Application of multidimensional data visualization by means of self-organizing Kohonen maps to evaluate classification possibilities of various coal types

• Autorzy: Jamróz D. , Niedoba T.

Identyfikatory

DOI

10.1515/amsc-2015-0003

Warianty tytułu

PL

Zastosowanie wizualizacji wielowymiarowych danych za pomocą sieci Kohonena do oceny możliwości klasyfikacji różnych typów węgla

• Języki publikacji: EN

Abstrakty

EN

Multidimensional data visualization methods are a modern tool allowing to classify some analysed objects. In the case of grained materials e.g. coal, many characteristics have an influence on the material quality. The paper presents the possibility of applying visualization techniques for coal type identification and determination of significant differences between various types of coal. To achieve this purpose, the method of Kohonen maps was applied by means of which three types of coal – 31, 34.2 and 35 (according to Polish classification of coal types) were investigated. It was stated that the applied methodology allows to identify certain coal types efficiently and can be used as a qualitative criterion for grained materials.

PL

Metody wizualizacji wielowymiarowych danych są nowoczesnym narzędziem umożliwiającym klasyfikację analizowanych obiektów, którymi mogą być różnego typu dane opisujące wybrane zjawisko lub materiał. W przypadku materiałów uziarnionych, jakim jest np. węgiel, wiele cech ma wpływ na jakość materiału, tj. np. gęstość, wielkość ziaren, ciepło spalania, zawartość popiołu, zawartość siarki itp. Na potrzeby artykułu przeprowadzono rozdział węgli z trzech wybranych kopalni węgla kamiennego, zlokalizowanych w Górnośląskim Okręgu Przemysłowym. Każda z tych kopalni pracuje na innego typu węglu. W tym przypadku były to węgle o typach 31, 34.2 oraz 35 (według polskiej klasyfikacji typów węgla). Najpierw, materiał został podzielony na klasy ziarnowe a następnie za pomocą rozdziale w cieczy ciężkiej (roztwór chlorku cynku) na frakcje gęstościowe. Dla tak przygotowanego materiału przeprowadzono następnie analizy chemiczne mające na celu określenie takich parametrów, jak zawartość siarki, zawartość popiołu, zawartość części lotnych, ciepło spalania oraz wilgotność analityczną. W ten sposób, dla każdej klaso-frakcji uzyskano bogate charakterystyki badanego materiału. Nasuwa się więc pytanie, czy możliwa jest identyfikacja typu węgla za pomocą dostępnych danych. W tym celu zastosowano wielowymiarową technikę wizualizacji statystycznej. Istnieje wiele metod takiej wizualizacji, z których kilka było już przedmiotem wcześniejszych publikacji autorów. W tym wypadku autorzy zdecydowali się zastosować metodę sieci Kohonena. Metoda ta została opisana w rozdziale 2 pracy, gdzie oprócz opisu teoretycznego podano również główne wzory stosowane podczas modelowania tą metodą (wzory (1)-(5)). Do zbadania postawionego problemu wykorzystano optymalną liczbę iteracji i optymalny czas uczenia sieci. Pewnym problemem pojawiającym się przy takiej wizualizacji jest konieczność doboru parametrów, w celu uzyskania widoku, który w sposób czytelny prezentuje poszukiwane przez nas informacje. Należy wspomnieć, że w trakcie prowadzonych eksperymentów uzyskiwano widoki przy użyciu sieci neuronowej o wielkości od 10 × 10 do 100 × 100 neuronów. Widoki były uzyskiwane przy wartości parametru MAX_DISTANCE od 1 do wielkości sieci oraz parametru ITER od 1 do 5000. Eksperymenty były prowadzone dla różnych wzorów określających modyfikację wag. Przedstawione w pracy wyniki stanowią najbardziej czytelne z uzyskanych. Wizualizacja wielowymiarowa przy użyciu sieci Kohonena pozwala stwierdzić, że informacje zawarte w analizowanych siedmiowymiarowych danych są wystarczające do prawidłowej klasyfikacji typów węgla 31, 34.2 oraz 35, przy czym nawet zobrazowanie 3 typów węgla na jednym rysunku pozwala stwierdzić, że neurony reprezentujące próbki węgla danego typu gromadzą się w skupiskach, które można od siebie odseparować. Z tego wynika, że dane zawierają informacje wystarczające do prawidłowej klasyfikacji węgla. Zauważyć jednak warto, że przedstawienie przy pomocy sieci Kohonena, danych reprezentujących różne typy węgla parami, pozwala uzyskać jeszcze bardziej czytelne wyniki. Najlepsze efekty osiągnięto dla sieci o 40 wierszach oraz 40 kolumnach neuronów, co łącznie dało liczbę 1600 neuronów, zaś czytelność wyników rośnie wraz z postępem uczenia sieci neuronowej (wzrostem parametru ITER). Przeprowadzone doświadczenia w pełni potwierdzają, że zastosowana metoda może być z powodzeniem wykorzystana w badaniach jakościowych związanych z różnego typu materiałami uziarnionymi, w tym również węglem. Badania w tym zakresie są kontynuowane.

Słowa kluczowe

EN

Kohonen maps; grained material analysis; coal; multidimensional data; multidimensional visualization methods

PL

sieci Kohonena; analiza materiału uziarnionego; dane wielowymiarowe; metody wizualizacji wielowymiarowej

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2015
• Tom: Vol. 60, no. 1
• Strony: 39--50
• Opis fizyczny: Bibliogr. 29 poz., rys., tab., wykr.

Twórcy

autor

Jamróz D.

