CN101650359A - 一种基于知识融合机器学习算法的煤热值软测量方法 - Google Patents

Abstract

本发明涉及一种基于知识融合机器学习算法的煤热值软测量方法，其包括以下步骤：1)设置一包括输煤传送带、灰分检测设备、水分检测设备、数据采集设备和带有显示屏的监控计算机的煤热值软测量装置，监控计算机内预设置有一先验知识计算模块、一软测量模型训练模块和一煤热值测量模块；灰分检测设备和水分检测设备均设置在输煤传送带上，灰分检测设备和水分检测设备的输出端均通过数据采集设备电连接监控计算机；2)选择经验公式，求取先验知识表达式；3)通过实验室化验煤样得到训练样本；4)将先验知识表达式和训练样本融合、训练得到煤热值软测量模型；5)存储煤热值软测量模型；6)将在线测得的灰分和水分值输入到煤热值软测量模型中，即得到煤的热值软测量结果。本发明构思巧妙，精确实用，可以广泛用于煤热值的测量过程中。

Description

一种基于知识融合机器学习算法的煤热值软测量方法

技术领域

本发明涉及一种煤热值软测量方法，特别是关于一种基于知识融合机器学习算法的煤热值软测量方法。

背景技术

热值(又称为发热量)是衡量煤质的重要指标，同时是商品煤的主要计价依据，因此实时、准确地测量煤的热值具有重要意义。目前，煤热值测量的主要手段是实验室直接化验，这种方法的优点在于技术难度低，容易实现，缺点是测量时间间隔过大，对生产指导不足。

名称为“煤或油等物质发热量的测定仪器”的发明专利(申请号：200610015278.1)提出了一种方法，该方法是对煤热值测量化验过程中的温度进行自动测量，从而减轻了化验员的劳动强度，提高了测量精度。但该方法仅仅改进了化验过程中的数据采集手段，并未改变化验的方法和流程，因此无法解决测量时间间隔过大的问题。

名称为“用于煤质热值测量的连续在线检测装置”的实用新型专利(申请号：200720038326.9)提出了一种由灰分探测仪、水分探测仪、信号处理器、计算机构成的用于煤质热值测量的连续在线检测装置，其中灰分分析采用双源透射法，水分分析采用微波法测量，热值计算中采用了现有的煤质热值计算公式。该专利虽然提出了一种通过灰分和水分的测量，在线计算煤质热值的装置，但是在热值计算上并没有提出新方法，也没有解决传统煤质热值计算公式使用不灵活、计算误差较大等问题。

由于相近质地的煤热值与灰分和水分呈线性关系，研究者们就提出了各种具体煤质热值计算的经验公式，包括：格美林公式、切诺勃利公式和云特涅尔公式等，我国煤炭行业也有学者根据我国各地区各种煤质提出了多组计算公式。但是，这些固定的经验公式的参数较难根据实际情况进行调整，灵活性较差，热值计算精度不能满足实际要求。

机器学习是一大类方法，可以解决模式识别、函数拟合、概率密度估计等问题。机器学习方法研究的基本问题是如何通过有限的训练样本，来估计变量之间的关系。目前，通常采用的机器学习算法的主要特点是完全基于样本，不需要对象的机理模型。这个特点带来的好处是模型建立和工作过程简单，需要设置的参数很少，基本不需要操作人员干预。但是这种方法的效果严重依赖于样本的质量，如果训练样本无法反映其最本质的规律，则任何完全基于训练样本的学习方法都不可能正确地刻画出这种规律。此外，这类方法对于训练样本的噪声比较敏感，观测噪声的影响可能非常严重。可见，完全基于样本的学习可靠性较差，严重制约了这类方法的实际应用。

