谱和支持向量机分析

测定了120个产自福建、安徽和云南烟草样品的近红外光谱. 在利用支持向量机(SVM)技术建立其定量、定性分析模型之前, 用小波变换技术对光谱变量进行了有效的压缩, 然后采用径向基核函数建立了75个烟草样品的分类模型, 同时建立了总糖、还原糖、烟碱和总氮4个组分的定量分析模型, 并利用45个烟草样品对模型进行了检验. 仿真实验表明, 建立的SVM分类模型分类准确率达到100%, 而4个组分的定量分析模型的预测决定系数(R2)、预测均方差(RMSEP)和平均相对误差(RME)3个指标值显示其模型泛化能力非常强, 预测效果良好, 可见这是一种有效的近红外光谱的建模分析方法.     

最小角回归结合核极限学习机的近红外光谱对柑橘黄龙病的鉴别

传统的柑橘黄龙病检测方法存在准确度低、稳定性差等问题,该文提出了一种基于最小角回归结合核极限学习机(Least angle regression combined with kernel extreme learning machine,LAR-KELM_((RBF)))的近红外柑橘黄龙病鉴别方法。该方法将光谱数据通过小波变换进行预处理,然后用最小角回归(LAR)算法进行光谱波长的筛选,最后通过核极限学习机(KELM_((RBF)))实现样本的分类。实验采用柑橘叶片的近红外光谱数据,验证了LAR-KELM_((RBF))算法的性能,其分类准确度最高为99.91%,标准偏差为0.11。不同规模训练集的实验结果表明,LAR-KELM_((RBF))模型较极限学习机(ELM)、波形叠加极限学习机(SWELM)、反向传播神经网络(BP_((2层)))、KELM_((RBF))和支持向量机(SVM)模型分类准确度高、稳定性强,能够广泛应用于柑橘黄龙病的检测鉴别。     

Determination of Parameter Uncertainty for Quantitative Analysis of Shaddock Peel Pectin using Linear and Nonlinear Near-infrared Spectroscopic Models

Fourier transform near-infrared spectrometry has been used in combination with multivariate chemometric methods for wide applications in agriculture and food analysis. In this paper, we used linear partial least square and nonlinear least square support vector machine regression methods to establish calibration models for Fourier transform near-infrared spectrometric determination of pectin in shaddock peel samples. In particular, the tunable kernel parameters of the linear and nonlinear models were set changing in a moderate range and were optimally selected in conjunction with a Savitzky–Golay smoother. The smoothing parameters and the linear/nonlinear modeling parameters were combined for simultaneous optimization. To investigate the robustness of calibration models, parameter uncertainty were estimated in a direct way for the optimal linear and nonlinear models. Our results show that the nonlinear least square support vector machine method gives more accurate predictive results and is substantially more robust compared to the spectral noise when compared with the linear partial least square regression. Furthermore, the optimized least square support vector machine model was evaluated by the randomly selected test samples and the model test effect was much satisfactory. We anticipate that these linear and nonlinear methods and the methodology of determination of model parameter uncertainty will be applied to other analytes in the fields of near-infrared or Fourier transform near-infrared spectroscopy.     

Multivariate feature selection and hierarchical classification for infrared spectroscopy: serum-based detection of bovine spongiform encephalopathy

A hierarchical scheme has been developed for detection of bovine spongiform encephalopathy (BSE) in serum on the basis of its infrared spectral signature. In the first stage, binary subsets between samples originating from diseased and non-diseased cattle are defined along known covariates within the data set. Random forests are then used to select spectral channels on each subset, on the basis of a multivariate measure of variable importance, the Gini importance. The selected features are then used to establish binary discriminations within each subset by means of ridge regression. In the second stage of the hierarchical procedure the predictions from all linear classifiers are used as input to another random forest that provides the final classification. When applied to an independent, blinded validation set of 160 further spectra (84 BSE-positives, 76 BSE-negatives), the hierarchical classifier achieves a sensitivity of 92% and a specificity of 95%. Compared with results from an earlier study based on the same data, the hierarchical scheme performs better than linear discriminant analysis with features selected by genetic optimization and robust linear discriminant analysis, and performs as well as a neural network and a support vector machine.     

