專利名稱：用主成分分析與支持向量機(jī)的重介懸浮液煤泥含量測定法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于工業(yè)自動(dòng)檢測技術(shù)領(lǐng)域，涉及一種使用主成分分析與支持向量機(jī)的重介懸浮液煤泥含量測定法。

背景技術(shù)：
重介質(zhì)選煤是用密度介于煤與矸石之間的液體作為分選介質(zhì)的選煤方法，密度低于介質(zhì)的精煤漂浮，密度高于介質(zhì)的矸石(或中煤)則下沉，然后分別收集歸入不同類的產(chǎn)品。目前，國內(nèi)外普遍采用磁鐵粉與水配制成的重介懸浮液作為選煤的分選介質(zhì)。
在重介質(zhì)選煤過程中，密度和粘度是重介懸浮液的兩個(gè)關(guān)鍵參數(shù)。工業(yè)現(xiàn)場一般通過控制重介懸浮液中磁鐵粉含量來控制其密度，通過控制重介懸浮液中煤泥粉含量來控制其粘度。當(dāng)密度達(dá)不到要求時(shí)，分選產(chǎn)品就不合乎要求。另外，當(dāng)煤泥粉偏多或偏少時(shí)，重介懸浮液的粘度相應(yīng)的偏大或偏小，影響分選效率。所以選煤廠需要對重介懸浮液的密度和煤泥含量(煤泥粉質(zhì)量占總固體質(zhì)量的百分比)進(jìn)行測量。
目前，選煤廠廣泛使用同位素密度計(jì)測量重介懸浮液的密度。而對于煤泥含量，則普遍采用間接測量方法，根據(jù)電磁感應(yīng)原理利用磁性物含量計(jì)測出重介懸浮液中磁性物含量值，再結(jié)合同位素密度計(jì)測量到的密度值，經(jīng)過經(jīng)驗(yàn)公式換算得到煤泥含量。另外，也有選煤廠通過一些離線方法對密度和煤泥含量進(jìn)行測量，如利用密度壺稱量密度，通過采樣化驗(yàn)的方法測量煤泥含量。
總之，密度和煤泥含量的在線測量方法需要兩套不同的設(shè)備，維護(hù)不方便，且成本高；另外密度的測量還需要用到放射線。針對這些情況，有人提出使用壓差傳感器通過旁路取樣測量的方法來測量密度，同時(shí)根據(jù)旁路中重介懸浮液在沉降過程中壓差的變化數(shù)據(jù)來推測煤泥含量。這樣既可以完成密度、煤泥含量的一體化測量，且成本低，使用方便，而且避開了放射性方法。此外，國內(nèi)公開專利(CN201016914)也提出了一種直接測量懸浮液固體顆粒沉降速度的裝置，該裝置也是采用壓差傳感器實(shí)現(xiàn)。但是，該專利并未公布利用壓差傳感器測量重介懸浮液沉降速度的方法，也未提及如何通過壓差傳感器測量重介懸浮液煤泥含量。
在利用壓差測量裝置對重介懸浮液密度、煤泥含量進(jìn)行一體化測量的方案中，難點(diǎn)在于煤泥含量的測量，存在以下困難 1)重介懸浮液是由兩種固體與水組成的多相流流體，且固體(磁鐵粉、煤泥粉)顆粒的大小、形狀沒有一定規(guī)律，難以從機(jī)理上建立沉降模型。從而，壓差與煤泥含量之間，難以得出一個(gè)解析形式的數(shù)學(xué)模型。
2)受工業(yè)現(xiàn)場條件限制，重介懸浮液的密度與煤泥含量的變化范圍較小，即通過沉降實(shí)驗(yàn)所能獲取的實(shí)驗(yàn)樣本少。
本發(fā)明提出了一種利用壓差測量裝置測量煤泥含量的方法。該方法利用主成分分析方法對重介懸浮液靜態(tài)沉降過程中壓差數(shù)據(jù)進(jìn)行主成分提取形成訓(xùn)練樣本，并采用支持向量機(jī)(Support Vector Machines)建立測量模型。
主成分分析可以在力保數(shù)據(jù)信息損失最少的情況下，對高維變量空間進(jìn)行降維處理。通常數(shù)學(xué)上的處理就是將原來的W個(gè)變量進(jìn)行線性組合，形成新的綜合變量，線性組合的標(biāo)準(zhǔn)就是使得W1(第一個(gè)線性組合，即第一個(gè)綜合變量)的方差最大，即包含最多的信息。相應(yīng)地，W1就稱為第一主成分。如果第一主成分不足以代表原W個(gè)變量的信息，則繼續(xù)選取第二個(gè)線性組合W2(即第二主成分)，并且W1與W2正交。依此類推，可以構(gòu)造多個(gè)主成分。
支持向量機(jī)的基本思想是，通過一個(gè)非線性映射將輸入變量映射到高維Hilbert空間，在這個(gè)高維空間中構(gòu)造最優(yōu)分類超平面。該方法是由統(tǒng)計(jì)學(xué)習(xí)理論導(dǎo)出的新的機(jī)器學(xué)習(xí)方法，可以用于解決模式識別、函數(shù)擬合等問題。用于函數(shù)擬合的主要思想在于控制擬合函數(shù)的復(fù)雜度，在沒有其它知識的情況下，使擬合函數(shù)盡可能平坦；不要求精確擬合訓(xùn)練樣本集中的每個(gè)點(diǎn)，而是允許一定的擬合誤差。這些思想決定了支持向量機(jī)具有較強(qiáng)的推廣能力，而且對訓(xùn)練樣本的噪聲相對不敏感，并且特別適合于解決小樣本問題。以下若非特別說明，“支持向量機(jī)”均指用于函數(shù)擬合的支持向量機(jī)。
用支持向量機(jī)方法得到的擬合函數(shù)具有如下的形式 其中，x是輸入變量，f(x)是其對應(yīng)的輸出；l是訓(xùn)練樣本個(gè)數(shù)；αi、b是訓(xùn)練過程中確定的系數(shù)；K(x，xi)是指定的核函數(shù)。


發(fā)明內(nèi)容
針對上述存在的問題，本發(fā)明提出一種使用主成分分析和支持向量機(jī)的重介懸浮液煤泥含量測定法，解決根據(jù)壓差數(shù)據(jù)測量煤泥含量的問題，同時(shí)為“通過壓差測量裝置完成密度與煤泥含量的一體化測量”提供可靠的基礎(chǔ)和依據(jù)。