发明内容

针对上述问题，本发明的目的是提供一种测量间隔时间短，不完全依赖于样本，可靠性高，精确实用的基于知识融合机器学习算法的煤热值软测量方法。

为实现上述目的，本发明采取以下技术方案：一种基于知识融合机器学习算法的煤热值软测量方法，其包括以下步骤：1)设置一包括输煤传送带、灰分检测设备、水分检测设备、数据采集设备和带有显示屏的监控计算机的煤热值软测量装置，监控计算机内预设置有一先验知识计算模块、一软测量模型训练模块和一煤热值测量模块；灰分检测设备和水分检测设备均设置在输煤传送带上，灰分检测设备和水分检测设备的输出端均通过数据采集设备电连接监控计算机；2)根据煤质种类及开采地信息，选定一表征煤质灰分、水分与热值关系的经验公式，将经验公式表示成一种核函数的线性组合形式，并作为待融合的先验知识表达式输入到所述监控计算机中的先验知识计算模块内，由所述先验知识计算模块结合指定的参数，确定先验知识表达式，将先验知识表达式作为待融合的先验知识输送给所述软测量模型训练模块；3)离线读取训练样本，并对读取的训练样本集进行剔除野值、归一化处理后，输送到所述软测量模型训练模块内；4)所述软测量模型训练模块将步骤2)中得到的待融合的先验知识和步骤3)中获得的训练样本集融合、训练得到煤热值软测量模型，并将煤热值软测量模型输送给所述煤热值测量模块；5)所述煤热值测量模块对步骤4)中得到的煤热值软测量模型进行存储；6)调用所述煤热值测量模块中的煤热值软测量模型，结合所述数据采集设备实时输入的灰分值和水分值，计算出煤热值，并通过所述监控计算机进行显示和存储。

所述步骤2)中，经验公式为：y＝p(x)，所述经验公式表示成的一种核函数的线性组合形式为：

$p\left(x\right)\≈q\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}K(t_i,x)$

式中，y为煤的热值，x为煤的灰分和水分值；d为一待定参数，其表示线性组合中核函数的总数；i＝1、2、…d，其表示线性组合中第i个成分；β_i为一待定参数，K(t_i，x)为指定的核函数，t_i为核函数中一待定基向量；基向量t_i和参数d、β_i均由所述先验知识计算模块进行迭代运算确定。

待定参数d、β_i和基向量t_i的具体求解步骤如下：

①确定核函数K(t_i，x)，指定正则化参数μ的值，指定阈值ε，令基向量t_i的取值集合(空集)；

②令迭代步数k＝0，记q(x)此时的表达函数q₀(x)＝0，则误差函数为：

r₀(x)＝p(x)-q₀(x)；

③求t_k+1，使误差函数 $\left|r_k\left(t_{k+1}\right)\right|=\underset{t}{\max }\left|r_k\left(t\right)\right|,$ 若|r_k(t_k+1)|＜ε，则返回d＝k，q(x)＝q_k(x)，基向量t_i的取值集合为T_k， ${\mathrm{\β}}_i={\mathrm{\β}}_i^{\left(k\right)},i=1,...,k,$ 终止迭代；

④令T_k+1＝T_k∪{t_k+1}，则构造出一(k+1)×(k+1)维矩阵K_k+1，K_k+1的第(i，j)个元素为K(t_i，t_j)，进而构造出一(k+1)维向量p(T^(k+1))＝[p(t₁)，…，p(t_k+1)]^T；

⑤计算向量矩阵β^(k+1)＝(K_k+1+μI_k+1)^-1p(T^(k+1))，其中I_k+1为(k+1)维单位矩阵，令 $q_{k+1}\left(x\right)=\underset{i=1}{\overset{k+1}{\mathrm{\Σ}}}{\mathrm{\β}}_i^{(k+1)}K(t_i,x),$ 其中β_i ^(k+1)为向量矩阵β^(k+1)的第i个元素；