• AGH University of Science and Technology, Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering, Department of Applied Computer Science, al. A. Mickiewicza 30, 30-059 Kraków, Poland

autor

Niedoba T.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Department of Environmental Engineering and Mineral Processing, al. A. Mickiewicza 30, 30-059 Kraków

Bibliografia

• [1] Aldrich C., 1998. Visualization of transformed multivariate data sets with autoassociative neural networks. Pattern Recognition Letters, 19(8), p. 749-764.
• [2] Asimov D., 1985. The Grand Tour: A Tool for Viewing Multidimensional Data. SIAM Journal of Scientific and Statistical Computing, 6(1), p. 128-143.
• [3] Assa J., Cohen-Or D., Milo T., 1999. RMAP: a system for visualizing data in multidimensional relevance space. Visual Computer, 15(5), p. 217-34.
• [4] Brożek M., Surowiak A., 2010. Argument of Separation at Upgrading in the Jig. Arch. Min. Sci., 55(1), p. 21-40.
• [5] Brożek M., Surowiak A., 2007. Effect of Particle Shape on Jig Separation Efficiency. Physicochemical Problems of Mineral Processing, 41, p. 397-413.
• [6] Brożek M., Surowiak A., 2005. The Dependence of Distribution of Settling Velocity of Spherical Particles on the Distribution of Particle Sizes and Densities. Physicochemical Problems of Mineral Processing, 39, p. 199-210.
• [7] Chatterjee A., Das P.P., Bhattacharya S., 1993. Visualization in linear programming using parallel coordinates. Pattern Recognition, 26(11), p. 1725-1736.
• [8] Chou S.-Y., Lin S.-W., Yeh C.-S., 1999. Cluster identification with parallel coordinates. Pattern Recognition Letters, 20, p. 565-572.
• [9] Cleveland W.S., McGill R., 1984. The many faces of a scatterplot. Journal of the American Statistical Association, 79, p. 807-822.
• [10] Cook D., Buja A., Cabrera J., Hurley C., 1995. Grand Tour and Projection Pursuit. Journal of Computational and Graphical Statistics, 4(3), p. 155-172.
• [11] Gennings C., Dawson K.S., Carter W.H., Myers Jr. R.H., 1990. Interpreting plots of a multidimensional dose-response surface in a parallel coordinate system. Biometrics, 46, p. 719-735.
• [12] Inselberg A., 1985. The plane with parallel coordinates. Visual Computer, 1, p. 69-91.
• [13] Jain A.K., Mao J., 1992. Artificial neural network for non-linear projection of multivariate data. [In:] Proceedings of IEEE Internat. Joint Conf. on Neural Networks, Baltimore, p. 335-340.
• [14] Jamróz D., 2001. Visualization of objects in multidimensional spaces. Doctoral Thesis, AGH, Kraków. [in Polish].
• [15] Jamróz D., 2009. Multidimensional labyrinth – multidimensional virtual reality. [In:] Cyran K., Kozielski S., Peters J., Stanczyk U., Wakulicz-Deja A. (eds.), Man-Machine, Interactions, AISC, Heidelberg, Springer-Verlag, vol. 59, p. 445-450.
• [16] Jamróz D., 2014a. Application of Multidimensional Data Visualization in Creation of Pattern Recognition Systems. [In:] Gruca A., Czachórski T., Kozielski S. (eds.), Man-Machine, Interactions 3, AISC, Switzerland, Springer International Publishing, vol. 242, p. 443-450.
• [17] Jamróz D., 2014b. Application of multidimensional scaling to classification of various types of coal. Arch. Min. Sci., 59(4), p. 413-425.
• [18] Jamróz D., 2014c. Application of multi-parameter data visualization by means of autoassociative neural networks to evaluate classification possibilities of various coal types. Physicochemical Problems of Mineral Processing, 50(2), p. 719-734.
• [19] Jamróz D., Niedoba T., 2014. Application of Observational Tunnels Method to Select Set of Features Sufficient to Identify a Type of Coal. Physicochemical Problems of Mineral Processing, 50(1), p. 185-202.
• [20] Kim S.-S., Kwon S., Cook D., 2000. Interactive visualization of hierarchical clusters using MDS and MST. Metrika, 51, p. 39-51.
• [21] Köse C., Alp I., Ikibaş C., 2012. Statistical methods for segmentation and quantification of minerals in ore microscopy. Minerals Engineering, 30, p. 19-32.
• [22] Kraaijveld M., Mao J., Jain A.K., 1995. A nonlinear projection method based on Kohonen’s topology preserving maps. IEEE Trans. Neural Networks, 6(3), p. 548-559.
• [23] Laine S., 2002. Finding the variables of interest. Minerals Engineering, 15, p. 167-176.
• [24] Li W., Yue H.H.H., Valle-Cervantes S., Qin S.J., 2000. Recursive PCA for adaptive process monitoring. Journal of Process Control, 10(5), p. 471-486.
• [25] Niedoba T., 2013. Multidimensional characteristics of random variables in description of grained materials and processes of their separation. IGSMiE PAN Publishing, (in Polish).
• [26] Niedoba T., 2014. Multi-parameter data visualization by means of principal component analysis (PCA) in qualitative evaluation of various coal types. Physicochemical Problems of Mineral Processing, 50(2), p. 575-589.
• [27] Niedoba T., Jamróz D., 2013. Visualization of multidimensional data in purpose of qualitative classification of various types of coal. Arch. Min. Sci., 58(4), p. 1317-1331.
• [28] Sobol M.G., Klein G., 1989. New graphics as computerized displays for human information processing. IEEE Trans. Systems Man Cybernet, 19(4), p. 893-898.
• [29] Tadeusiewicz R., 1993. Sieci neuronowe. Akademicka Oficyna Wydaw. RM, Warszawa.