一种炼焦煤种类识别方法、系统、电子设备及存储介质

技术领域

本发明涉及炼焦技术和智能分类领域，更具体地说，它涉及一种炼焦煤种类识别方法、系统、电子设备及存储介质。

背景技术

按照煤化度和粘结能力大小，以及煤炭分类标准（GB/T5751-2009）的规定，长焰煤、不粘煤、弱粘煤、1/2中粘煤、气煤、气肥煤、1/3焦煤、肥煤、焦煤、瘦煤、贫瘦煤、贫煤属于烟煤范畴，其中，气煤、气肥煤、1/3焦煤、肥煤、焦煤、瘦煤六个类别为炼焦煤（炼焦用煤技术条件GB/T397-2009），但实际生产过程中，烟煤12个类别都有参与配煤炼焦实例，只是配用量多少不一而已。不同种类炼焦煤的配合比例决定配合煤的性质和焦炭的质量。随着装备自动化水平的提高和人工智能的推广应用，智慧炼焦将被日益重视。智慧炼焦的前提是配煤智能化，而来煤煤种的自动判别是实现智慧配煤的关键技术之一。

申请号为[CN201410195065.6]、[CN201410335178.1]的中国专利提出“一种基于炼焦煤结焦性的煤质分类及配煤方法”、“一种基于结焦性的炼焦煤细分方法”，将镜质组平均最大反射率、基氏最大流动度、固-软温度区间和焦炭光学组织结构作为炼焦煤结焦性的指标，给出了分类指标的划分范围，但没有考虑煤挥发分Vdaf指标的影响。

申请号为[CN201510492987.8]的中国专利提出“一种炼焦原料应用性分类和综合质量评价方法”，将炼焦原料指标与其炼焦得到的焦炭质量指标整合为黏结能力、结焦能力、热态性能来分类，并与灰分和硫分指标整合得到一个综合指标，各指标与价格关联后得到性价比来评价炼焦煤。不足之处为：初始分类仍使用中国煤炭分类标准。

申请号为[CN 201811055912.3]的中国专利提出“一种基于聚类分析的炼焦煤多维指标相似性细化分类方法”，依据煤质指标和焦炭质量指标，结合聚类分析算法进行炼焦煤的多层次多维指标相似性细化分类，实现以应用性为目标的炼焦煤细化分类。不足之处为：未考虑水分和细度对炼焦煤分类的影响。

由此，可见，现有技术中针对炼焦煤种类自动识别方法及系统，可以通过各种途径实现煤炭种类确定，但无法解决可能的煤炭种类过多导致的分类效率和分类准确率降低的技术问题。这些问题在工程实践中反复出现，迫切需要新的技术方案来为钢铁企业解决难题。

发明内容

本申请的目的是提供一种炼焦煤种类识别方法、系统、电子设备及存储介质，用以解决现有技术中在炼焦煤种类识别过程中准确性和效率较低的问题。

本申请的上述技术目的是通过以下技术方案得以实现的：

本发明的第一方面，提供了一种炼焦煤种类识别方法，方法包括：

获取待识别单种炼焦煤在多个维度上的第一特征信息；

根据所述第一特征信息计算出待识别单种炼焦煤的第一特征向量；

将所述第一特征向量分别输入至训练完成的多个已知种类炼焦煤的新奇识别模型中进行种类识别，获得待识别单种炼焦煤的识别结果，其中训练完成的多个已知种类炼焦煤的新奇识别模型是基于新奇检测学习算法对每个已知种类的炼焦煤的特征向量集单独进行训练得到的。

在一种实现方式中，基于新奇检测学习算法对每个已知种类的炼焦煤的特征向量集单独进行训练，具体为：

遍历多个已知种类的炼焦煤的不同批次实例，获得每个已知种类的炼焦煤在多个维度上的第二特征信息；

基于所述第二特征信息计算出各个已知种类的炼焦煤的特征向量集；

轮流将每个已知种类的炼焦煤的特征向量集输入至新奇检测学习算法做学习和训练，得到训练完成的多个已知种类炼焦煤的新奇识别模型。

在一种实现方式中，所述已知种类的煤焦煤包括长焰煤、不粘煤、弱粘煤、1/2中粘煤、气煤、气肥煤、1/3焦煤、肥煤、焦煤、瘦煤、贫瘦煤和贫煤。

在一种实现方式中，所述第一特征信息和第二特征信息均包括灰分参数信息、硫分参数信息、挥发分信息、粘接性参数信息和反射率信息。

在一种实现方式中，所述方法还包括：

记录所述新奇识别模型输出的识别结果为已知炼焦煤种类的计数信息，所述计数信息的初始计数值为零，当有一个所述新奇识别模型输出的识别结果为对应的已知炼焦煤种类，所述计数信息的计数值加一；