⑥令r_k+1(x)＝p(x)-q_k+1(x)，k＝k+1，返回步骤③。

所述步骤4)中煤热值软测量模型的表达式为：

$y=f\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}K(t_i,x)$

式中，y＝Q_est为煤热值软测量结果，α_i ^*一为待定参数，参数d、β_i和基向量t_i由所述步骤2)确定。

α_i ^*通过求解以下优化公式得到：

${\mathrm{\α}}^{*}=\underset{\mathrm{\α}}{\arg \min }{\mathrm{\α}}^T{K}_{\mathrm{XT}}^T{K}_{\mathrm{XT}}\mathrm{\α}-2y^T{K}_{\mathrm{XT}}^T\mathrm{\α}+\mathrm{\λ}{(\mathrm{\α}-\mathrm{\β})}^T{K}_T(\mathrm{\α}-\mathrm{\β})$

式中，K_XT为l×d维矩阵，其第(i，j)个元素为K(t_i，x_j)；K_T的第(i，j)个元素为K(t_i，t_j)；训练样本数量为l个，y＝[y₁，…，y_l]^T为训练样本输出向量；λ为一指定值；β＝[β₁，…，β_i，…，β_d]^T由所述步骤2)确定，α_i ^*为向量α^*中的第i个元素。

所述步骤3)中读取的训练样本为：

$x_i=\left[\begin{array}{c}{M}_{\mathrm{ad}}\left(i\right)\\ A_{\mathrm{ad}}\left(i\right)\end{array}\right],y_i=Q_{\mathrm{net},\mathrm{ad}}\left(i\right),i=\mathrm{1,2}...l$

式中，M_ad(i)为第i份煤样的水分值，A_ad(i)为第i份煤样的灰分值，Q_net，ad(i)为第i份煤样的热值，l为训练样本数量。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于融合了先验知识(也就是煤热值计算经验公式)，并不完全依赖于样本，可靠性要高于传统的完全依赖样本的学习方法，所以更适于实际的煤热值测量应用。2、本发明建立的煤热值软测量模型，不需要进行化验，只需通过灰分和水分两个容易实时在线测量的煤质指标，来间接推算煤的热值，即根据一系列在线测量仪器的测量结果，给出煤热值，测量时间间隔短，能更方便地为生产提供依据。本发明构思巧妙，精确实用，可以广泛用于煤热值的测量过程中。

附图说明

图1是本发明示意图

图2是本发明模块示意图

图3是本发明测量流程示意图

图4是本发明用于实施例的测量结果示意图

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明包括以下步骤：

1)如图1、图2所示，设置一包括输煤传送带1、灰分检测设备2、水分检测设备3、数据采集设备4和带有显示屏的监控计算机5的煤热值软测量装置，监控计算机5内预设置有一先验知识计算模块51、一软测量模型训练模块52和一煤热值测量模块53。灰分检测设备2和水分检测设备3均设置在输煤传送带1上，灰分检测设备2和水分检测设备3的输出端均通过数据采集设备4电连接监控计算机5。

2)根据煤质及开采地信息，选择一表征煤质灰分、水分与热值关系的经验公式，将经验公式表示成一种核函数的线性组合形式，并将经验公式表示成的核函数线性组合形式作为待融合的先验知识表达式，输入到监控计算机5中的先验知识计算模块51内，由先验知识计算模块51结合指定的参数，运算求得先验知识表达式中的各待定参数，从而可以确定先验知识表达式，然后将先验知识表达式作为待融合的先验知识输送给软测量模型训练模块52。

对于不同的煤种，其灰分、水分与热值的关系的经验公式具有不同的表达形式。测量过程中可以根据煤的性质，如无烟煤、开采地等信息，查询并选用现有的经验公式(例如我国煤炭科学研究院陈文敏教授提出的各种经验公式)。

选择经验公式y＝p(x)，其中y为煤的热值，x为煤的灰分和水分值。将经验公式表示成一种指定的核函数的线性组合形式q(x)，并将其作为先验知识表达式，其具体表达形式为：

