改进极限学习机提升焦煤惰质组分类精度

该研究论文聚焦于"基于改进极限学习机的焦煤惰质组分类方法"这一主题，旨在提升焦煤惰质组显微组分的分类精度并减少对人工干预的依赖。焦煤惰质组是煤炭中的重要组成部分，其显微组分的准确识别对于煤炭的加工利用至关重要。论文作者首先针对焦煤惰质组各显微组分的光特性和形貌特性，通过深入分析，从亮度和纹理两个维度提取特征。具体来说，他们采用了灰度统计分布来提取亮度特征，包括亮度比、均值、方差、偏度、一致性和峰度，共6个指标；同时，利用灰度共生矩阵提取纹理特征，涵盖了能量、熵、惯性矩、局部平稳性和最大概率，共5个方面。这些特征被整合到一个11维的初始特征量集中。 为了处理高维特征并减少冗余信息，作者引入了主成分分析(PCA)，通过降维技术将特征空间的维数降低，同时优化特征表达。此外，论文还提出了将奇异值分解(SVD)应用于极限学习机(ELM)中的创新策略，以解决普通ELM在训练过程中需要大量实验确定参数的问题，从而提高了学习机的智能化程度。这种方法改进了ELM的训练效率，使得网络隐含层节点数减少了近40%。 实验结果显示，改进后的ELM方法在分类速度、准确性上都表现出优势，相比于支持向量机(SVM)有显著提升。与传统的ELM方法相比，它不仅训练更加迅速，而且在焦煤惰质组的测试样本分类中，准确率也有所提高。这项研究对于煤炭行业的智能化分析和分类技术具有重要意义，特别是在煤炭加工和利用过程中，精确识别惰质组对于提升生产效率和产品质量具有实际价值。 这篇论文深入探讨了如何利用改进的极限学习机技术优化焦煤惰质组的显微组分分类，展示了在煤炭工业领域的一个实用且高效的计算机视觉和机器学习应用案例。