根据所述计数信息，对所述待识别炼焦煤的种类进行分类。

在一种实现方式中，根据所述计数信息，对所述待识别炼焦煤的种类进行分类，包括：

在所述计数信息的计数值为一时，只有一个新奇识别模型输出的识别结果为对应的已知炼焦煤种类，则待识别单种炼焦煤的种类为所述新奇识别模型对应的已知炼焦煤种类；

在所述计数信息的计数值大于一小于等于三时，利用两分类机器学习算法构建的两分类机器学习模型，对所述待识别单种炼焦煤的种类进行分类识别，得到的分类识别结果，即为待识别单种炼焦煤的种类；

在所述计数信息的计数值大于三或等于零时，利用多分类机器学习算法构建的多分类识别模型对所述待识别单种炼焦煤的种类进行分类识别，得到的分类识别结果，即为待识别单种炼焦煤的种类。

本发明的第二方面，提供了一种炼焦煤种类识别系统，系统包括：

特征信息获取模块，用于获取待识别单种炼焦煤在多个维度上的第一特征信息；

特征向量计算模块，用于根据所述第一特征信息计算出待识别单种炼焦煤的第一特征向量；

种类识别模块，用于将所述第一特征向量分别输入至训练完成的多个已知种类炼焦煤的新奇识别模型中进行种类识别，获得待识别单种炼焦煤的识别结果，其中训练完成的多个已知种类炼焦煤的新奇识别模型是基于新奇检测学习算法对每个已知种类的炼焦煤的特征向量集单独进行训练得到的。

在一种实现方式中，所述系统还包括：

计数模块，用于记录所述新奇识别模型输出的识别结果为已知炼焦煤种类的计数信息，所述计数信息的初始计数值为零，当有一个所述新奇识别模型输出的识别结果为对应的已知炼焦煤种类，所述计数信息的计数值加一；

分类模块，用于根据所述计数信息，对所述待识别炼焦煤的种类进行分类。

本发明的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的第一方面提供的一种炼焦煤种类识别方法。

本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行本发明的第一方面提供的一种炼焦煤种类识别方法。

与现有技术相比，本申请具有以下有益效果：

1、本发明提供的一种炼焦煤种类识别方法，对单种煤的整体识别正确率要大大高于一次性考虑所有类别的传统识别方法。

2、本发明提供的一种炼焦煤种类识别方法，绝大多数情况下可以通过基于新奇检测学习算法对每个已知炼焦煤种类的特征向量集单独进行训练得到的多个新奇识别模型或少数高精度两分类机器学习模型直接得出识别结果，识别准确率高。

3、本发明提供的一种炼焦煤种类识别方法，基于新奇检测学习算法训练炼焦煤的识别模型，不需要同时收集所有单种煤类别的样本数据一起训练，只需要特定目标类别的样本数据即可单独训练，训练过程更加的便捷。

4、本发明提供的一种炼焦煤种类识别方法，在待识别炼焦煤种类增加时，不需要像传统方法那样从头训练人工智能模型，只需要补充该新种类的基于新奇检测学习算法训练的识别模型，再对分类模型适当调整即可，识别效率更高。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1示出了本发明实施例提供的一种炼焦煤种类识别方法的流程示意图；

图2示出了本发明实施例提供的一种炼焦煤种类识别方法的实例示意图；

图3示出了本发明实施例提供的一种炼焦煤种类识别系统的原理框图；

图4示出了本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

在下文中，可在本申请的各种实施例中使用的术语“包括”或“可包括”指示所申请的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本申请的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

在本申请的各种实施例中，表述“或”或“B或/和C中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“B或C”或“B或/和C中的至少一个”可包括B、可包括C或可包括B和C二者。