$p\left(x\right)\≈q\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}K(t_i,x)---\left(1\right)$

式中，d为一待定参数，其表示线性组合中核函数的总数；i＝1、2、…d，其表示线性组合中第i个成分；β_i为一待定参数，向量β＝[β₁，…，β_i，…，β_d]^T；K(t_i，x)为指定的核函数，t_i为核函数中一待定基向量；其中，基向量t_i和参数d、β_i均由先验知识计算模块51进行迭代运算确定，迭代的目的是使得到的q(x)与p(x)的误差小于指定的阈值，从而可以确定先验知识表达式(1)，将表达式(1)作为待融合的先验知识输送给软测量模型训练模块52。表达式(1)中的基向量t_i和参数d、β_i的求解步骤如下：

①确定核函数K(t_i，x)，指定正则化参数μ的值，指定阈值ε，令基向量t_i的取值集合

(空集)；

②令迭代步数k＝0，记q(x)此时的表达函数q₀(x)＝0，则误差函数为：r₀(x)＝p(x)-q₀(x)；

③求t_k+1，使误差函数 $\left|r_k\left(t_{k+1}\right)\right|=\underset{t}{\max }\left|r_k\left(t\right)\right|.$ 若|r_k(t_k+1)|＜ε，则返回d＝k，q(x)＝q_k(x)，基向量t_i的取值集合为T_k， ${\mathrm{\β}}_i={\mathrm{\β}}_i^{\left(k\right)},i=1,...,k,$ 终止迭代；

④令T_k+1＝T_k∪{t_k+1}，则构造出一(k+1)×(k+1)维矩阵K_k+1，K_k+1的第(i，j)个元素为K(t_i，t_j)，进而构造出一(k+1)维向量p(T^(k+1))＝[p(t₁)，…，p(t_k+1)]^T；

⑤计算向量矩阵β^(k+1)＝(K_k+1+μI_k+1)^-1p(T^(k+1)，其中I_k+1为(k+1)维单位矩阵，令 $q_{k+1}\left(x\right)=\underset{i=1}{\overset{k+1}{\mathrm{\Σ}}}{\mathrm{\β}}_i^{(k+1)}K(t_i,x),$ 其中β_i ^(k+1)为向量矩阵β^(k+1)的第i个元素；

⑥令r_k+1(x)＝p(x)-q_k+1(x)，k＝k+1，返回步骤③。

3)离线读取训练样本，并对读取的训练样本进行剔除野值(非正常测量的劣值)、归一化处理后，输送到软测量模型训练模块52内。通过实验室化验煤样得到l个训练样本，其中第i份煤样的水分值记为M_ad(i)，第i份煤样的灰分值记为A_ad(i)，第i份煤样的热值记为Q_net，ad(i)，则M_ad(i)、A_ad(i)、Q_net，ad(i)构成一组训练样本，记为{x_i，y_i}：

$x_i=\left[\begin{array}{c}{M}_{\mathrm{ad}}\left(i\right)\\ A_{\mathrm{ad}}\left(i\right)\end{array}\right],y_i=Q_{\mathrm{net},\mathrm{ad}}\left(i\right),i=\mathrm{1,2},...l$

4)软测量模型训练模块52将步骤2)中得到的待融合的先验知识表达式(1)和步骤3)中获得的训练样本集{x_i，y_i}融合、训练得到煤热值软测量模型，并将煤热值软测量模型输送给煤热值测量模块53。

给定煤热值软测量表达式的一个核函数的线性组合形式：

$y=f\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}K(t_i,x)---\left(2\right)$

式中，y＝Q_est为煤热值软测量结果，α_i ^*一为待定参数，参数d、β_i和基向量t_i由步骤2)确定，求取出α_i ^*，则煤热值软测量表达式(2)可以确定，即得到煤热值软测量模型。α_i ^*的具体求取方法由软测量模型训练模块52融合先验知识和训练样本运算得到，进而将其转化为求解以下优化公式得到：

