基于黏菌优化极限学习机的煤矸石多光谱识别

摘要：

煤和矸石的精准辨识是煤矸分选和煤炭清洁高效利用的重要前提,针对传统方法存在效率低、需加装辐射隔离以及受环境干扰等诸多不足,提出了基于多光谱图像特性和光谱特性来识别煤和矸石,构建黏菌优化极限学习机(Slime Mold Algorithm Extreme Learning Machine,SMA-ELM)的分类模型.搭建多光谱数据采集系统完成煤与矸石的光谱图像采集,通过LBP对光谱图像进行特征提取并使用PCA主成分分析对提取后的特征向量降维,输入SMA-ELM 分类模型、蚁狮优化极限学习机(Antlion Algorithm Optimized Extreme Learning Machine,ALO-ELM)分类模型、鲸鱼优化极限学习机(Whale Algorithm Optimized Extreme Learning Machine,WOA-ELM)分类模型进行对比,重点研究不同波长响应下煤和矸石的辨识精度来筛选最佳波长,通过多评价指标对优化后的最优波段进行比较.实验结果表明,SMA-ELM分类效果最佳,第6波段为最优波段,SMA-ELM在该波段的平均识别准确率为95.08％,煤和矸石的识别F1-Score分别为96.47％和92.68％,用时10.6 s.所提出的方法可以实现煤和矸石的精准识别,这对煤和矸石的智能分选具有重要的研究意义.

关键词：多光谱成像技术、黏菌优化、极限学习机分类、波段选择、LBP算法

所属期刊栏目：40

分类号：TD94;TP391(选矿)

资助基金：国家重点研发计划;安徽省科技重大专项项目;安徽省能源互联网联合基金重大项目;煤炭安全精准开采国家地方联合工程研究中心开放基金项目

在线出版日期：2023-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1-7