本發(fā)明的技術(shù)效果在于，該方法給出了基于主成分分析的特征提取方法，實(shí)現(xiàn)了對壓差數(shù)據(jù)的降維；采用基本遺傳算法實(shí)現(xiàn)了對支持向量機(jī)最優(yōu)參數(shù)的選擇，解決了支持向量機(jī)應(yīng)用中參數(shù)選擇困難的問題；建立了基于ε-SVR(ε型支持向量回歸機(jī)，其中ε為回歸精度參數(shù))的煤泥含量測量模型，使得通過壓差測量裝置可以對重介懸浮液煤泥含量進(jìn)行測量，從而該方法為“通過壓差測量裝置完成密度與煤泥含量的一體化測量”提供了可靠的基礎(chǔ)和依據(jù)。本發(fā)明方法測量煤泥含量的誤差為±4％。



圖1本發(fā)明的硬件連接示意圖，其中 1第一電動(dòng)閥門 2第二電動(dòng)閥門 3壓差傳感器第一感應(yīng)面 4壓差傳感器第二感應(yīng)面 5數(shù)據(jù)采集設(shè)備 6信號轉(zhuǎn)換設(shè)備 7控制計(jì)算機(jī) 圖2本發(fā)明方法主程序流程圖； 圖3基于遺傳算法的最優(yōu)參數(shù)選擇的程序流程圖； 圖4本發(fā)明示例所用的實(shí)驗(yàn)裝置示意圖。

具體實(shí)施例方式 硬件要求 1)第一、第二電動(dòng)閥門，分別安裝于重介懸浮液旁路的上、下部位， 2)一套壓差傳感器，安裝于重介懸浮液旁路管壁上，壓差傳感器的第一感應(yīng)面離第一電動(dòng)閥門的距離約為10～40cm，壓差傳感器的第二感應(yīng)面與第二電動(dòng)閥門的距離越大越好(應(yīng)大于50cm)，壓差傳感器上、下感應(yīng)面之間的距離盡量小，約為7～40cm， 3)監(jiān)控計(jì)算機(jī)一臺，進(jìn)行軟件計(jì)算，給出最終測量結(jié)果， 4)數(shù)據(jù)采集設(shè)備、信號轉(zhuǎn)換設(shè)備， 硬件連接示意圖參見附圖1所示。
本發(fā)明方法包含訓(xùn)練和測量兩部分，現(xiàn)在根據(jù)程序流程圖(附圖2與附圖3)說明訓(xùn)練與測量部分的具體實(shí)施方式
。
(1)訓(xùn)練部分的
具體實(shí)施例方式 步驟1獲取樣本數(shù)據(jù) 在設(shè)備承受能力內(nèi)，在不低于正常工況下，利用一套壓差傳感器測量裝置(附圖1所示)獲取重介懸浮液在不同密度與不同煤泥含量下的沉降過程中的壓差數(shù)據(jù)，每次沉降過程，采樣間隔為5秒鐘，采樣點(diǎn)數(shù)為60，設(shè)共得到m組樣本數(shù)據(jù)，m≥12，形成一個(gè)m×60維的矩陣Fm×60，其中，F(xiàn)m×60的行代表時(shí)間序列，F(xiàn)m×60的列代表樣本組序號，例如(Fm×60)35表示第3個(gè)樣本在沉降開始后第5個(gè)壓差采樣值， 同時(shí)對每次沉降過程，通過取樣化驗(yàn)的方法得到對應(yīng)的重介懸浮液的煤泥含量值，設(shè)上述m組樣本所對應(yīng)的重介懸浮液的煤泥含量化驗(yàn)值為Y1×m＝[y1，y2，…，ym]，其中ym表示第m組樣本所對應(yīng)的煤泥含量化驗(yàn)值； 步驟2提取主成分形成訓(xùn)練樣本 本發(fā)明方法采用主成分分析方法對樣本數(shù)據(jù)進(jìn)行降維，以樣本數(shù)據(jù)的主成分形成訓(xùn)練樣本，包含以下步驟 步驟2.1對樣本數(shù)據(jù)矩陣Fm×60的每一列fi，求其均值μi如下，fji為fi的第j個(gè)元素， 步驟2.2對樣本數(shù)據(jù)矩陣Fm×60的每一列fi，求其方差βi如下， 步驟2.3對樣本數(shù)據(jù)矩陣Fm×60的每一列fi，標(biāo)準(zhǔn)化處理如下， 標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣記為Fm×60＝[f1，f2，…，f60]， 步驟2.4求數(shù)據(jù)矩陣Fm×60的協(xié)方差矩陣G60×60，其各元素的計(jì)算方法如下， 其中，gkh為G60×60的第k行第h列之元素， 步驟2.5使用Householder變換對矩陣G60×60進(jìn)行特征值分解， G60×60·a60×1＝λ·a60×1， 得到特征值λ1≥λ2≥…≥λ60，與各特征值對應(yīng)的特征向量為a1，a2，…，a60，選擇與前四個(gè)最大特征值對應(yīng)的特征向量a1、a2、a3、a4，形成矩陣A60×4＝[a1，a2，a3，a4]， 步驟2.6以矩陣A60×4＝[a1，a2，a3，a4]對數(shù)據(jù)矩陣Fm×60進(jìn)行線性變換，得到樣本數(shù)據(jù)的主成分Bm×4＝Fm×60×A60×4，以Bm×4的轉(zhuǎn)置矩陣形成訓(xùn)練樣本X4×m，其中X4×m的列代表訓(xùn)練樣本組序號，行代表主成分序號，如(X4×m)25表示第5個(gè)訓(xùn)練樣本的第2主成分； 步驟3訓(xùn)練樣本歸一化 把的每一行歸一化到
， xl＝(xl-bxl)kxl， kxl＝1/(max(xl)-min(xl))，bxl＝min(xl)，l＝1，2，3，4，歸一化后的訓(xùn)練樣本為 把煤泥含量化驗(yàn)值Y1×m＝[y1，y2，…，ym]進(jìn)行歸一化，歸一化后的變化范圍為
， yj＝(yj-by)ky， ky＝1/(max(Y1×m)-min(Y1×m))，by＝min(Y1×m)，j＝1，2，…，m， 歸一化后的煤泥含量Y1×m＝[y1，y2，…，ym]； 步驟4訓(xùn)練樣本隨機(jī)等分成T份 一般地，T＝3～m，其中m為訓(xùn)練樣本數(shù)目，如果m不是T的整數(shù)倍，則前T-1份中的每一份包含的訓(xùn)練樣本數(shù)目為[m/T](不超過m/T的最大整數(shù))，最后一份包含的訓(xùn)練 樣本數(shù)目為m-[m/T]，如果m是T的整數(shù)倍，則每份包含的訓(xùn)練樣本數(shù)目為m/T； 步驟5LIBSVM軟件初始化 支持向量機(jī)類型選擇ε-SVR(ε型支持向量回歸機(jī)，用于函數(shù)擬合，其中ε為回歸精度參數(shù))， 核函數(shù)選擇選擇高斯徑向基核函數(shù)， 