${\mathrm{\α}}^{*}=\underset{\mathrm{\α}}{\arg \max }{\mathrm{\α}}^T{K}_{\mathrm{XT}}^T{K}_{\mathrm{XT}}\mathrm{\α}-2y^T{K}_{\mathrm{XT}}^T\mathrm{\α}+\mathrm{\λ}{(\mathrm{\α}-\mathrm{\β})}^T{K}_T(\mathrm{\α}-\mathrm{\β})---\left(3\right)$

式中，K_XT为l×d维矩阵，其第(i，j)个元素为K(t_i，x_j)；K_T的第(i，j)个元素为K(t_i，t_j)；训练样本数量为l个，y＝[y₁，…，y_l]^T为训练样本输出向量；λ为一指定值；β＝[β₁，…，β_i，…，β_d]^T为步骤2)求得的系数构成的向量，α_i ^*为由上述优化公式(3)求得的向量α中的第i个元素。

5)煤热值测量模块53对步骤4)得到的煤热值软测量模型进行存储。

6)当煤热值测量模块53中存入煤热值软测量模型后，可以进行实际测量，根据数据采集设备4实时输入的灰分值和水分值，计算出煤的热值，并通过监控计算机5进行显示和存储。在实际测量过程中，如果发现煤热值软测量模型精度不能满足要求时，返回步骤2)，再进行融合、训练得到新的煤热值软测量模型，并用新的煤热值软测量模型替换原有旧的煤热值软测量模型，继续进行煤热值软测量。

如图3所示，在步骤6)中，测量煤热值的具体步骤如下：

(A)决定使用方式：选择进行训练或者测量，若选择测量则转至(H)，否则，转至(B)。

(B)根据煤种选择经验公式作为先验知识。

(C)指定参数：指定核函数K(t，x)、阈值ε、参数μ和λ的值。

(D)读取训练样本{x_i，y_i}。

(E)对训练样本进行预处理：剔除野值、归一化。

(F)进行训练。

(G)保存训练结果，训练过程结束，转至结尾(M)。

(H)读取训练结果表达式(2)。

(I)读取灰分、水分数据，得到表达式(2)中的输入量x_i。

(J)代入表达式(2)进行计算，得到煤热值软测量结果y。

(K)由监控计算机保存结果。

(L)由用户选择是否继续计算，若是，则转至(I)，否则转至结尾(M)。

(M)结束。

以下通过一具体实施例对本发明的应用进行详细描述。

实施例：该实例所采用的数据为某煤矿的实测数据，样本一共有147组，选取其中的15组作为训练样本，然后用所有数据检验训练得到结果。每组样本包括二维输入变量 $x_i=\left[\begin{array}{c}{M}_{\mathrm{ad}}\left(i\right)\\ A_{\mathrm{ad}}\left(i\right)\end{array}\right]$ 和输出变量y_i＝Q_net，ad(i)。利用本发明测量上述样本的煤热值的步骤如下：

1)选择进行训练；

2)根据煤种选择陈文敏公式组中的一个经验公式作为先验知识

y＝p(x)＝34.083-0.3596M_ad-0.3596A_ad；

3)选定核函数为高斯型核函数： $K(t,x)=\exp (-\frac{{\left|\right|x-t\left|\right|}^2}{632}),$ ||·||表示向量的范数，指定ε＝0.05，μ＝0.001，λ＝0.1；

4)求取先验知识的表达式(1)；

5)读取15组训练样本{x_i，y_i}；

6)对训练样本进行预处理：判断训练样本是否都在正常范围内，是否存在异常数据需要剔除；

7)求取训练结果，保存参数β_i、d、α_i ^*和基向量t_i；

8)利用上面的训练结果进行测量。对于某个待测样本，输入x_i值(即灰分、水分在线测量值)，根据表达式(2)计算相应的y值；(读取数据、读取训练结果和显示结果的过程不再详述)

