[發(fā)明專利]一種鐵礦石的分類建模方法

有效

• 申請?zhí)枺?/td>: 201710351288.0
• 申請日: 2017-05-17
• 公開（公告）號: CN107169205B
• 公開（公告）日: 2020-02-11
• 發(fā)明（設(shè)計）人: 肖冬;李北京;毛亞純;柳小波
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62
• 代理公司: 21234 沈陽優(yōu)普達(dá)知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)
• 代理人: 李曉光

本發(fā)明涉及一種鐵礦石的分類建模方法，利用包含多個隱含層的ELM算法建立礦石的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測分析各種礦石的種類，包括以下步驟：1)選取多份鐵礦石樣本進(jìn)行近紅外光譜實驗得出其光譜數(shù)據(jù)并保存；2)使用主元分析法即PCA分析法對上述光譜數(shù)據(jù)進(jìn)行壓縮，降低光譜數(shù)據(jù)矩陣的維數(shù)；3)將壓縮后的光譜數(shù)據(jù)分為兩部分，利用其中一部分?jǐn)?shù)據(jù)建立多個隱含層的ELM算法定量分析數(shù)學(xué)模型，利用建立的定量分析數(shù)學(xué)模型對另一部分?jǐn)?shù)據(jù)進(jìn)行測試，預(yù)測出被測試部分鐵礦石的種類。本發(fā)明方法可以快速、準(zhǔn)確地實現(xiàn)鐵礦石的分類，分析周期短、操作步驟簡單，利用計算機(jī)建模并計算、提高了測試精度、提高了工作效率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種礦石的檢測技術(shù)，具體涉及一種鐵礦石的分類建模方法。

背景技術(shù)

鐵礦石(赤鐵礦、磁鐵礦)具有很高的鐵含量，是鋼鐵生產(chǎn)企業(yè)的重要原材料，鋼鐵產(chǎn)品廣泛應(yīng)用建筑工程、機(jī)械制造、容器制造、造船、橋梁建造、鍋爐的爐殼和橋梁結(jié)構(gòu)，以及汽車大梁結(jié)構(gòu)、江海運(yùn)輸?shù)拇瑲ぁ⒛承C(jī)械零部件，還可以拼裝焊接成大型構(gòu)件等。

目前我國生產(chǎn)與出口的鋼鐵材料大多是原料的粗加工產(chǎn)品，而低檔產(chǎn)品與高檔產(chǎn)品的效益相差十幾倍。加之目前國際市場對高純度需求量的增加，如何利用簡單有效、方便精確、成本低廉的方法鑒別預(yù)測礦石的種類與其鐵含量的值尤為重要。

由于本實驗的鐵礦石樣本數(shù)據(jù)來自于鞍千礦業(yè)，在鐵礦區(qū)除了有赤鐵礦石與磁鐵礦石外，還含有大量的花崗巖，千枚巖，綠泥石與赤鐵礦和磁鐵礦混合在一起。但是它們都含有很少的鐵含量，實際冶煉費(fèi)時費(fèi)工，需將赤鐵礦石和磁鐵礦石從中區(qū)分開來。而用傳統(tǒng)分別鐵礦石種類有兩種：一是傳統(tǒng)的人工方法，長期從事鐵礦工作且有大量的經(jīng)驗和專業(yè)知識工程師進(jìn)行手標(biāo)本鑒別，這種方式精確度不高；另一種是通過化學(xué)方法進(jìn)行鑒別，精確度比較高，但是需要專業(yè)人員操作且存在分析周期長、操作步驟復(fù)雜、使用儀器多、工作效率低、工作強(qiáng)度大等缺點。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中鐵礦石的分類存在精確度低、分析周期長、工作效率低、強(qiáng)度大等不足，本發(fā)明要解決的問題是提供一種可縮短分析周期、易操作、精度高的鐵礦石的分類建模方法。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：

本發(fā)明一種鐵礦石的分類建模方法，利用包含多個隱含層的ELM算法建立礦石的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測分析各種礦石的種類，包括以下步驟：

1)選取多份鐵礦石樣本進(jìn)行近紅外光譜實驗得出其光譜數(shù)據(jù)并保存；

2)使用主元分析法即PCA分析法對上述光譜數(shù)據(jù)進(jìn)行壓縮，降低光譜數(shù)據(jù)矩陣的維數(shù)；

3)將壓縮后的光譜數(shù)據(jù)分為兩部分，利用其中一部分?jǐn)?shù)據(jù)建立多個隱含層的ELM算法定量分析數(shù)學(xué)模型，利用建立的定量分析數(shù)學(xué)模型對另一部分?jǐn)?shù)據(jù)進(jìn)行測試，預(yù)測出被測試部分鐵礦石的種類。

使用主元分析法即PCA分析法對上述光譜數(shù)據(jù)進(jìn)行壓縮包括以下步驟：

21)將樣本光譜數(shù)據(jù)制成m×n的矩陣，并對該矩陣進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的矩陣；

22)對標(biāo)準(zhǔn)化后的矩陣進(jìn)行奇異值分解，得到負(fù)載向量和得分向量；

23)利用負(fù)載向量和得分向量通過累計貢獻(xiàn)率法求取主元個數(shù)；

24)根據(jù)主元個數(shù)求取空間負(fù)載矩陣，進(jìn)而求出壓縮后的矩陣。

建立多個隱含層的ELM算法定量分析數(shù)學(xué)模型為：

31)多個隱含層的ELM模型中激活函數(shù)G(x)取sigmoid函數(shù)(g(x)＝1/(1+e^-x))，隱含層節(jié)點數(shù)取20～60，隱含層數(shù)目取3～5；