高斯徑向基核函數(shù)參數(shù)σ2， 回歸精度參數(shù)ε， 懲罰參數(shù)C，在訓(xùn)練誤差與模型復(fù)雜度之間進(jìn)行折中， LIBSVM軟件運(yùn)行停止準(zhǔn)則為軟件內(nèi)部某一變量變化的最小值的表示，定為0.00001， 當(dāng)達(dá)到此值時(shí)，LIBSVM軟件停止運(yùn)行； 步驟6基于基本遺傳算法的最優(yōu)參數(shù)選擇 使用基本遺傳算法選擇LIBSVM所需的最優(yōu)參數(shù)σ2、ε、C，包含以下步驟 步驟6.1確定參數(shù)范圍與編碼方式 編碼方式各參數(shù)均用10位二進(jìn)制編碼，一組參數(shù)的總編碼長度為30，前10位二進(jìn)制串與參數(shù)σ2對應(yīng)，中間10位二進(jìn)制串與參數(shù)ε對應(yīng)，后10位二進(jìn)制串與參數(shù)C對應(yīng)， 參數(shù)σ2的范圍
， 參數(shù)ε的范圍
， 參數(shù)C的范圍
， 將上述三個(gè)參數(shù)的范圍寫成矩陣 同時(shí)存儲(chǔ)向量scale，表示為 步驟6.2遺傳算法初始化 種群大小N＝100，種群是指100組所述參數(shù)[σ2、ε、C]形成的集合，其中每一組參數(shù)稱為種群的一個(gè)個(gè)體， 遺傳算法終止迭代次數(shù)Zend＝300，當(dāng)前迭代次數(shù)Z＝0， 交叉概率Pc＝0.8，所述個(gè)體以0.8的概率進(jìn)行交叉運(yùn)算所述種群中的兩個(gè)所述個(gè)體相互交換部分元素， 變異概率Pm＝0.05，所述個(gè)體以0.05的概率進(jìn)行變異運(yùn)算所述種群中的個(gè)體(二進(jìn)制串)在某些位置取反值，即0變成1，1變成0， 步驟6.3產(chǎn)生初始種群，形成N組參數(shù) 隨機(jī)生成元素為0或1的參數(shù)矩陣PN×30，其中矩陣PN×30的每一行表示一組參數(shù)[σ2、ε、C]的二進(jìn)制編碼串，即為一個(gè)個(gè)體，所有的行形成初始種群， 步驟6.4計(jì)算矩陣PN×30每一行ps(s＝1，2，…，N)的適應(yīng)度，包含以下步驟， 步驟6.4.1按如下方法對ps進(jìn)行解碼，得到其對應(yīng)的一組參數(shù)[σs2、εs、Cs]， 步驟6.4.1.1產(chǎn)生三個(gè)1×10維的向量q1、q2、q3，分別存儲(chǔ)三個(gè)參對應(yīng)的二進(jìn)制串， 將ps的第1～10個(gè)元素賦給q1，將ps的第11～20個(gè)元素賦給q2，將ps的第21～30個(gè)元素賦給q3， 步驟6.4.1.2按下式分別計(jì)算三個(gè)參數(shù)的實(shí)數(shù)值， εs＝[29×q2(1)+28×q2(2)+…+20×q2(10)]×scale(2)+bounds(2，1)， Cs＝[29×q3(1)+28×q3(2)+…+20×q3(10)]×scale(3)+bounds(3，1)， 其中，q1(1)表示向量q1的第1個(gè)元素，以下類推， scale(1)為所述向量scale的第1個(gè)元素，以下類推， bounds(1，1)為所述矩陣bounds第1行第2列之元素，以下類推， 步驟6.4.2交叉驗(yàn)證，計(jì)算矩陣PN×30每一行ps對應(yīng)的適應(yīng)度hs， 在把訓(xùn)練樣本隨機(jī)等分成T份的條件下，每次從T份訓(xùn)練樣本中取出一份作為測試樣本，用余下的T-1份訓(xùn)練樣本訓(xùn)練所述LIBSVM軟件，然后對測試樣本進(jìn)行測試，共進(jìn)行T次“訓(xùn)練-測試”過程，將T次測試的總均方誤差作為參數(shù)好壞的一個(gè)評價(jià)，均方誤差越大，參數(shù)越壞，其對應(yīng)的適應(yīng)度就越小，反之，適應(yīng)度越大，具體包含以下驟如， 步驟6.4.2.1令t＝1，第一次取出第一份作為測試樣本， 步驟6.4.2.2將步驟6.4.1所得ps對應(yīng)的參數(shù)值σs2、εs、Cs輸入LIBSVM軟件，留出 訓(xùn)練樣本的第t份做測試，對剩下T-1份樣本進(jìn)行訓(xùn)練， 步驟6.4.2.3訓(xùn)練結(jié)束后，得到一組訓(xùn)練樣本的貢獻(xiàn)系數(shù)α和一個(gè)偏置系數(shù)d，其中，若α＝0，則表示與該α對應(yīng)的訓(xùn)練樣本對煤泥含量測量模型沒有貢獻(xiàn)，可以忽略，而那些貢獻(xiàn)系數(shù)不為零的訓(xùn)練樣本則稱為支持向量， 步驟6.4.2.4按下式得到一個(gè)煤泥含量的測量模型， 其中，j*為支持向量的序號，ms為支持向量的個(gè)數(shù)，xl*為輸入變量的第l個(gè)主成分，

為第j*個(gè)支持向量的第l個(gè)主成分， 步驟6.4.2.5將第t份樣本代入步驟6.4.2.4中的測量模型進(jìn)行測試，保存相應(yīng)的測試值， 步驟6.4.2.6令t＝t+1，重復(fù)步驟6.4.2.2～6.4.2.5直到t＞T， 步驟6.4.2.7按下式計(jì)算矩陣PN×30每一行ps的適應(yīng)度值hs，