9)按照第8)步所述的方法计算所有样本的输出；

10)结束。

如图4所示，将采用本发明所测得的煤热值和实验室化验所得的煤热值进行绘图表示，横坐标为实验室化验所得热值真实值Q_net，ad，纵坐标为采用本发明测得的热值Q_est，“×”表示各样本点上的热值估计值，“□”表示训练样本集，两条虚线为±0.5MJ/kg误差线。利用本发明进行测量的误差主要指标如下：

误差最大值：1.0456MJ/kg

误差最小值：-1.3334MJ/kg

误差均值：-0.0187MJ/kg

误差标准差：0.3009MJ/kg

而直接采用陈文敏经验公式计算，误差主要指标如下：

误差最大值：2.0362MJ/kg

误差最小值：-1.9834MJ/kg

误差均值：0.6083MJ/kg

误差标准差：0.9412MJ/kg

可见，采用本发明进行煤质热值测量，其测量精度有了很大提高。

Claims (7)

1、一种基于知识融合机器学习算法的煤热值软测量方法，其包括以下步骤：

1)设置一包括输煤传送带、灰分检测设备、水分检测设备、数据采集设备和带有显示屏的监控计算机的煤热值软测量装置，监控计算机内预设置有一先验知识计算模块、一软测量模型训练模块和一煤热值测量模块；灰分检测设备和水分检测设备均设置在输煤传送带上，灰分检测设备和水分检测设备的输出端均通过数据采集设备电连接监控计算机；

2)根据煤质种类及开采地信息，选定一表征煤质灰分、水分与热值关系的经验公式，将经验公式表示成一种核函数的线性组合形式，并作为待融合的先验知识表达式输入到所述监控计算机中的先验知识计算模块内，由所述先验知识计算模块结合指定的参数，确定先验知识表达式，将先验知识表达式作为待融合的先验知识输送给所述软测量模型训练模块；

3)离线读取训练样本，并对读取的训练样本集进行剔除野值、归一化处理后，输送到所述软测量模型训练模块内；

4)所述软测量模型训练模块将步骤2)中得到的待融合的先验知识和步骤3)中获得的训练样本集融合、训练得到煤热值软测量模型，并将煤热值软测量模型输送给所述煤热值测量模块；

5)所述煤热值测量模块对步骤4)中得到的煤热值软测量模型进行存储；

6)调用所述煤热值测量模块中的煤热值软测量模型，结合所述数据采集设备实时输入的灰分值和水分值，计算出煤热值，并通过所述监控计算机进行显示和存储。

2、如权利要求1所述的一种基于知识融合机器学习算法的煤热值软测量方法，其特征在于：所述步骤2)中，经验公式为：y＝p(x)，所述经验公式表示成的一种核函数的线性组合形式为：

$p\left(x\right)\≈q\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}K(t_i,x)$

式中，y为煤的热值，x为煤的灰分和水分值；d为一待定参数，其表示线性组合中核函数的总数；i＝1、2、…d，其表示线性组合中第i个成分；β_i为一待定参数，K(t_i，x)为指定的核函数，t_i为核函数中一待定基向量；基向量t_i和参数d、β_i均由所述先验知识计算模块进行迭代运算确定。

3、如权利要求2所述的一种基于知识融合机器学习算法的煤热值软测量方法，其特征在于：待定参数d、β_i和基向量t_i的具体求解步骤如下：

①确定核函数K(t_i，x)，指定正则化参数μ的值，指定阈值ε，令基向量t_i的取值集合

(空集)；

②令迭代步数k＝0，记q(x)此时的表达函数q₀(x)＝0，则误差函数为：r₀(x)＝p(x)-q₀(x)；

③求t_k+1，使误差函数 $\left|r_k\left(t_{k+1}\right)\right|=\underset{t}{\max }\left|r_k\left(t\right)\right|,$ 若|r_k(t_k+1)|＜ε，则返回d＝k，q(x)＝q_k(x)，基向量t_i的取值集合为T_k， ${\mathrm{\β}}_i={\mathrm{\β}}_i^{\left(k\right)},$ i＝1，…，k，终止迭代；

