第36卷，第9期 2016年9月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol.36,No.9,pp2793-2797
September, 2016
基于LVQ与SVM算法的近红外光谱煤产地鉴别
李明，陈凡，雷萌，李翠中国矿业大学信息与电气工程学院，江苏徐州221116
摘要传统煤产地鉴别方法一般以发热量、挥发分、粘绪指数、哈氏可磨指数和增据膨服序数作为分类指标，过程复杂耗时较多、耗费巨大的人力、物力并且无法直接快速的得到煤样产地等问题，借助近红外光谱
信息的煤样光谱数据集，构造基于SVM算法与LVQ算法的定性分析模型，完成基于近红外光谱分析技术的煤产地的快速鉴别，无需对煤样的各种指标进行汇总并且人为预测。针对SVM分析模型中存在随机参数优化问题，引入PSO算法对SVM模型中的损失参数C和核函数半径g进行改进，得到最优参数，最后引入计算准确率的方法对比以上模型并进行评价分析，实验一共收集了加拿大、俄罗斯、澳大利亚、印度尼西亚、中国内蒙等5个地区的煤样光谱数据集，数据集共计305组煤样样本，其中异常样本共计10组，分别选择各国煤炭光谱的前31组作为训练样本，后6组数据作为测试样本，结果表明各分类模型的分类准确率均能达到75%以上，其中基于PSO算法改进的SVM分析模型的准确率可达到96.67%，仅一个样本出现问
题，可快速高效地实现基于近红外光谱分析技术的煤产地的鉴别。关键词煤产地鉴别；近红外光谱；SVM，LVQ；PSO
中图分类号：TP18
引言
文献标识码：A
DOI: 10. 3964/j. issn. 10000593(2016)092793-05
1实验部分
地质变化过程漫长复杂，由于多种地质因素的干扰，煤
矿内煤炭成分也干差方别。造成煤炭的多样化的原因很多，主要是由成煤原始物质、成煤年份、还原程度和成因类别上的差异，再加上各种变质作用的影响1。
传统煤产地鉴别方法复杂耗时较多，并且要使用特定的实验仪器，如马弗炉、埚等，造价昂贵，操作复杂3}，快速煤成分分析方法，如射线法[]和微波加热法[4]，都只能对单项指标进行测量。陈鹏强5等利用近红外光谱分析技术煤炭品质进行定量分析，但是需要按照成分指标对煤炭产地进行鉴别，不能直接测出产地。因此寻找一种快速高效煤产地鉴别方法，是十分必要的。
近红外光谱分析技术6应用在煤产地鉴别领域尚属空白。抽取加拿大、俄罗斯、澳大利亚、印度尼西亚和中国内蒙五国港口煤炭样本，并使用近红外光谱分析技术，建立
LVQ和SVM分类模型，用PSO算法优化SVM参数。收稿日期：2015-04-28，修订日期：2015-08-16
1.1数据
依照国家GB/T213一2008标准，利用AntarisⅡ傅立叶变换近红外（FT-NIR)光谱仪测得煤样光谱，化学计量学软件TQAnalyst7.1做光谱处理和软件Matlab编程实现煤炭分类。以上过程均符合国家要求，可保证实验的正确率和准确率。
1.2LVQ算法
学习向量量化（learningvectorquantization，LVQ）神经网络是根据Kohonen竞争算法演变而来。LVQ神经网络由3层组成，分别是输人层、竞争层和输出层神经元。学习算法可以分为两类，分别为LVQ1和LVQ2学习算法。
LVQ1学习算法是根据输人向量的固有结构进行数据压缩的技术。该算法的计算过程如下：首先通过距离公式找到距离输人回量最近的竞争神经元，从而进一步找到与竞争神经元相连接的输出层神经元，如果输人向量的类别和输出层神经元的类别相同，那么相对应竞争层神经元的权值朝输入
基金项目：国家自然科学基金项目（51304194)，江苏省自然科学基金项目（BK20140215），中国博士后科学基金项目（2014M551695)资助
作者简介：李明，1962年生，中国矿业大学信息与电气工程学院教授
≥通讯联系人
e-mail: leimengniee@163. com
e-mail : liming@ cumt, edu, cr