其中，yj為第j組訓(xùn)練樣本所對應(yīng)的煤泥含量化驗(yàn)值，yj*為第j組訓(xùn)練樣本對應(yīng)的煤泥含量測試值，s＝1，2，3，…，100， 步驟6.5將h1～h100中的最大值存儲(chǔ)為hmax，如果hmax＞0.12轉(zhuǎn)步驟6.11，否則轉(zhuǎn)步驟6.6， 步驟6.6如果遺傳算法當(dāng)前迭代運(yùn)行次數(shù)Z＞Zend轉(zhuǎn)步驟6.11，否則轉(zhuǎn)步驟6.7， 步驟6.7對種群PN×30實(shí)施選擇運(yùn)算，包含以下步驟， 步驟6.7.1產(chǎn)生元素全為零的矩陣PNN×30，用于存儲(chǔ)新一代種群， 步驟6.7.2計(jì)算個(gè)體的相對適應(yīng)度hi， 步驟6.7.3把步驟6.7.2中計(jì)算得到的各個(gè)體的相對適應(yīng)度hs，按由小到大的順序進(jìn)行排序，得到一個(gè)適應(yīng)度遞增的序列， hx1≤hx2≤hx3≤…≤hxN， 同時(shí)將矩陣PN×30的各行按上述遞增序列的排列順序進(jìn)行調(diào)整，使得第s行的個(gè)體所對應(yīng)的適應(yīng)度值為hxs，調(diào)整后的矩陣為PN×30， 步驟6.7.4構(gòu)造一個(gè)種群選擇向量U1×N，其中，第s個(gè)元素us計(jì)算公式為， 向量U1×N的元素us遞增式地把區(qū)間(0，1]分成如下N個(gè)小區(qū)間，(0，u1]，(u1，u2]，(u2，u3]，…，(uN-1，uN]， 步驟6.7.5按以下步驟選擇新一代種群， 步驟6.7.5.1將步驟6.7.3的矩陣PN×30的最后一行賦給PNN×30的第一行，以保留最優(yōu)個(gè)體， 步驟6.7.5.2其余的N-1行的選擇方法如下， 隨機(jī)生成一個(gè)(0，1)之間的實(shí)數(shù)v1，設(shè)v1落在步驟6.7.4中的某一區(qū)間(us-1，us]，則將PN×30的第s行選入新一代種群(s＝1，2，…，N)，重復(fù)此步驟，直到選擇完N-1個(gè)個(gè)體為止。并將這N-1個(gè)個(gè)體依次賦給PNN×30的第2～N行，使得在新種群中適應(yīng)度大的個(gè)體得到加強(qiáng)，適應(yīng)度小的個(gè)體得到削弱， 步驟6.8對經(jīng)過選擇運(yùn)算后的矩陣PNN×30實(shí)施交叉運(yùn)算，步驟如下， 步驟6.8.1設(shè)矩陣PNN×30的第s、s+1行分別為pns、pns+1， 步驟6.8.2令s＝3，從矩陣PNN×30的第3、4兩行開始實(shí)施交叉運(yùn)算， 步驟6.8.3隨機(jī)生成一個(gè)(0，1)之間的實(shí)數(shù)v2，如果v2＜Pc，轉(zhuǎn)步驟6.8.4，實(shí)施 交叉運(yùn)算，否則轉(zhuǎn)步驟6.8.5， 步驟6.8.4對所述矩陣PNN×30第s、s+1兩行做交叉運(yùn)算，方法如下， 從行向量pns的各個(gè)元素的位置序號1，2，…，30中隨機(jī)抽取六個(gè)序號形成遞增向量[r1，r2，r3，r4，r5，r6]，將矩陣PNN×30的兩行pns、pns+1的第r1～r2個(gè)元素對換、第r2～r4個(gè)元素對換、第r5～r6個(gè)元素對換， 步驟6.8.5s＝s+2，若s＞N-1，交叉運(yùn)算結(jié)束，否則，轉(zhuǎn)步驟6.8.3， 步驟6.9對經(jīng)過交叉運(yùn)算后的PNN×30實(shí)施變異運(yùn)算，步驟如下， 步驟6.9.1令s＝2，第1個(gè)個(gè)體不參加變異運(yùn)算，以保留最優(yōu)個(gè)體， 步驟6.9.2隨機(jī)生成一個(gè)(0，1)之間的實(shí)數(shù)v3，如果v3＜Pm，轉(zhuǎn)步驟6.9.3， 否則轉(zhuǎn)步驟6.9.4， 步驟6.9.3對所述矩陣PNN×30的第s行pns進(jìn)行變異運(yùn)算，方法如下， 從所述行向量pns的各個(gè)元素的位置序號1，2，…，30中隨機(jī)抽取三個(gè)序號形成遞增向量[r1*，r2*，r3*]，將pns的第r1*、r2*、r3*個(gè)元素分別取反值，即0變?yōu)?，1變?yōu)?， 步驟6.9.4s＝s+1，若s＞N，變異運(yùn)算結(jié)束，否則，轉(zhuǎn)步驟6.9.2， 步驟6.10以變異運(yùn)算后的種群為當(dāng)前種群，將PNN×30賦給PN×30，遺傳算法完成一次迭代，令Z＝Z+1，轉(zhuǎn)步驟6.4， 步驟6.11遺傳算法結(jié)束，以步驟6.7.5中所述矩陣PNN×30的第一行為最優(yōu)個(gè)體，對其解碼得到一組最優(yōu)參數(shù)[σ2，ε，C]，解碼方法同步驟6.4.1； 步驟7利用LIBSVM進(jìn)行訓(xùn)練 將最優(yōu)參數(shù)σ2，ε，C輸入LIBSVM軟件，并對所有訓(xùn)練樣本進(jìn)行訓(xùn)練，得到如下測量模型， 步驟8保存測量模型 保存步驟2.3中樣本數(shù)據(jù)標(biāo)準(zhǔn)化時(shí)所確定的樣本均值與方差μi、βi， 保存步驟2.5中提取主成分時(shí)確定的變換矩陣A60×4， 保存步驟3中所確定的歸一化變換系數(shù)kxl、bxl，ky、by， 保存步驟6.11中基本遺傳算法所確定的支持向量機(jī)最優(yōu)參數(shù)σ2，ε，C， 保存步驟7中LIBSVM訓(xùn)練后所確定的支持向量及其對應(yīng)的系數(shù)， 支持向量x1，x2，…，xms， 對應(yīng)系數(shù)α1，α2，…αms，d， 其中ms為支持向量的個(gè)數(shù)，

為一4×1列向量，

為一個(gè)非零實(shí)數(shù)，j*＝1，2，…，ms。
(2)測量部分的
