文献类型： 中文期刊

作者： 李瑞 ¹ ; 李博 ¹ ; 王学文 ¹ ; 刘涛 ¹ ; 李廉洁 ¹ ; 樊书祥 ² ;

作者机构： 1.太原理工大学机械与运载工程学院

2.北京农业智能装备技术研究中心

关键词： XGBoost;可见-近红外光谱;煤矸石分选;黑色背景;无损检测

期刊名称： 光谱学与光谱分析

ISSN： 1000-0593

年卷期： 2022 年 42 卷 009 期

页码： 2947-2955

收录情况： EI ; SCI ; 北大核心 ; CSCD

摘要： 煤矸智能识别是实现综放开采智能化亟待研发的新技术;可见-近红外光谱技术具有环保、实时等优势,满足煤矸智能分选的要求.为解决基于可见-近红外光谱的煤矸识别问题,引入在数据科学竞赛中表现出色的极端梯度提升树(XGBoost)算法.搭建可见-近红外光谱实验平台采集来自山西西铭、陕西神木、内蒙古巴隆图煤矿的块状煤与矸石样品在370~1049 nm波段的反射光谱;利用黑白校正、始末波段去除、SG卷积平滑和标准正态变量变换(SNV)对采集的原始光谱进行预处理,以减少光照不均、噪声以及光程差的影响.依据三个煤矿煤与矸石样品反射光谱的差异划分实验组和测试组,实验组差异微小,用于对比不同模型的性能,挑选最佳算法;测试组差异较明显,用于测试最佳算法在其他煤矿下的表现,检验算法对不同煤矿的适用性.在实验组的实验中,首先基于XGBoost算法建立煤与矸石分类模型,并引入常用的机器学习分类算法k近邻法(KNN)、随机森林(RF)、支持向量机(SVM)做对比,结果表明XGBoost的表现最佳,十折交叉验证的平均准确度(ACC10)、分类准确度(ACC)与AUC值分别达到0.9572,0.9705与0.9716,体现出较强的稳定性与分类能力.其次为降低数据维度减少模型运算量,使用递归特征选择(RFE)、连续投影算法(SPA)与竞争性自适应重加权算法(CARS)分别进行特征波长的选择并与上述四种分类算法结合构建简化分类模型,经测试RFE与XGBoost组合的简化模型表现最佳,ACC10,ACC与AUC值分别为0.9657,0.9803与0.9803且数据维度降至9,在降低数据维度的同时提高了模型的稳定性与分类能力.在测试组的实验中,基于优选出的XGBoost与RFE-XGB算法建立的模型,同样可以实现对其他矿区煤与矸石稳定精确地识别,且简化模型表现更好,与实验组结果一致.