Laser Induced Breakdown Spectroscopy machine for online ash analyses in coal

Presently, online coal ash content monitoring is performed by PGNAA (Prompt Gamma Neutron Activation Analyses) machines. Laser Detect Systems has developed an online mineral analysis system using Laser Induced Breakdown Spectroscopy (LIBS). The main advantages of the system are that it is without a radioactive source, compact (1.5 m × 0.8 m × 1.3 m), comparatively light (250 kg) and easy to install. The main disadvantage is that a LIBS system analyzes surface chemistry of the mineral exclusively and not the volume. To prove the LIBS machine analytical ability for coal ash content evaluation, a trial was arranged at Optimum Colliery (South Africa). The LIBS machine was installed in line with a PGNAA machine and laboratory data served as a referee in the final assessment for analytical accuracy. The trial was carried out over a four month period. This paper presents the successful trial results achieved for accurate (at least +/− 0.5% mean absolute error) online coal ash content monitoring.     

基于局部最小二乘支持向量机的光谱定量分析

提出了一种基于局部最小二乘支持向量机(LSSVM)的回归方法,以克服待测参数和光谱数据间的非线性。本方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LSSVM校正模型。由于每个测试样本建模时要选取不同的训练样本,因此提出相对距离的概念用来改进高斯核函数,使LSSVM的参数对于不同的训练样本具有自调整功能。针对一批汽油样本的实验结果表明,本方法的预测精度优于常见的局部线性建模方法和全局建模方法。     

灰中焦对煤灰熔融特性的影响

采用连有电脑－摄像头的煤灰熔融特性测定装置，在Ar气氛下研究了灰中焦对煤灰熔融特性的影响。结果表明，灰中焦对灰熔融特征温度和灰熔融动态特征具有显著影响，影响程度与煤种以及煤焦的质量分数有关。掺焦的灰熔融温度高于不掺焦的熔融温度；掺焦量增加，其灰熔融温度升高。当掺焦量提高至20%时，在接近或高于煤灰熔融温度时由于焦与焦之间通过熔融煤灰的黏结作用形成了不熔骨架，使灰锥高度不再随温度的提高而发生变化，这也是灰锥很难出现或者根本不出现软化温度和流动温度的原因。     

配煤对高熔点煤灰熔融特性影响的研究

采用灰熔点较低的襄阳煤和灰熔点较高的晋城无烟煤组成的混合煤样,利用XRF、SEM、DSC、XRD、三元相图等分析方法,探究了襄阳煤对晋城无烟煤煤灰熔融温度的影响。结果表明,配煤能有效降低高熔点煤灰的熔融温度,当襄阳煤的加入量小于24%时,混合煤灰熔融温度显著降低;襄阳煤的加入量在24%-40%时,混合煤灰熔融温度变化平缓且流动温度低于1 400℃。混合煤灰中的成分在1 000-1 200℃发生一系列的化学反应,主要包括SiO_2与Al_2O_3结合产生高熔点物质莫来石以及Fe_2O_3、CaO与莫来石反应转化形成铁尖晶石、钙长石等新物质,由此造成了煤灰熔融温度的变化。基于BP神经网络对实验数据建立预测模型,其预测效果优于前人总结的经验公式,平均准确度高于99%。利用热力学软件HSC 5.0分析了CaO、Fe_2O_3对降低煤灰熔融温度的影响,分析表明,CaO对莫来石的转化作用优于Fe_2O_3。     

基于马氏距离和稀疏矩阵技术的LIBS煤质灰分分析

为了提高激光诱导击穿光谱(LIBS)定量测量煤质的精度问题,先对原始数据进行预处理,包括异常值剔除、基线校正,谱线筛选,再将LIBS与偏最小二乘回归法(PLSR)结合建立定量模型以应用于煤质灰分的分析。结果表明,经过预处理后训练样品的拟合度(R²)从0.9740提高到0.9841,均方根误差(RMSE)从0.9613降低到了0.7527,预测均方根误差(RMSEP)从2.2731降到2.0017,同时平均绝对误差(MAE)和平均相对误差分别从1.9747、0.1094降低到1.5572、0.0757。研究表明,基于马氏距离(MD)的异常数据剔除算法结合基于稀疏矩阵技术的基线估计与降噪算法(BEADS),能够在一定程度上能够改善数据的稳定性和光谱信噪比,有利于提高数据建模的预测精度。     

黑液水煤浆炉壁灰沉积物熔融温度分布特性

为了解沉积于炉壁不同部位灰渣熔融温度的变化及分布特性,在实验炉内进行了两个工况的对比燃烧实验,通过对沿烟气行程灰沉积物熔融温度及化学成分和矿物相的分析,结果发现,距燃烧器出口155mm处炉壁灰渣的熔融温度最低,距燃烧器出口1000 mm~1150 mm炉壁灰渣熔融温度最高;灰沉积物熔融温度沿烟气行程呈先升高后降低的分布特点。这种分布特性与矿物元素的迁移、沉积是直接相关的,同时与燃烧负荷也有一定的关系。