具體實(shí)施例方式 步驟1讀取測量模型 讀取訓(xùn)練部分所存儲(chǔ)的樣本均值與方差μi、βi， 讀取訓(xùn)練部分所存儲(chǔ)的變換矩陣A60×4， 讀取訓(xùn)練部分所存儲(chǔ)的歸一化變換系數(shù)kxl、bxl，ky、by， 讀取訓(xùn)練部分存儲(chǔ)的支持向量機(jī)最優(yōu)核函數(shù)參數(shù)σ2，ε，C， 讀取訓(xùn)練部分所存儲(chǔ)的支持向量及對應(yīng)系數(shù)，x1，x2，…，xms，α1，α2，…αms，d，其中ms為支持向量的個(gè)數(shù)； 步驟2獲取壓差數(shù)據(jù) 要測量某一條件下的重介懸浮液的煤泥含量，首先通過計(jì)算機(jī)控制第一、第二電動(dòng)閥門關(guān)閉，閥門關(guān)閉后，重介懸浮液開始在旁路管內(nèi)沉降，同時(shí)開始采集壓差數(shù)據(jù)，采樣間隔為5秒鐘，采樣點(diǎn)數(shù)為60，然后，開啟閥門，沉降結(jié)束，停止采集數(shù)據(jù)，將這60點(diǎn)的沉降數(shù)據(jù)，寫成向量f1×60*； 步驟3計(jì)算主成分 步驟3.1對f1×60*的每一個(gè)元素做如下預(yù)處理， 處理之后的數(shù)據(jù)為f1×60*， 步驟3.2對f1×60*進(jìn)行線性變換，求其主成分， 步驟3.3形成輸入變量為， 步驟4計(jì)算煤泥含量 把步驟3.3中的輸入變量代入如下測量模型進(jìn)行計(jì)算， 即可以計(jì)算出煤泥含量； 步驟5結(jié)果存儲(chǔ)與顯示； 步驟6如果需要繼續(xù)測量，轉(zhuǎn)步驟2，否則，測量結(jié)束。
本發(fā)明示例 通過一種自制的簡易壓差測量裝置(附圖4)，配置不同密度與不同煤泥含量下的重介懸浮液，并做了相應(yīng)的沉降實(shí)驗(yàn)，獲取了壓差數(shù)據(jù)。
附圖4實(shí)驗(yàn)裝置高1.2m，內(nèi)徑40mm，外徑50mm。壓力傳感器安裝位置如附圖4所示，其型號為CYB13PBFSI，量程為0～20kPA，4～20mA電流輸出。通過外接精密電阻，將4～20mA電流轉(zhuǎn)化為1～5V電壓輸出，采集兩路壓力信號到PC機(jī)，通過求差，得到壓差信號。
通過這些壓差數(shù)據(jù)用本發(fā)明的方法進(jìn)行了訓(xùn)練與測試，具體過程如下 (1)訓(xùn)練部分 步驟1獲得樣本數(shù)據(jù) 使用附圖4所示的壓差測量裝置完成了重介懸浮液的靜態(tài)沉降實(shí)驗(yàn)，每次沉降實(shí)驗(yàn)中，采集壓差數(shù)據(jù)60點(diǎn)，采樣間隔為5秒鐘，共獲取18組壓差數(shù)據(jù)，實(shí)驗(yàn)中，密度的變化范圍1.2g/ml～1.5g/ml，煤泥含量的變化范圍25％～45％， 將壓差數(shù)據(jù)寫成一個(gè)18×60維的矩陣F18×60， 同時(shí)在配置重介懸浮液時(shí)記錄其所對應(yīng)的煤泥含量值，設(shè)與F18×60對應(yīng)的煤泥含量為Y1×18(1×18維向量)； 步驟2提取主成分形成訓(xùn)練樣本 按照訓(xùn)練部分的具體實(shí)施方式
進(jìn)行，主要步驟如下 將矩陣F18×60的每一列標(biāo)準(zhǔn)化(均值為0，方差為1)得數(shù)據(jù)矩陣F18×60， 求數(shù)據(jù)矩陣F18×60的協(xié)方差矩陣G60×60， 對矩陣E60×60進(jìn)行特征值分解，得到特征值及其對應(yīng)的特征向量，選擇與前四個(gè)最大特征值對應(yīng)的特征向量a1、a2、a3、a4，形成矩陣A60×4＝[a1，a2，a3，a4]， 以矩陣A60×4＝[a1，a2，a3，a4]對數(shù)據(jù)矩陣F18×60進(jìn)行線性變換，得到原始數(shù)據(jù)的主成分B18×4＝F18×60×A60×4，以B18×4T的裝置矩陣X4×18形成訓(xùn)練樣本，即每一列為一個(gè)樣本； 步驟3訓(xùn)練樣本歸一化 把每一行歸一化到
，歸一化后的訓(xùn)練樣本 把與訓(xùn)練樣本所對應(yīng)的的煤泥含量Y1×18＝[y1，y2，…，y18]歸一化到
，歸一化后的煤泥含量為Y1×18＝[y1，y2，…，y18]； 步驟4訓(xùn)練樣本隨機(jī)分成T份 取T＝6，將18組訓(xùn)練樣本隨機(jī)分成6份，每份中包含3組訓(xùn)練樣本； 步驟5LIBSVM初始化 支持向量機(jī)類型選擇ε-SVR(ε型支持向量回歸機(jī))， 核函數(shù)選擇選擇高斯徑向基核函數(shù)， 核函數(shù)參數(shù)σ2待定， 精度參數(shù)ε待定， 懲罰參數(shù)C待定， LIBSVM軟件運(yùn)行停止準(zhǔn)則0.00001； 步驟6基于基本遺傳算法的最優(yōu)參數(shù)選擇 按照訓(xùn)練部分具體實(shí)施方式
進(jìn)行，主要步驟如下 1)參數(shù)范圍與編碼方式確定 編碼方式各參數(shù)均用10位二進(jìn)制編碼， 參數(shù)σ2范圍
， 參數(shù)ε的范圍
， 參數(shù)C的范圍
， 2)遺傳算法初始化 種群大小N100， 遺傳算法終止迭代次數(shù)Zend＝300，當(dāng)前迭代次數(shù)Z＝0， 交叉概率Pc0.8， 變異概率Pm0.05， 3)基本遺傳算法所確定的最優(yōu)參數(shù) σ2＝0.243，ε＝0.0024，C＝57.971， 在最優(yōu)參數(shù)下交叉驗(yàn)證時(shí)的總均方誤差為RMSE＝0.354； 步驟7利用LIBSVM進(jìn)行訓(xùn)練 使用最優(yōu)參數(shù)，利用LIBSVM對所有18組訓(xùn)練樣本進(jìn)行訓(xùn)練，訓(xùn)練后共得到15個(gè)支持向量及其對應(yīng)的系數(shù)，形成如下測量模型 步驟8保存測量模型 保存步驟2中樣本數(shù)據(jù)標(biāo)準(zhǔn)化時(shí)所確定的樣本均值與方差μi、βi(i＝1，2，…，60)， 保存步驟2中提取主成分時(shí)確定的變換矩陣A60×4， 保存步驟3中所確定的歸一化變換系數(shù)kxl、bxl(l＝1，2，3，4)，ky、by， 保存步驟6基本遺傳算法所確定的支持向量機(jī)最優(yōu)參數(shù)σ2，ε，C， 保存步驟7LIBSVM訓(xùn)練后所確定的支持向量及其對應(yīng)的系數(shù)， 支持向量x1，x2，…，x15， 對應(yīng)系數(shù)α1，α2，…α15，d， 其中

為一個(gè)4×1維的向量，