在本申请的各种实施例中使用的表述（诸如“第一”、“第二”等）可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本申请的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。

在本申请的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本申请的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语（包括技术术语和科学术语）具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语（诸如在一般使用的词典中限定的术语）将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。

现有炼焦煤炭种类识别技术中，由于可能的种类多（例如炼焦煤的种类达到12+），导致分类准确度不理想。这个问题很难解决，类别多必然导致识别率下降。虽然有很先进的机器学习方法可以实现精确分类，如XGBoost、CNN等，但这些算法主要强项在于解决二分类问题，一次识别的种类不宜多。但实际上，根据经验，大多数煤炭类别的识别难度并不高，只有少数类别之间难以准确分开。把所有类别混到一起做多分类增加了不必要的干扰，分散了宝贵的计算资源，导致综合准确率低下，并且识别效率较低。如果能够把容易分类的煤炭种类先快速识别出来，排除出去，对剩下真正难以区分的类别使用复杂但准确率高的机器学习方法进行精细分类，就能够把计算资源集中在难以分对的类别上，由此大大提高多分类的识别能力，以及提高整体的识别效率。这与集成学习算法的思路类似，已被实践证明行之有效。基于这个思路，本实施例提供了一种新型的识别方案，即基于新奇检测技术对炼焦煤种类进行自动识别的人工智能方法，增加煤炭种类识别的精准程度，提升自动配煤水平。

“新奇检测”（Novelty Detection）是一种机器学习技术，旨在识别出与已知数据分布不同的新奇或异常样本。与分类问题需要同时学习不同类别的样本不同，新奇检测仅学习一个指定类别的样本数据，而不涉及之外的数据。它通过学习已知数据的分布模型，然后使用该模型来评估未知样本的“新奇”程度。其基本假设是已知数据是“旧”的，而未知样本则可能是“新”的。新奇检测的目标是找到一个合适的边界，将旧样本与新样本分开。在本发明中，新奇检测技术用来识别未知种类的煤炭样本是否相对于某种特定（已知）的煤炭种类而言是“新”的。“新”则意味着待分类的煤炭样本不属于已知的煤炭类别。

以异常检测技术中的One-Class SVM为例来说明该技术如何工作，该新奇检测技术的目标是找到一个超平面，将正常样本尽可能地包围在超平面的一侧，而将异常样本尽可能地排除在超平面的另一侧。这个超平面被称为分割超平面。

首先，定义一个超平面，由一个权重向量w和一个偏置b决定。超平面的方程可以表示为：w·x - b = 0，其中x是输入样本。

由于希望正常样本尽可能地位于超平面的一侧，因此引入一个松弛变量ξ，用于允许一些正常样本位于超平面的错误一侧。松弛变量ξ的值应该尽可能小。此外，还引入一个惩罚参数C，用于平衡松弛变量ξ的值和超平面的间隔。C的值越大，表示对异常样本的容忍度越低。

算法的目标是最小化超平面的权重向量w的范数，并且使得松弛变量ξ的值尽可能小。同时，超平面应该满足所有正常样本的约束条件：w·x - b ≥ 1 - ξ，其中ξ ≥ 0。最终，以通过求解一个凸优化问题来得到最优的超平面和松弛变量的值。

通过这种方式，One-Class SVM可以根据正常样本的分布情况，找到一个合适的超平面，将旧样本与新样本分开。这样，在实际应用中，就可以使用One-Class SVM来检测未知样本是否属于“旧”样本，如果新样本位于超平面的错误一侧，则可以判定为“新”样本。

基于上面的描述，请参考图1和图2，图1示出了本发明实施例提供的一种炼焦煤种类识别方法的流程示意图，如图1所示，方法包括以下步骤：

S101，获取待识别单种炼焦煤在多个维度上的第一特征信息。

本实施例中，第一特征信息具体来说主要包括各种煤质信息，即煤的工业分析（Mt、Ad、Vdaf）、全硫（St,d）、工艺性质（Y、X、G、a、b、T1、T2、T3等）、煤岩指标（镜质组最大平均反射率及其分布、岩相组成、活性组分含量和惰性组分含量及其活惰比、混煤程度等）、单种煤成焦性能（M40、M10、Ad、St,d、Vdaf、CRI、CSR、筛分组成、光学组织、气孔结构等）。相应地，第一特征信息包括灰分参数信息、硫分参数信息、挥发分信息、粘接性参数信息和反射率信息，此处应当说明的是，上文提供的第一特征信息所包括的仅仅是枚举示例，本实施例不做限定。

