Интеллектуальный анализ влажности, летучих веществ и энергетической ценности угля на основе ближней ИК-спектроскопии

Метод ближней инфракрасной спектроскопии (NIRS) обеспечивает быстрый и неразрушающий экспресс-анализ угля. Для моделирования взаимосвязей между спектральными данными и параметрами приближенного анализа применяют два методарегрессии - случайного леса (RF) и экстремального обучения (ELM). С учетом низкой стабильности и надежности, обусловленной случайным выбором параметров в ELM, использован алгоритм оптимизации роя частиц (PSO) Для оптимизации структуры ELM (PSO-ELM). В общей сложности 384 пробы угля из Внутренней Монголии собраны для обучения и проверки модели. Результаты показывают, что алгоритм PSO-ELM обеспечивает наилучшую производительность с точки зрения точности и эффективности. Данные свидетельствуют о том, что NIRS в сочетании с PSO-ELM имеет значительный потенциал для точного и быстрого приближенного анализа.

1. Y. Wolde-Rufael, Appl. Energ., 87, 160-167 (2010).

2. L. Perez-Lombard, J. Ortiz, C. Pout, Energ. Buildings, 40, 394-398 (2008).

3. M. M. Alam, M. W. Murad, A. H. M. Noman, I. Ozturk, Ecol. Indic., 70, 466-479 (2016).

4. Y. Jafari, J. Othman, A. H. S. M. Nor, J. Policy Model., 34, 879-889 (2012).

5. J. I. Joubert, C. T. Grein, D. Bienstock, Fuel, 52, 181-185 (1973).

6. M. Svabova, Z. Weishauptova, O. Pribyl, Fuel, 92, 187-196 (2012).

7. U. Lorenz, Z. Grudzinski, Appl. Energ., 74, 271-279 (2003).

8. Y. Hu, L. Zou, X. Huang, X. Lu, Sci. Rep. Uk, 7 (2017).

9. Y. Hongfu, C. Xiaoli, L. Haoran, X. Yupeng, Fuel, 85, 1720-1728 (2006).

10. J. P. Mathews, V. Krishnamoorthy, E. Louw, A. H. N. Tchapda, F. Castro-Marcano, V. Karri, D. A. Alexis, G. D. Mitchell, Fuel Process. Technol., 121, 104-113 (2014).

11. Y. Wang, M. Yang, G. Wei, R. Hu, Z. Luo, G. Li, Sens. Actuat. B: Chem., 193, 723-729 (2014).

12. L. Breiman, Mach. Learn., 45, 5-32 (2001).

13. P. Probst, A. Boulesteix, B. Bischl, J. Mach. Learn. Res., 20 (2019).

14. L. Zou, Q. Huang, A. Li, M. Wang, China Life Sci., 55, 6i8-625 (2012).

15. S. Tamura, M. Tateishi, IEEE Trans. Neural Net., 8, 251-255 (1997).

16. G. B. Huang, IEEE Trans. Neural Net., 14, 274-281 (2003).

17. A. Akusok, K. Bjork, Y. Miche, A. Lendasse, IEEE Access, 3, 1011-1025 (2015).

18. G. Huang, H. Zhou, X. Ding, R. Zhang, IEEE Trans. Syst. Man Cybern. B: Cybern., 42, 513-529 (2012).

19. J. Tang, C. Deng, G. Huang, IEEE T. Neur. Net. Learn., 27, 809-821 (2016).

20. G. Huang, Q. Zhu, C. Siew, Neurocomputing, 70, 489-501 (2006).

21. Lei M, Rao Z, Li M, Yu X, Zou L, Appl. Sci., 9, 1111 (2019).

22. P. L. Bartlett, IEEE T. Inform. Theory, 44, 525-536 (1998).

23. G. Huang, Q. Zhu, C. Siew, Neurocomputing, 70, 489-501 (2006).

24. G. B. Huang, Q. Y. Zhu, C. K. Siew, Neural Networks, 2, 985-990(2004).

25. P. Lancaster, M. Tismenetsky, The Theory of Matrices with Application, Elsevier (1985).