用于推进相关情况的煤质量测量声明的系统和方法
【专利说明】
[0001] 本申请要求2013年3月7日提交的美国临时专利申请序列号61/773, 915、2013 年3月7日提交的美国临时专利申请序列号61/773,932和2013年3月8日提交的美国临 时专利申请序列号61/774, 805的优先权及权益，通过引用其全部将所有三个专利申请并 入本文。
技术领域
[0002] 本发明涉及用于改进测量煤质量的系统和方法。更具体地，其涉及用于改进在用 近红外光谱学确定煤质量中的基于回归的方法的方法和系统。
【背景技术】
[0003] 知道诸如发热量（heatan)或H20的浓度之类的煤的含量对能源工业极为重要，因 为更高效的控制和优化策略可以因此应用于锅炉。直接测量这些量由于高成本而通常是价 格过高的。
[0004] 相反地，使用由近红外光谱学（NIR)产生的煤光谱不太昂贵并且更实际。然而，光 谱不直接提供期望的物理量的目标值。通常采用以下过程。在作为训练阶段的第一阶段中， 从光谱学习到地面实况（groundtruth)目标值的回归函数。在作为材料测试(或实现）阶 段的第二阶段中，仅给出未知煤的光谱，并且所学习的回归函数被应用于预测目标值。
[0005] 学习该回归函数出于若干原因是有挑战性的。近红外光谱学光谱通常包括来自数 千波长的读数并且通常仅有限数目的地面实况目标值是可用的，例如，由于测量这些值的 成本。同样，确定超出有限数目的训练样本的完整且广延的光谱并不经济。此外，噪声和其 它影响可能在测量结果中产生离群值，其使回归模型的准确性偏移。
[0006] 应用于确定煤质量的当前回归模型并没有充分解决这些问题。
[0007] 因此，需要用于改进利用近红外光谱学的煤质量测量的新颖且改进的回归方法和 系统。
[0008] 下述参考文献描述或说明了在基于回归的建模中的当前方法的方面，并通过引用 并入本文：
[1]S.An,ff.Liu,和S.Venkatesh.Fastcross-validationalgorithmsfor leastsquaressupportvectormachineandkernelridgeregression.Pattern Recognition，40(8) :2154-2162，2007; [2]C.E.Rasmussen和C.K.I.Williams. GaussianProcessesforMachineLearning.MITPress, 2006; [3]RomanRosipal和 LeonardJ.Trejo.Kernelpartialleastsquaresregressioninreproducingkernel hilbertspace.JournalofMachineLearningResearch, 2:97-123， 2001; [4]B. Scholkopf，R.Herbrich，和A.J.Smola.Ageneralizedrepresentertheorem.在关 于计算学习理论的第十四届年会的会议录中，416-426页，2001; [5]S.Wold，H.Rube， H.Wold,和lJ.DunnIII.Thecollinearityprobleminlinearregression,the partialleastsquares(pis)approachtogeneralizedinverse.SIAMJournalof ScientificandStatisticalComputations, 5:735-743, 1984;以及[3]T.Chen, 和J.Ren.BaggingforGaussianprocessregression.Neurocomputing, 72(7-9): 1605-1610, 2009〇
【发明内容】
[0009] 根据本发明的各种方面，提供了用于推进（boost)煤质量测量的系统和方法。
[0010] 根据本发明的另外的方面，提供了用于从由近红外光谱学设备生成的数据来确定 材料的性质的方法，包括：获得与材料相关的基于波长的训练数据，处理器使用基于波长的 训练数据来学习具有基于波长的核（kernel)参数的各向异性高斯核函数，所述基于波长的 核参数由光滑函数在由至少一个参数确定的波长上定义，以及处理器将各向异性高斯核函 数应用于由近红外光谱学设备生成的材料的一个或多个样本的基于波长的测试数据以确 定所述性质。
[0011] 根据本发明的还另外的方面，提供了一种方法，其中所述光滑函数是光滑高斯函 数，并且所述至少一个参数是衰变参数。
[0012] 根据本发明的还另外的方面，提供了一种方法，其中所述材料是煤。
[0013] 根据本发明的还另外的方面，提供了一种方法，其中所述性质是发热量。
[0014] 根据本发明的还另外的方面，提供了一种方法，其中由光滑高斯函数在波长上定 义的基于波长的核参数被表述为：:於議: 引值是基于波长的参数L是基于波长的参数的最大值j是衰变参数；是索 引值通h的波长；并且石是针对其的基于波长的参数达到最大值的波长值。