為一個(gè)非零實(shí)數(shù)，j*＝1，2，…，15。
(2)測量部分 通過仿真模型對壓差數(shù)據(jù)進(jìn)行插值，得到11組新的數(shù)據(jù)，將這11組新的數(shù)據(jù)記為矩陣F11×60*，對矩陣F11×60*中的每一行，提取其四個(gè)主成分形成輸入變量輸入到如下測量模型中 即可計(jì)算對應(yīng)的為煤泥含量，上述11組數(shù)據(jù)測量結(jié)果如表1所示。
表1 煤泥含量測量結(jié)果

權(quán)利要求
1、用主成分分析與支持向量機(jī)的重介懸浮液煤泥含量測定法，其特征在于，依次含有以下步驟
步驟1構(gòu)造一個(gè)重介懸浮液煤泥含量測定系統(tǒng)
在重介懸浮液主回路上構(gòu)造一個(gè)重介懸浮液旁路管，在管壁的上、下部位依次分別安裝第一電動(dòng)閥門和第二電動(dòng)閥門，在所述管壁上安裝一套壓差傳感器，其中，壓差傳感器的第一感應(yīng)面在所述管壁上部，位于距離所述第一電動(dòng)閥門10cm～40cm處，壓差傳感器的第二感應(yīng)面距離所述第二電動(dòng)閥門至少50cm，所述第一、第二感應(yīng)面的垂直距離為7cm～40cm，所述第一電動(dòng)閥門以及第二電動(dòng)閥門的控制信號分別與一臺控制計(jì)算機(jī)的兩個(gè)信號輸出端相連，所述壓差傳感器第一感應(yīng)面與第二感應(yīng)面的輸出電壓經(jīng)過一個(gè)減法電路后，把壓差的電壓信號經(jīng)過數(shù)據(jù)采集設(shè)備輸入所述控制計(jì)算機(jī)，所述重介懸浮液煤泥含量測定法在所述控制計(jì)算機(jī)中依次按以下步驟實(shí)現(xiàn)；
步驟2訓(xùn)練階段
步驟2.1在設(shè)備承受能力內(nèi)，在不低于正常工況下，所述控制計(jì)算機(jī)通過所述一套壓差傳感器測量在所述第一電動(dòng)閥門、第二電動(dòng)閥門均關(guān)閉后形成的沉降過程，采集重介懸浮液對應(yīng)于不同密度與不同煤泥含量下的壓差數(shù)據(jù)，采樣間隔為5秒鐘，采樣點(diǎn)數(shù)為60，得到m組樣本數(shù)據(jù)，m≥12，形成m×60維的矩陣Fm×60，其中，行代表時(shí)間序列，列代表樣本組序號，
同時(shí)，對每次沉降過程，通過取樣化驗(yàn)方法得到對應(yīng)的重介懸浮液煤泥含量值，用Y1×m＝[y1，y2，…，ym]表示，其中，ym表示第m組樣本所對應(yīng)的煤泥含量化驗(yàn)值，
步驟2.2提取主成分形成訓(xùn)練樣本，步驟如下，
步驟2.2.1對所述矩陣Fm×60的每一列fi，求壓差的均值μi，
i＝1，2，…，60，fji為fi的第j個(gè)元素，
步驟2.2.2對所述矩陣Fm×60的每一列fi，求壓差的方差βi，
步驟2.2.3對所述據(jù)矩陣Fm×60的每一列fi，作如下標(biāo)準(zhǔn)化處理，
得到標(biāo)準(zhǔn)化后的矩陣Fm×60＝[f1，f2，…，f60]，
步驟2.2.4求所述矩陣Fm×60的協(xié)方差矩陣G60×60，其各元素的計(jì)算方法如下，
k＝1，2，…，60，h＝1，2，…，60，
其中，gkh為G60×60的第k行第h列元素，
步驟2.2.5使用Householder變換對所述協(xié)方差矩陣G60×60進(jìn)行特征值分解，
G60×60·a60×1＝λ·a60×1，
λ為特征值，λ1≥λ2≥…≥λ60，a為特征向量，a1，a2，…，a60，
選擇與前四個(gè)最大特征值對應(yīng)的特征向量a1、a2、a3、a4形成矩陣A60×4＝[a1，a2，a3，a4]，
步驟2.2.6按下式計(jì)算所述樣本數(shù)據(jù)的主成分，
Bm×4＝Fm×60×A60×4，
得到訓(xùn)練樣本矩陣X4×m，X4×m＝(Bm×4)T，T為轉(zhuǎn)置符號，在X4×m中，列代表訓(xùn)練樣本組序號，行代表主成分序號，
步驟2.3訓(xùn)練樣本歸一化
把所述訓(xùn)練樣本矩陣X4×m的每一行歸一化到
其中，xl＝(xl-bxl)kxl
kxl＝1/(max(xl)-min(xl))，bxl＝min(xl)，l＝1，2，3，4，
把所述煤泥含量化驗(yàn)值Y1×m＝[y1，y2，…，ym]歸一化到
Y1×m＝[y1，y2，…，ym]，
其中，yj＝(yj-by)ky，
ky＝1/(max(Y1×m)-min(Y1×m))，by＝min(Y1×m)，j＝1，2，…，m，
步驟2.4把訓(xùn)練樣本隨機(jī)等分成T份，T＝3～m，T為整數(shù)，
步驟2.5對用于訓(xùn)練支持向量機(jī)的LIBSVM軟件進(jìn)行初始化
支持向量機(jī)類型選擇ε-SVR(ε型支持向量回歸機(jī)，用于函數(shù)擬合，其中ε為回歸精度參數(shù))，
核函數(shù)選擇選擇高斯徑向基核函數(shù)，
高斯徑向基核函數(shù)參數(shù)σ2，
回歸精度參數(shù)ε，
懲罰參數(shù)C，在訓(xùn)練誤差與模型復(fù)雜度之間進(jìn)行折中，
LIBSVM軟件運(yùn)行停止準(zhǔn)則為軟件內(nèi)部某一變量變化的最小值，定為0.00001，
當(dāng)達(dá)到此值時(shí)，所述軟件停止運(yùn)行，
步驟2.6用基本遺傳算法選擇所述LIBSVM軟件所需的最優(yōu)參數(shù)σ2、ε、C
步驟2.6.1確定參數(shù)范圍與編碼方式
編碼方式所述參數(shù)σ2、ε、C均用10位二進(jìn)制編碼，一組參數(shù)[σ2、ε、C]的總編碼長度為30，編碼的順序依次為σ2、ε和C，
各參數(shù)σ2、ε、C的范圍，用一個(gè)矩陣bounds表示
其中，所述矩陣bounds的第一行表示參數(shù)σ2范圍
，第二行表示參數(shù)ε的范圍
，第三行表示參數(shù)C的范圍
，
同時(shí)存儲(chǔ)向量scale，表示為，