S102，根据所述第一特征信息计算出待识别单种炼焦煤的第一特征向量。

本实施例中，由第一特征信息计算出第一特征向量，需要做格式转换和归一化等处理，计算特征向量是本领域技术人员的公知技术，故此，本实施例不做详细的说明。

S103，将所述第一特征向量分别输入至训练完成的多个已知种类炼焦煤的新奇识别模型中进行种类识别，获得待识别单种炼焦煤的识别结果，其中训练完成的多个已知种类炼焦煤的新奇识别模型是基于新奇检测学习算法对每个已知种类的炼焦煤的特征向量集单独进行训练得到的。

本实施例中，将待识别单种炼焦煤的第一特征向量分别输入到预先训练的各种已知特定炼焦煤种类的新奇识别模型中，以得到待识别单种炼焦煤相对于已知特定炼焦煤种类是否为“新种类”的识别结论。如果识别结论不是“新种类”，则该待识别单种炼焦煤属于所述新奇识别模型对应的已知炼焦煤种类。否则，该待识别单种炼焦煤不属于所述新奇识别模型对应的已知炼焦煤种类。

在一个实施例中，基于新奇检测学习算法对每个已知种类的炼焦煤的特征向量集进行训练得到所述多个已知炼焦煤识别模型，具体为：遍历多个已知种类的炼焦煤的不同批次实例，获得每个已知种类的炼焦煤在多个维度上的第二特征信息；基于所述第二特征信息计算出各个已知种类的炼焦煤的特征向量集；轮流将每个已知种类的炼焦煤的特征向量集输入至新奇检测学习算法做学习和训练，得到训练完成的多个已知种类炼焦煤的新奇识别模型。

具体的，遍历多个已知种类的炼焦煤的不同批次实例：对每个已知的特定炼焦煤种类，通过特征提取，获取该类多个批次的炼焦煤在多个维度上的第二特征信息，同理，第二特征信息包括灰分参数信息、硫分参数信息、挥发分信息、粘接性参数信息、反射率信息等；基于多个维度上的第二特征信息计算出该类多个批次的炼焦煤的特征向量集（需要做格式转换、归一化等）；将该类多个批次的炼焦煤的特征向量集输入给新奇检测算法做学习和训练，生成特定炼焦煤种类的新奇识别模型。保存所有已知特定炼焦煤种类的新奇识别模型供应用时使用。

可以理解的是，各种已知特定炼焦煤种类包括但不限于：长焰煤、不粘煤、弱粘煤、1/2中粘煤、气煤、气肥煤、1/3焦煤、肥煤、焦煤、瘦煤、贫瘦煤、贫煤等。

各种已知特定炼焦煤种类的新奇识别模型包括但不限于：长焰煤、不粘煤、弱粘煤、1/2中粘煤、气煤、气肥煤、1/3焦煤、肥煤、焦煤、瘦煤、贫瘦煤、贫煤等的新奇识别模型。

在一个实施例中，方法还包括：记录所述新奇识别模型输出的识别结果为已知炼焦煤种类的计数信息，所述计数信息的初始计数值为零，当有一个所述新奇识别模型输出的识别结果为对应的已知炼焦煤种类，所述计数信息的计数值加一；根据所述计数信息，对所述待识别炼焦煤的种类进行分类。

例如，待识别单种炼焦煤相对于新奇识别模型是否为“新”的结论，如果是，则记录为0，否则，记录为1。例如，待识别单种炼焦煤相对于新奇识别模型的识别结果为气煤、气肥煤的种类，则计数信息可取值为2。再例如，待识别炼焦煤不为长焰煤、不粘煤、弱粘煤、1/2中粘煤、气煤、气肥煤、1/3焦煤、肥煤、焦煤、瘦煤、贫瘦煤、贫煤的任一种类，则计数信息一直为0。