[0015] 根据本发明的还另外的方面，提供了一种方法，还包括：处理器从训练数据学习用 于各向同性核的核岭回归；处理器确定正则化因子和:_丨:；处理器应用针对0的初始化值 并确定4以及处理器确定针对0的操作值。
[0016] 根据本发明的还另外的方面，提供了一种方法，还包括：处理器将核岭回归应用于 基于波长的训练数据以确定第一多个目标值；处理器从第一多个目标值确定标准差；处理 器通过基于标准差而从基于波长的训练数据中移除至少一个训练数据集而标识缩减的多 个训练数据集；以及处理器将核岭回归应用于缩减的多个训练数据集以确定第二多个目标 值。
[0017] 根据本发明的另一方面，提供了用于重构用近红外光谱学设备获得的与材料相关 的测试数据中的特征的方法，包括：在存储器上存储来自材料的近红外光谱学训练数据，包 括不重叠的第一特征集和第二特征集的数据；用处理器创建预测性特征模型以通过使用训 练数据中的第一特征集和第二特征集来根据训练数据中的第一特征集而预测在训练数据 中的第二特征集中出现的特征；用近红外光谱学设备而从材料获得测试数据，包括与第一 特征集相关的测试数据；以及通过应用预测性特征模型来预测与材料的测试数据相关的第 二特征集。
[0018] 根据本发明的又一方面，提供了一种方法，还包括：将与测试数据相关的第一特征 集和预测的第二特征集相组合以创建用于材料的性质的预测性模型。
[0019] 根据本发明的又一方面，提供了一种方法，其中每个第一特征集与NIR光谱学中 的波长的第一范围相关，并且每个第二特征集与NIR光谱学中的波长的第二范围相关。
[0020] 根据本发明的又一方面，提供了一种方法，其中波长的第一范围包括短于2300nm 的波长，并且波长的第二范围包括大于2300nm的波长。
[0021] 根据本发明的又一方面，提供了一种方法，其中所述预测性特征模型是基于多变 量统计方法的。
[0022] 根据本发明的又一方面，提供了一种方法，其中所述多变量统计方法是核岭回归 方法。
[0023] 根据本发明的又一方面，提供了一种方法，其中所述材料是煤，并且所述性质是发 热（calorific)值。
[0024] 根据本发明的另外的方面，提供了用于利用由光谱学设备生成的数据确定材料的 性质的方法，包括：处理器接收由光谱学设备生成的第一多个训练数据集；处理器从第一 多个训练数据集生成回归模型以确定表示材料的性质的第一多个目标值；处理器从第一多 个目标值确定标准差；处理器通过基于标准差而从第一多个训练数据集中移除至少一个训 练数据集而标识第二多个训练数据集；以及处理器从第二多个训练数据集生成回归模型以 确定第二多个目标值。
[0025] 根据本发明的还另外的方面，提供了一种方法，还包括：处理器从剩余的多个训练 数据集生成回归模型以确定剩余的多个目标值；处理器从剩余的多个目标值确定新的标准 差；以及处理器基于新的标准差而确定剩余的多个训练数据集中的任何训练数据集是否应 被移除。
[0026] 根据本发明的还另外的方面，提供了一种方法，其中没有任何训练数据集从剩余 的多个训练数据集中移除，并且基于剩余的多个训练数据集的回归模型被处理器应用于从 由光谱学设备生成的测试数据集而确定目标值。
[0027] 根据本发明的还另外的方面，提供了一种方法，其中所述材料是煤，并且所述光谱 学设备是近红外光谱学设备。
[0028] 根据本发明的还另外的方面，提供了一种方法，其中从第一多个训练数据集中移 除至少一个训练数据集是基于3O?范围的。
[0029] 根据本发明的还另外的方面，提供了一种方法，其中所述性质是煤的发热值。
【附图说明】
[0030] 图1图示了根据本发明的方面的光谱。
[0031] 图2图示了根据本发明的一个或多个方面的各种步骤。
[0032] 图3图示了根据本发明的方面的光滑函数。
[0033] 图4图示了根据本发明的一个或多个方面的各种步骤。
[0034] 图5图示了根据本发明的各种方面的多个光谱。
[0035] 图6图示了根据本发明的方面的经重构的光谱。
[0036] 图7图示了根据本发明的各种方面的多个光谱。
[0037] 图8图示了根据本发明的各种方面的离群值。
[0038] 图9图示了根据本发明的一个或多个方面的各种步骤。
[0039] 图10A-10F图示了根据本发明的一个或多个方面的训练数据的修剪。
[0040] 图11图示了根据本发明的一个或多个方面的基于处理器的系统。
【具体实施方式】
[0041] 本文提供了根据本发明的各种方面的方法和基于处理器的系统以改进利用近红 外光谱学（NIR)设备和方法的根据样本对煤质量的确定。
[0042] 诸如水含量或发热量含量（=煤的发热热值)之类的煤质量度量是利用通常在地面 实况数据上训练的回归模型从NIR光谱得出的性质。
[0043]