【技术实现步骤摘要】
基于深度迁移学习的小样本煤质特性分析系统及方法
[0001]本专利技术涉及煤质分析系统及方法，尤其涉及一种基于深度迁移学习的小样本煤质特性分析系统及方法。
技术介绍
[0002]在煤矿、煤厂和电厂等用煤单位，目前普遍采用的煤质检测方法是离线取样和实验室分析。现有煤质检测方法工序复杂、耗时长、取样代表性差，难以及时反馈煤炭的各种成分。但是用煤单位需要及时掌控皮带输送机上的煤炭成分，以便指导生产和进行调控。所以传统的离线测量难以适应工业生产的需求。
[0003]目前煤质在线检测中使用的技术为X射线荧光技术，中子感生瞬发γ射线分析技术和双能γ射线透射技术。但X射线荧光技术只适合于测量原子序数大于11的元素，测量精度和灵敏度不高。中子感生瞬发γ射线分析技术存在成本高、辐射危害和放射源半衰期短的缺点。而双能γ射线投射技术最大的缺点是无法全元素分析、成本较高和有安全隐患。
[0004]近年来，激光诱导等离子光谱技术(简称LIBS)由于具有高灵敏度、无需样品预处理和实现多元素测量等优点，成为一种新的激光分析技术，在煤质在线...
【技术保护点】
【技术特征摘要】
1.一种基于深度迁移学习的小样本煤质特性分析方法，其特征在于，包括如下步骤：将大量已知煤质特性且与待测样品不同来源的煤炭样品作为源模型定标样品，对源模型的定标样品进行检测得到源模型定标样品的特征光谱和各种元素的特征谱线强度；以某一种煤质特性作为目标特性，对源模型定标样品的目标特性建立神经网络源模型M
s
，利用源模型定标样品的特征光谱和各种元素的特征谱线强度进行训练得到训练后的神经网络源模型M
s
；将少量已知煤质特性且与待测样品相同来源的煤炭样品作为目标模型的定标样品，对目标模型的定标样品进行检测得到目标模型定标样品的特征光谱和各种元素的特征谱线强度；对目标模型定标样品的目标特性建立神经网络目标模型M
t
，利用训练后的神经网络源模型M
s
以及目标模型定标样品的特征光谱和各种元素的特征谱线强度进行训练得到训练后的神经网络源模型M
t
；将未知煤质特性的待测样品进行检测得到待测样品的特征光谱，即得到待测样品的谱线强度I
f
，将谱线强度I
f
代入训练后的神经网络源模型M
t
，得到待测样品中目标特性的数值。2.根据权利要求1所述的一种基于深度迁移学习的小样本煤质特性分析方法，其特征在于：所述利用源模型定标样品的特征光谱和各种元素的特征谱线强度进行训练得到训练后的神经网络源模型M
s
的具体方法为：以源模型定标样品的特征光谱为自变量矩阵E
s
，以源模型定标样品的目标特性数值为因变量矩阵F
s
，训练神经网络源模型M
s
至预测准确度达到第一预设值得到训练后的神经网络源模型M
s
。3.根据权利要求1所述的一种基于深度迁移学习的小样本煤质特性分析方法，其特征在于：所述利用训练后的神经网络源模型M
s
以及目标模型定标样品的特征光谱和各种元素的特征谱线强度进行训练得到训练后的神经网络源模型M
t
的具体方法为：将训练后的神经网络源模型M
s
的卷积层结构、归一化层结构和池化层结构分别复制到神经网络目标模型M
t
的对应位置，神经网络目标模型M
t
的其余部分随机初始化；以目标模型定标样品的特征光谱为自变量矩阵E
t
，以目标模型定标样品的目标特性数值为因变量矩阵F
t
，在神经网络目标模型M
t
基础上进行参数精调，其中调小初始学习率，调大正则化系数，训练神经网络目标模型M
t
至预测准确度达到第二预先值，得到训练后的神经网络源模型M
t
。4.根据权利要求1所述的一种基于深度迁移学习的小样本煤质特性分析方法，其特征在于：所述煤质特性包括碳含量、灰分、挥发分、发热量和水分。5.根据权利要求1所述的一种基于深度迁移学习的小样本煤质特性分析方法，其特征在于：所述目标模型的定标样品的数量为100以内。6.一种基于深度迁移学习的小样本煤质特性分析系统，其特征在于：包括用于煤质在线检测的激光诱导击穿光谱系统以及用于煤质特性分析的计算机，计算机包括神经网络源模型...
【专利技术属性】
技术研发人员：李忠军，陈斐，王一，侯宗余，程仁海，崔佳诚，周宇，张永，叶青，余马亮，邹子瑜，
申请(专利权)人：南京国电环保科技有限公司南京南环自动化技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。