论文部分内容阅读
本文以淮南谢桥矿区、潘二矿区取回的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、碳、氢、氮、硫、水分、灰分、挥发分及固定碳含量,将样本的反射率光谱数据和样本成分含量分别作为自变量,样本类别作为因变量建立煤和岩石分类识别模型对煤和岩石进行分类。本文主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。具体研究结论如下:1.由于煤和岩石块的反射率较低,本实验对样本进行破碎,过筛,根据样本的粒径大小分为五个区间(小于0.15mm、0.15-0.25mm、0.25-0.5mm、0.5-1mm和1-3mm),通过分析五个粒径区间的光谱曲线,选择对样本反射率放大效果较为明显的粒径区间(小于0.15mm)的光谱数据。2.采用主成分分析方法对样本反射率光谱数据进行降维处理,获取彼此不相关且能代表光谱特征的主要成分,将获得的主成分分别建立支持向量机模型和BP神经网络模型,并随机建立训练集与验证集对分类结果进行评定,结果显示:20组随机建模中,PCA-SVM模型的平均建模识别率为83.18%,验证集的平均识别率为45.97%;PCA-BP模型的平均识别率为46.11%。PCA-BP模型的识别率略高于PCA-SVM模型。3.采用核主成分分析方法对样本反射率光谱数据进行降维处理,将获得的主成分建立主持向量机模型,并将20组与PCA-SVM模型相同的样本进行模型验证,结果显示,KPCA-SVM模型的建模识别率最高为100%,最低识别率为85%,平均识别率为95.5%,验证模型识别率最高为100%,最低为66.67%,平均识别率约为90.56%;KPCA-SVM模型的分类识别率明显高于PCA-SVM模型和PCA-BP模型。4.建立基于样本成分含量的PCA-SVM、PCA-BP和KPCA-SVM模型进行模型分类,结果显示PCA-SVM模型的建模平均识别率为83.75%。验证模型平均识别率为50.56%;PCA-BP模型的平均识别率为46.11%;KPCA-SVM建模精度平均识别率为98.5%。验证模型平均识别率度约为95%。PCA-SVM模型的识别率略高于PCA-BP模型;KPCA-SVM模型的分类识别率明显高于PCA-SVM模型和PCA-BP 模型。图[38]表[13]参[79]