基于PSO优化NP-FSVM的煤矸光电智能分选技术研究
郭永存
于中山
卢熠昌
1.安徽理工大学省部共建深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南232001;安徽理工大学机械工程学院,安徽淮南2320012.安徽理工大学省部共建深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南232001;安徽理工大学机械工程学院,安徽淮南2320013.安徽理工大学省部共建深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南232001;安徽理工大学机械工程学院,安徽淮南232001
摘要：为提高分选的稳定性和准确率,提出一种多特征融合的基于粒子群算法优化的法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)煤矸石分选方法.介绍了X射线探测识别煤矸石技术的基本原理与工作流程.对采集到的X射线图像经中值滤波去噪预处理后,分别提取灰度特征下的灰度均值、灰度方差,以及基于灰度共生矩阵的纹理特征下的能量、相关性、对比度和熵共计6个特征向量,并对选择的特征进行融合.利用法平面型隶属度函数能有效剔除孤立样本的优点,结合粒子群算法对模糊支持向量机分类器模型的主要参数进行优化,提出经优化改进后的PSO-NP-FSVM分类算法,采用相同的训练样本,与PSO-FSVM分类器模型进行仿真对比分析.最后,分别采用PSO-NP-FSVM、PSO-FSVM算法与单一灰度或纹理特征进行识别的方法建立分类器模型,并通过交叉验证的方法进行对比试验.试验研究结果表明:PSO-NP-FSVM算法经56次的迭代,参数达到最优,PSO-FSVM算法参数寻优需迭代63次;PSO-NP-FSVM算法的适应度函数值较小.通过多特征融合的PSO对NP-FSVM进行优化的分选方法,煤矸石的分选准确率达到93.8％,其准确率和稳定性较普通PSO-FSVM分类器模型与单一特征识别方法,均有所提高.X射线探测的光电智能分选技术是未来煤矸石分选发展的重要趋势,此方法可改善在分选过程中因煤矸厚度的影响,导致识别准确率降低的缺陷.
关键词：煤矸石分选智能分选X射线探测灰度特征纹理特征粒子群优化算法模糊支持向量机
分类号：TD94(选矿)TD67(矿山电工)
资助基金：国家自然科学基金(51874004)国家科技重大专项(18030901049)安徽省自然科学基金(1908085QE227)
论文发表日期：2019-04-02
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 13-19 )
英文信息