步驟2.6.2基本遺傳算法初始化
種群大小N＝100，種群是指100組所述參數(shù)[σ2、ε、C]形成的集合，其中每一組參數(shù)稱為種群的一個(gè)個(gè)體，
遺傳算法終止迭代次數(shù)Zend＝300，遺傳算法當(dāng)前迭代次數(shù)Z＝0，
交叉概率Pc＝0.8，所述個(gè)體以0.8的概率進(jìn)行交叉運(yùn)算所述種群中的兩個(gè)所述個(gè)體相互交換部分元素，
變異概率Pm＝0.05，所述個(gè)體以0.05的概率進(jìn)行變異運(yùn)算所述種群中的個(gè)體(二進(jìn)制串)在某些位置取反值，即0變成1，1變成0，
步驟2.6.3產(chǎn)生初始種群，形成所述N組參數(shù)
隨機(jī)生成元素為0或1的參數(shù)矩陣PN×30，該矩陣PN×30的行表示所述一組參數(shù)的二進(jìn)制編碼，
步驟2.6.4對所述矩陣PN×30的每一行ps(s＝1，2，…，N)，按以下步驟計(jì)算適應(yīng)度，
步驟2.6.4.1按下述公式計(jì)算所述每一行ps對應(yīng)的一組參數(shù)[σs2、εs、Cs]，
εs＝[29×q2(1)+28×q2(2)+…+20×q2(10)]×scale(2)+bounds(2，1)，
Cs＝[29×q3(1)+28×q3(2)+…+20×q3(10)]×scale(3)+bounds(3，1)，
其中q1、q2、q3均為1×10維向量，分別存儲(chǔ)所述每一行ps對應(yīng)的一組參數(shù)σs2、
εs、Cs的二進(jìn)制編碼串，
q1(1)為所述向量q1的第1個(gè)元素，以下類推，
scale(1)為所述向量scale的第1個(gè)元素，以下類推，
bounds(1，1)為所述矩陣bounds第1行第1列之元素，以下類推，
步驟2.6.4.2交叉驗(yàn)證，計(jì)算所述每一行ps對應(yīng)的適應(yīng)度，用hs表示，
在把訓(xùn)練樣本隨機(jī)等分成T份的條件下，每次從T份訓(xùn)練樣本中取出一份作為測試樣本，用余下的T-1份訓(xùn)練樣本訓(xùn)練所述LIBSVM軟件，然后對測試樣本進(jìn)行測試，共進(jìn)行T次“訓(xùn)練-測試”過程，步驟如下，
步驟2.6.4.2.1令t＝1，第一次取出第一份訓(xùn)練樣本作為測試樣本，
步驟2.6.4.2.2把所述每一行ps對應(yīng)的參數(shù)值σs2、εs、Cs輸入LIBSVM軟件，對
所述T-1份訓(xùn)練樣本進(jìn)行訓(xùn)練，留出第t份訓(xùn)練樣本做測試，
步驟2.6.4.2.3訓(xùn)練結(jié)束后，得到一組訓(xùn)練樣本的貢獻(xiàn)系數(shù)α和一個(gè)偏置系數(shù)d，
其中，若α＝0，則表示與該α對應(yīng)的訓(xùn)練樣本對煤泥含量測量模型沒有貢獻(xiàn)，可以忽略，而那些貢獻(xiàn)系數(shù)不為零的訓(xùn)練樣本則稱為支持向量，
步驟2.6.4.2.4按下式得到一個(gè)煤泥含量測量模型，
其中，j*為所述支持向量的序號，ms為所述支持向量的個(gè)數(shù)，xl*為輸入變量的第l個(gè)主成分，
為第j*個(gè)支持向量的第l個(gè)主成分，
步驟2.6.4.2.5把所述第t份樣本代入步驟2.6.4.2.4的測量模型中進(jìn)行測試，保存相對應(yīng)的測試值，
步驟2.6.4.2.6令t＝t+1，重復(fù)步驟2.6.4.2.2～2.6.4.2.5直到t＞T，
步驟2.6.4.2.7按下式計(jì)算所述每一行ps的適應(yīng)度值hs，
其中，yj為第j組訓(xùn)練樣本所對應(yīng)的煤泥含量化驗(yàn)值，yj*為第j組訓(xùn)練樣本對應(yīng)的煤泥含量測試值，s＝1，2，3，…，100，
步驟2.6.5把h1～h100中的最大值hmax存儲(chǔ)，如果hmax＞0.12轉(zhuǎn)步驟2.6.11，否則轉(zhuǎn)步驟2.6.6，
步驟2.6.6若遺傳算法當(dāng)前迭代運(yùn)行次數(shù)Z＞Zend，轉(zhuǎn)步驟2.6.11，否則轉(zhuǎn)步驟2.6.7，
步驟2.6.7對所述種群PN×30實(shí)施選擇運(yùn)算，步驟如下，
步驟2.6.7.1構(gòu)建一個(gè)元素全為零的矩陣PNN×30，用于存儲(chǔ)新一代種群，其中下標(biāo)N＝100，
步驟2.6.7.2按下式計(jì)算所述矩陣PN×30每一行ps的相對適應(yīng)度hs，
s＝1，2，…，s*，…，N，
步驟2.6.7.3把步驟2.6.7.2中計(jì)算得到的相對適應(yīng)度hs，按由小到大順序進(jìn)行排序，得到一個(gè)適應(yīng)度遞增的序列，
hx1≤hx2≤hx3≤…≤hxN，
將所述矩陣PN×30的各行按上述遞增序列的排列順序進(jìn)行調(diào)整，使得第s行的個(gè)體所對應(yīng)的適應(yīng)度值為hxs，調(diào)整后的矩陣為PN×30，
步驟2.6.7.4構(gòu)造一個(gè)種群選擇向量U，其中，第s個(gè)元素us計(jì)算公式為，
所述各個(gè)元素us遞增式地把區(qū)間(0，1]分成如下N個(gè)小區(qū)間，
(0，u1]，(u1，u2]，…，(us-1，us]，…，(uN-1，uN]
步驟2.6.7.5按以下步驟選擇新一代種群，
步驟2.6.7.5.1將步驟2.6.7.3中所述矩陣PN×30的最后一行賦給PNN×30的第一行，以保留最優(yōu)個(gè)體，
步驟2.6.7.5.2其余的N-1行的選擇方法如下，
隨機(jī)生成一個(gè)(0，1)之間的實(shí)數(shù)v1，設(shè)v1落在所述區(qū)間(us-1，us]中，則把所述矩陣PN×30的第s行選入新一代種群，重復(fù)此步驟，直到選擇完N-1行為止，并將這N-1行依次賦給PNN×30的第2～N行，使得在新種群中適應(yīng)度大的個(gè)體得到加強(qiáng)，適應(yīng)度小的個(gè)體得到削弱，