进一步的一个实施例中，根据所述计数信息，对所述待识别炼焦煤的种类进行分类，包括：在所述计数信息的计数值为一时，只有一个新奇识别模型输出的识别结果为对应的已知炼焦煤种类，则待识别单种炼焦煤的种类为所述新奇识别模型对应的已知炼焦煤种类；在所述计数信息的计数值大于一小于等于三时，利用两分类机器学习算法构建的两分类机器学习模型，对所述待识别单种炼焦煤的种类进行分类识别，得到的分类识别结果，即为待识别单种炼焦煤的种类；在所述计数信息的计数值大于三或等于零时，利用多分类机器学习算法构建的多分类识别模型对所述待识别单种炼焦煤的种类进行分类识别，得到的分类识别结果，即为待识别单种炼焦煤的种类。

如图2所示，在接收到单种煤样本数据后，经过特征提取、特征向量转换后，由各已知种类单种煤的新奇模型（即前述的新奇识别模型）判断是否为本已知类别。用一个多位二进制数纪录结果。每一个二进制位对应一个新奇识别模型。如果是“旧”，则相应位标为1。否则（“新”），标为0。遍历所有已知类别新奇模型后，统计出二进制数中1的个数。如果是1，则该唯一标1的新奇模型对应的煤种类为待识别的单种煤类别。否则，如果是2或3，则可以用预先建构好的高精度两分类机器学习算法做识别。否则，用预先建构好的多分类机器学习算法直接做识别。需要说明的是，图2中的新奇模型即上文提供的新奇识别模型。

在本实施例中，通过判断记录为“1”的计数值是否等于1，如果是，则待识别单种炼焦煤的种类确定为记录为“1”的相对应的特定炼焦煤种类的类别；如果否，则判断记录为“1”的计数值是否小于等于3，如果是，用XGBOOST或CNN一类的复杂但对难分的2或3分类准确度极高的机器学习算法来对记录为“1”的相对应特定炼焦煤种类的类别分类，由此得出的类别作为待识别单种炼焦煤的类别。如果否，则说明记录为“1”的计数值较多或者为0。表明待识别单种炼焦煤可能属于的已知特定炼焦煤种类的类别数目较多或本实施例提供的基于新奇检测学习算法训练的识别模型失效。此时使用高效率的支持大分类数目的分类算法来进行分类鉴别，比如决策树相关的技术等。由此选出已知特定炼焦煤种类种的一个类别作为待识别单种炼焦煤的类别。

例如，当待识别单种炼焦煤的种类仅有2到3个可能的类别，适合使用复杂但准确度极高的两分类机器学习算法来做区分。其中机器学习算法为复杂但对难分的2或3分类准确度极高的机器学习算法，例如使用XGBoost或CNN深度学习网络训练得出的两分类识别模型。这些模型的训练依据是：挑选出两两之间较难区分的已知特定炼焦煤种类；通过特征提取，得到两类多个批次的炼焦煤在多个维度上的特征信息，同理特征信息包括灰分参数信息、硫分参数信息、挥发分信息、粘接性参数信息、反射率信息等；基于多个维度上的所述特征信息计算出两类多个批次的炼焦煤的特征向量集（需要做格式转换、归一化等）；将两类多个批次的炼焦煤的特征向量集输入给先进两分类机器学习算法做学习和训练，训练出相应的XGBoost或CNN两分类模型供检测时使用。三分类检测可由3个两分类机器学习模型所实现。

再例如，待识别单种炼焦煤可能属于的已知特定炼焦煤种类的类别数目较多，或者基于新奇检测学习算法训练的识别模型失效，无法缩小炼焦煤的类别范围。此时可使用高效率的、支持大分类数目的分类算法来训练模型，例如决策树相关的技术C4.5、随机森林等。通过特征提取，获取所有已知炼焦煤种类中多个批次的炼焦煤在多个维度上的特征信息，相应地特征信息包括灰分参数信息、硫分参数信息、挥发分信息、粘接性参数信息、反射率信息等；基于多个维度上的所述特征信息计算出所有已知炼焦煤种类中多个批次的炼焦煤的特征向量集（需要做格式转换、归一化等）；将所有已知炼焦煤种类中多个批次的炼焦煤的特征向量集输入给传统多分类算法做学习和训练。上述训练得到的模型可直接进行多分类预测来选择已知特定炼焦煤种类中的一个类别作为待识别单种炼焦煤的类别。

