模糊决策树在煤矸石分拣中的应用

2022-10-11唐丽均

湖南工业职业技术学院学报 2022年4期

唐丽均

（重庆工程职业技术学院，重庆402260）

在我国煤炭使用率一直都位居前列，在2020年国内能源消费结构分布中，煤炭的消费占能源总消费量的58%，而石油、天然气的消费仅占25%。然而，对煤炭的高需求也导致了粉尘、SO2、NOx、CO2、CO、VoC(挥发性有机化合物)的高排放，最重要的一个煤洁净方法就是将煤矸石从煤矸石和煤的混合物中剔除。

人工分拣矸石时，主要根据煤和煤矸石的光泽、灰度、纹理等差异将煤矸石分拣出，由此可知煤与矸石的灰度特征值、纹理特征值、灰度分布直方图、反光区特征值等参数存在差异，因此图像识别技术在煤和煤矸石分选方法中得到了广泛应用。[1-5]但是煤矸石和煤的特征值通常受个体的大小、形状、放置方向等因素的影响，两者特征值区别度可能不显著，所以引入人工智能技术对煤矸石和煤进行区分，有利于提高煤矸石自动分拣的准确性。本文提出了应用模糊决策树进行煤与煤矸石分选的方法。

1 煤和煤矸石特征分类

煤和煤矸石的形状、大小、颜色多种多样，为了便于对煤和煤矸石进行分析，本文将煤和煤矸石的特征按下图进行简要分类。

图2 煤和煤矸石的特征库

（1）反光区特征值：煤的反光区高灰度值出现频率较高，煤矸石出现频率较低，但存在频率值重叠的情况；

（2）灰度分布直方图：煤的灰度分布直方图较集中，煤矸石灰度分布直方图较宽泛，但是也存在灰度分布直方图重叠的现象；

（3）纹理特征值：煤矸石与煤的纹理特征值存在明显差异，煤的纹理特征值明显大于煤矸石；

（4）灰度特征值：煤与煤矸石的灰度特征有明显的差异，煤的灰度特征值明显大于煤矸石。

2 模糊决策

煤与煤矸石的特征值受个体的大小、形状、放置方向等因素的影响，观测到的特征值实际上是模糊的，因此需要采用模糊集合论对其进行描述。[6,7]模糊集合论模糊化了元素属于集合的概念，认为在论域上存在既不完全属于某集合，又不完全不属于某集合的元素；量化了元素的属于概念，强调元素属于某集合的程度，即隶属度，取值范围为[0,1]，其值越大，表示与该集合的属于关系越紧密。

2.1 模糊决策树和模糊规则生成

本文采用Fuzzy-ID3算法[8-10]作为模糊决策树的归纳算法，模糊树分割属性选择标准为可能性分布的模拟熵，具体步骤如下：

（1）选择分割属性

取平均模糊分类熵EK的最小值作为分割属性，即

（2）分割模糊样例集

当给定阈值大于节点的真实度时，分割模糊样例集，递归扩展节点，直到真实度大于阈值，最终生成模糊决策树。

将模糊决策树中从根节点到叶节点的所有路径转化为模糊规则集。

2.2 煤和煤矸石的区分

煤和煤矸石的区分方法如下：

（1）当采集到煤和煤矸石的图像后，从煤和煤矸石特征集中，匹配得到相关的规则，并分析这些规则的真实度和匹配度。

（2）选出可能性最大的规则：

对每一条信息，计算各个属性的最大属性值，作为属于某类的属性值；

将信息的属性与规则对应的属性进行匹配；

如有多个规则都匹配，则选取具有最高真实度的规则。

3 仿真与验证

3.1 仿真平台

在本仿真试验中，随机生成16组煤和煤矸石特征值的模糊数据，如表1所示，并在给定分割阈值β=0.8的条件下，利用Matlab平台生成相应的模糊决策树。

表1 煤和煤矸石数据集

图3为根据表1的数据集生成的模糊决策树。根据该模糊决策树，可以得到以下模糊规则（表2）。

图3 模糊决策树

表2 生产异常模糊规则集

（续表）

3.2 分析验证

假设分选设备收到一条煤/煤矸石的特征值信息，如下表所示。

表3 煤/煤矸石的特征值样例

在该样例中，反光区特征值的最大属性值为max{0.7,0.2,0.1}=0.7，即P1；灰度分布直方图的最大属性值为max{0.1,0.7,0.3}=0.7，即E2；纹理特征值的最大属性值为max{0.1,0.9}=0.9，即F2；灰度特征值的最大属性值为max{0.6,0.4}=0.6，即O1。根据模糊规则可知，该样本应是煤矸石，即规则5，其真实度为90%。