基于近红外光谱和ELM算法的菱镁矿石品级分类研究

由工业发展需求,针对菱镁矿石矿物含量不同以及分布不均匀而难以判定其品级的情况,提出一种由近红外光谱技术结合ELM的菱镁矿石品级分类模型。该模型可以实现菱镁矿石品级的快速分类。近红外光谱利用菱镁矿中不同种类含H基团对近红外光谱有不同吸收的特性,用来测定菱镁矿石的成分及其含量,其操作简便、不破坏样品、速度快、准确高效。以辽宁省营口市大石桥的菱镁矿石30组为研究对象,采集菱镁矿石的近红外光谱数据样本30×973。采用主成分分析(PCA)对其进行降维处理,以主元贡献率大于99.99%而得到10维的特征变量值。建立了ELM算法定量分析数学模型,取20组样本为训练样本(包括6组特级,14组非特),其余10组作为测试样本(其中4组特级,6组非特),ELM算法模型的隐含层节点数选取20。为了进一步提高分类效果,提出两种ELM算法模型的改进:采用循环模式对传统ELM的输入权值和阈值进行寻优的精选ELM和在精选ELM基础上进行集成的集成-精选ELM。并与用人工方法、化学方法和BP神经网络模型方法对菱镁矿石样品品级分类作对比。结果表明:近红外光谱和ELM菱镁矿石品级分类模型不论在时间上还是成本上,都具有明显的优势,且其准确率能够达到90%以上,为菱镁矿石品级分类提供了一条新的途径。

颗粒粒径对玉米芯混合鸡粪堆肥氨气减排的影响

为减少堆肥过程中释放的NH3,采用在鸡粪高温堆肥物料中添加碳源调理剂玉米芯混合堆肥方式,考察不同颗粒下混合堆肥的温度、pH等堆体特性和NH3释放速率,并分析NH3释放机理和减排机理。结果表明,在粒径分别为<5mm、5~10mm、>10mm的小颗粒、中颗粒、大颗粒组玉米芯混合堆肥条件下,各堆体均达到卫生及腐熟标准,且各组堆体温度、pH变化及NH3减排趋势接近,中颗粒组玉米芯由于其具有更适宜的堆积密度和通风条件,堆肥周期内其高温持续最长11d,腐熟效果最好,且NH3释放强度及总释放量最低,最高释放速率仅为100mg/h,分别低于小颗粒和大颗粒释放速率30mg/h和56mg/h,减排效果最好。

浅析国内外重大危险源辨识中危险物质临界量的差异

通过分析国内外重大危险源辨识标准中危险物质临界量的差异,以汽油和液化石油气为例,分别选择池火灾和沸腾液体扩展蒸气云爆炸模型计算事故后果,并结合我国企业的安全管理状况,说明了修改我国《重大危险源辨识》中危险物质临界量的必要性。

可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类

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。