从众多实施例统计来看，大约有40%~60%的概率记录为“1”的总个数为1，30%~45%的概率记录为“1”的总个数为2或3，5%~15%的概率记录为“1”的总个数为0或大于等于4的自然数。这就使绝大部分容易分类的待识别单种炼焦煤类别可以高效正确地通过新奇检测学习算法识别出来，或者大大缩小可能的类别范围，使得高精度的两分类模型可以以极高精度做出识别。剩下5%~15%的难识别的待识别单种炼焦煤只能直接使用传统的多分类模型强行分类。综合来看，由于对容易、中等和难分类的待识别单种炼焦煤做了区分，占绝大多数的中等及以下识别难度的单种炼焦煤可以保证高的识别正确率。这比直接分类的传统方法更高效、更准确和更智能。

由此可见，本发明根据不同识别难度发生概率的高低，把识别单种煤种类的人工智能识别模型做了区分，用不同的人工智能/机器学习技术解决不同情况的问题，高效、准确地解决了待识别单种炼焦煤的类别的识别问题，适合推广。

请参考图3，图3示出了本申请实施例提供的一种炼焦煤种类识别系统的原理框图，如图3所示，系统包括

特征信息获取模块310，用于获取待识别单种炼焦煤在多个维度上的第一特征信息；

特征向量计算模块320，用于根据所述第一特征信息计算出待识别单种炼焦煤的第一特征向量；

种类识别模块330，用于将所述第一特征向量分别输入至训练完成的多个已知种类炼焦煤的新奇识别模型中进行种类识别，获得待识别单种炼焦煤的识别结果，其中训练完成的多个已知种类炼焦煤的新奇识别模型是基于新奇检测学习算法对每个已知种类的炼焦煤的特征向量集单独进行训练得到的。

可选地，上文提供的炼焦煤种类识别系统还包括：计数模块，用于记录所述新奇识别模型输出的识别结果为已知炼焦煤种类的计数信息，所述计数信息的初始计数值为零，当有一个所述新奇识别模型输出的识别结果为对应的已知炼焦煤种类，所述计数信息的计数值加一；分类模块，用于根据所述计数信息，对所述待识别炼焦煤的种类进行分类。

本申请实施例中的一种炼焦煤种类识别系统，与上述图1所示的一种炼焦煤种类识别方法是基于同一构思下的发明，通过上述对一种炼焦煤种类识别方法的详细描述，本领域技术人员可以清楚的了解本实施例中的一种炼焦煤种类识别系统的实施过程，所以为了说明书的简洁，在此不再赘述

相应地，本实施例提供的一种炼焦煤种类识别系统，根据不同识别难度发生概率的高低，把识别单种煤种类的人工智能识别模型做了区分，用不同的人工智能/机器学习技术解决不同情况的问题，高效、准确地解决了待识别单种炼焦煤的类别的识别问题。

本发明还提供了一种电子设备，请参考图4，图4示出了本申请实施例提供的一种电子设备的结构示意图。其中，电子设备400包括处理器410、存储器420、通信接口430和至少一个用于连接处理器410、存储器420、通信接口430的通信总线。存储器420包括但不限于是随机存储记忆体(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(PROM)或便携式只读存储器(CD-ROM)，该存储器420用于相关指令及数据。

通信接口430用于接收和发送数据。处理器410可以是一个或多个CPU，在处理器410是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。电子设备400中的处理器410用于读取存储器420中存储的一个或多个程序421，执行以下操作：获取待识别单种炼焦煤在多个维度上的第一特征信息；根据所述第一特征信息计算出待识别单种炼焦煤的第一特征向量；将所述第一特征向量分别输入至训练完成的多个已知种类炼焦煤的新奇识别模型中进行种类识别，获得待识别单种炼焦煤的识别结果，其中训练完成的多个已知种类炼焦煤的新奇识别模型是基于新奇检测学习算法对每个已知种类的炼焦煤的特征向量集单独进行训练得到的。

需要说明的是，各个操作的具体实现可以上述图1所示的方法实施例的相应描述，电子设备400可以用于执行本申请上述方法实施例的炼焦煤种类识别方法，在此不再具体赘述。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速 RAM 存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关炼焦煤种类识别方法的相应步骤。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。