步驟2.6.8對步驟2.6.7.5得到的所述新種群PNN×30實(shí)施交叉運(yùn)算，步驟如下，
步驟2.6.8.1設(shè)所述矩陣PNN×30的第s、s+1行分別為pns、pns+1，
步驟2.6.8.2令s＝3，從所述矩陣PNN×30的第3、4兩行開始實(shí)施交叉運(yùn)算，
步驟2.6.8.3隨機(jī)生成一個(gè)(0，1)之間的實(shí)數(shù)v2，如果v2＜Pc，轉(zhuǎn)步驟2.6.8.4，
實(shí)施交叉運(yùn)算，否則轉(zhuǎn)步驟2.6.8.5，
步驟2.6.8.4對所述矩陣PNN×30第s、s+1兩行做交叉運(yùn)算，方法如下，
從所述行向量pns的各個(gè)元素的位置序號1，2，…，30中隨機(jī)抽取六個(gè)序號形成遞增向量[r1，r2，r3，r4，r5，r6]，將所述矩陣PNN×30的兩行pns、pns+1的第r1～r2個(gè)元素對換、第r3～r4個(gè)元素對換、第r5～r6個(gè)元素對換，
步驟2.6.8.5s＝s+2，重復(fù)步驟2.3.8.3～2.3.8.4直到s＞N-1，交叉運(yùn)算結(jié)束，
步驟2.6.9對所述種群PNN×30實(shí)施變異運(yùn)算，步驟如下，
步驟2.6.9.1令s＝2，第1個(gè)個(gè)體不參加變異運(yùn)算，以保留最優(yōu)個(gè)體，
步驟2.6.9.2隨機(jī)生成一個(gè)(0，1)之間的實(shí)數(shù)v3，如果v3＜Pm，轉(zhuǎn)步驟2.6.9.3，
否則轉(zhuǎn)步驟2.6.9.4，
步驟2.6.9.3對所述矩陣PNN×30的第s行pns進(jìn)行變異運(yùn)算，方法如下，
從所述行向量pns的各個(gè)元素的位置序列1，2，…，30中隨機(jī)抽取三個(gè)序號形成遞增向量[r1*，r2*，r3*]，將pns的第r1*、r2*、r3*個(gè)元素分別取反值，即0變?yōu)?，1變?yōu)?，
步驟2.6.9.4s＝s+1，重復(fù)步驟2.6.9.2～2.6.9.3直到s＞N，變異運(yùn)算結(jié)束，
步驟2.6.10以變異運(yùn)算后的種群為當(dāng)前種群，將PNN×30賦給PN×30，遺傳算法完成一次迭代，Z＝Z+1，轉(zhuǎn)步驟2.6.4，
步驟2.6.11遺傳算法結(jié)束，以步驟2.6.7.5中所述矩陣PNN×30的第一行為最優(yōu)個(gè)體，對
其解碼得到一組最優(yōu)參數(shù)[σ2，ε，C]，解碼方法同步驟2.6.4.1，
步驟2.7在最優(yōu)參數(shù)σ2，ε，C條件下，利用所述LIBSVM軟件對所有訓(xùn)練樣本進(jìn)行訓(xùn)練，得到如下測量模型，
步驟2.8保存測量模型，依次保存以下參數(shù)，
保存步驟2.2.3中樣本數(shù)據(jù)標(biāo)準(zhǔn)化時(shí)所確定的樣本均值與方差μi、βi，
保存步驟2.2.5中的矩陣A60×4，
保存步驟2.3中所確定的歸一化變換系數(shù)kxl、bxl，ky、by，
保存步驟2.6.11中基本遺傳算法所確定的支持向量機(jī)最優(yōu)參數(shù)σ2，ε，C，
保存步驟2.7中LIBSVM訓(xùn)練后所確定的支持向量及其對應(yīng)的系數(shù)，
支持向量x1，x2，…，xms，
對應(yīng)系數(shù)α1，α2，…αms，d，
其中ms為支持向量的個(gè)數(shù)，
為一個(gè)4×1維的列向量，
為一個(gè)非零實(shí)數(shù)，j*＝1，2，…，ms；
步驟3測量階段
步驟3.1讀取測量模型
讀取訓(xùn)練部分所存儲(chǔ)的樣本均值與方差μi、βi，
讀取訓(xùn)練部分所存儲(chǔ)的矩陣A60×4，
讀取訓(xùn)練部分所存儲(chǔ)的歸一化變換系數(shù)kxl、bxl，ky、by，
讀取訓(xùn)練部分所存儲(chǔ)的支持向量機(jī)最優(yōu)參數(shù)σ2，ε，C，
讀取訓(xùn)練部分所存儲(chǔ)的支持向量及對應(yīng)系數(shù)，x1，x2，…，xms，α1，α2，…αms，d，其中ms為支持向量的個(gè)數(shù)，
步驟3.2按步驟2.1所述方法得到待測重介懸浮液的一組壓差數(shù)據(jù)，記為f1×60*，
步驟3.3計(jì)算主成分
步驟3.3.1對所述壓差數(shù)據(jù)f1×60*的每一個(gè)元素做如下預(yù)處理，
處理之后的數(shù)據(jù)為f1×60*，
步驟3.3.2對所述壓差數(shù)據(jù)f1×60*按下式計(jì)算其主成分，
步驟3.3.3形成輸入變量為，
步驟3.4計(jì)算煤泥含量
將輸入變量代入如下的煤泥含量測量模型中，
即可以計(jì)算出煤泥含量，
步驟3.5結(jié)果存儲(chǔ)與顯示，
步驟3.6如果需要繼續(xù)測量，轉(zhuǎn)步驟3.2，否則，測量結(jié)束。
全文摘要
用主成分分析與支持向量機(jī)的重介懸浮液煤泥含量測定法屬于煤泥含量工業(yè)自動(dòng)檢測方法。其特征在于利用主成分分析方法構(gòu)造多個(gè)主成分，以便對重介懸浮液靜態(tài)沉降過程中高維壓差數(shù)據(jù)進(jìn)行降維處理，進(jìn)行主成分提取后便形成訓(xùn)練樣本；再用ε型支持向量回歸機(jī)建立煤泥含量測量模型，在建模過程中，用基本遺傳算法實(shí)現(xiàn)對支持向量機(jī)最優(yōu)參數(shù)的選擇。本發(fā)明測量煤泥含量的誤差為±4％。
文檔編號G06N99/00GK101608994SQ200910088990
公開日2009年12月23日 申請日期2009年7月17日 優(yōu)先權(quán)日2009年7月17日
發(fā)明者麗 曹, 孫武峰, 王煥鋼, 耿 陸, 徐文立 申請人:清華大學(xué)