④令T_k+1＝T_k∪{t_k+1}，则构造出一(k+1)×(k+1)维矩阵K_k+1，K_k+1的第(i，j)个元素为K(t_i，t_j)，进而构造出一(k+1)维向量p(T^(k+1))＝[p(t₁)，…，p(t_k+1)]^T；

⑤计算向量矩阵β^(k+1)＝(K_k+1+μI_k+1)^-1p(T^(k+1))，其中I_k+1为(k+1)维单位矩阵，令 $q_{k+1}\left(x\right)=\underset{i=1}{\overset{k+1}{\mathrm{\Σ}}}{\mathrm{\β}}_i^{(k+1)}K(t_i,x),$ 其中β_i ^(k+1)为向量矩阵β^(k+1)的第i个元素；

⑥令r_k+1(x)＝p(x)-q_k+1(x)，k＝k+1，返回步骤③。

4、如权利要求1或2或3所述的一种基于知识融合机器学习算法的煤热值软测量方法，其特征在于：所述步骤4)中煤热值软测量模型的表达式为：

$y=f\left(x\right)=\underset{i=1}{\overset{d}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}K(t_i,x)$

式中，y＝Q_est为煤热值软测量结果，α_i ^*一为待定参数，参数d、β_i和基向量t_i由所述步骤2)确定。

5、如权利要求4所述的一种基于知识融合机器学习算法的煤热值软测量方法，其特征在于：α_i ^*通过求解以下优化公式得到：

${\mathrm{\α}}^{*}=\underset{\mathrm{\α}}{\arg \min }{\mathrm{\α}}^T{K}_{\mathrm{XT}}^T{K}_{\mathrm{XT}}\mathrm{\α}-{2y}^T{K}_{\mathrm{XT}}^T\mathrm{\α}+\mathrm{\λ}{(\mathrm{\α}-\mathrm{\β})}^T{K}_T(\mathrm{\α}-\mathrm{\β})$

式中，K_XT为l×d维矩阵，其第(i，j)个元素为K(t_i，x_j)；K_T的第(i，j)个元素为K(t_i，t_j)；训练样本数量为l个，y＝[_y1，…，y_l]^T为训练样本输出向量；λ为一指定值；β＝[β₁，…，β_i，…，β_d]^T由所述步骤2)确定，α_i ^*为向量α^*中的第i个元素。

6、如权利要求1或2或3或5所述的一种基于知识融合机器学习算法的煤热值软测量方法，其特征在于：所述步骤3)中读取的训练样本为：

$x_i=\left[\begin{array}{c}{M}_{\mathrm{ad}}\left(i\right)\\ A_{\mathrm{ad}}\left(i\right)\end{array}\right],$ y_i＝Q_net，ad(i)，i＝1，2，…l

式中，M_ad(i)为第i份煤样的水分值，A_ad(i)为第i份煤样的灰分值，Q_net，ad(i)为第i份煤样的热值，l为训练样本数量。

7、如权利要求4所述的一种基于知识融合机器学习算法的煤热值软测量方法，其特征在于：所述步骤3)中读取的训练样本为：

$x_i=\left[\begin{array}{c}{M}_{\mathrm{ad}}\left(i\right)\\ A_{\mathrm{ad}}\left(i\right)\end{array}\right],$ y_i＝Q_net，ad(i)，i＝1，2，…l

式中，M_ad(i)为第i份煤样的水分值，A_ad(i)为第i份煤样的灰分值，Q_net，ad(i)为第i份煤样的热值，l为训练样本数量。

Images