一種菱鎂礦礦石品級(jí)分類建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及礦石成分的檢測(cè)技術(shù)領(lǐng)域，具體涉及一種菱鎂礦礦石品級(jí)分類建模方 法。
【背景技術(shù)】
[0002] 菱鎂礦由于其所含有的氧化鎂具有高的耐火性和粘結(jié)性，主要用于冶金、化工、玻 璃等行業(yè)工業(yè)爐窯的耐火內(nèi)襯方面，尤其是近年來轉(zhuǎn)爐煉鋼的蓬勃發(fā)展，對(duì)鎂砂的質(zhì)量要 求不斷提高，這就加大了對(duì)菱鎂礦品級(jí)精度的要求，其中菱鎂礦產(chǎn)物還可用于造紙、磨料、 制藥以及電熱原件、建筑材料和土壤改良等方面。
[0003] 目前我國生產(chǎn)與出口的鎂質(zhì)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(chǎng)對(duì)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菱鎂礦的品級(jí)將越來越重要。
[0004] 菱鎂礦工業(yè)指標(biāo)根據(jù)礦石鎂含量純度將礦石級(jí)別分為特等品、一等品、二等品、三 等品、四等品。目前傳統(tǒng)的對(duì)于菱鎂礦石品級(jí)分類有兩種：一是傳統(tǒng)的人工方法，長期從事 菱鎂礦工作且有大量的經(jīng)驗(yàn)和專業(yè)知識(shí)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(diǎn)。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本申請(qǐng)?zhí)峁┮环N菱鎂礦礦石品級(jí)分類建模方法，該方法是利用ELM算 法建立菱鎂礦的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測(cè)出菱鎂礦的品級(jí)。該 方法分析周期短，易操作，可操作性強(qiáng)且通過計(jì)算機(jī)提高了精度。
[0006] 為解決以上技術(shù)問題，本發(fā)明提供的技術(shù)方案是一種菱鎂礦礦石品級(jí)分類建模 方法，其特征在于，所述建模方法是利用ELM算法建立菱鎂礦的定量分析數(shù)學(xué)模型，利用所 建立的數(shù)學(xué)模型定量預(yù)測(cè)析出菱鎂礦的品級(jí)；
[0007] 具體內(nèi)容由以下三部分組成：
[0008] 第一部分，選取若干份菱鎂礦樣本進(jìn)行紅外光譜實(shí)驗(yàn)得出其光譜數(shù)據(jù)并保存；其 中，所述樣品菱鎂礦為粉狀及塊狀；
[0009] 第二部分，使用主元分析法（PCA)對(duì)所述第一部分中所得到的光譜數(shù)據(jù)進(jìn)行壓 縮，達(dá)到降低所述光譜數(shù)據(jù)矩陣的維數(shù)；
[0010] 第三部分，對(duì)所述第二部分中所壓縮后的光譜數(shù)據(jù)分為兩部分，其中的一部分?jǐn)?shù) 據(jù)建立ELM算法定量分析數(shù)學(xué)模型，基于該數(shù)學(xué)模型對(duì)所述壓縮后的光譜數(shù)據(jù)中的另一部 分?jǐn)?shù)據(jù)進(jìn)行測(cè)試，預(yù)測(cè)出被測(cè)試部分菱鎂礦石的品級(jí)。
[0011] 進(jìn)一步地，所述第二部分具體包括以下步驟：
[0012] (1)、將所述第一部分中得到的樣本光譜數(shù)據(jù)表格制成mXn的矩陣，并對(duì)該矩陣 作處理，得到標(biāo)準(zhǔn)化后的矩陣；
[0013] (2)、對(duì)所述步驟（1)中得到的標(biāo)準(zhǔn)化后的矩陣進(jìn)行奇異值分解，從而得到負(fù)載向 量和得分向量；
[0014] (3)、采用累計(jì)貢獻(xiàn)率法求取主元個(gè)數(shù)；
[0015] (4)、根據(jù)所述步驟（3)中的主元個(gè)數(shù)求取空間負(fù)載矩陣，進(jìn)而求出壓縮后的矩 陣。
[0016] 進(jìn)一步地，所述第三部分包括以下步驟：
[0017] (5)、以所述步驟（4)中壓縮后的矩陣中的一部分作為訓(xùn)練樣本，另一部分作為測(cè) 試樣本；
[0018] (6)、將所述步驟（5)中的訓(xùn)練樣本代入ELM模型進(jìn)行訓(xùn)練，得到合適的參數(shù)；
[0019] (7)、將所述步驟（6)中得到的參數(shù)代入公式建立ELM算法定量分析數(shù)學(xué)模型；
[0020] (8)、將所述步驟（5)中測(cè)試樣本代入所述步驟（7)中的ELM算法定量分析數(shù)學(xué)模 型，通過Matlab實(shí)現(xiàn)仿真并計(jì)算得出結(jié)果。
[0021] (9)、根據(jù)所述步驟（8)中計(jì)算的結(jié)果對(duì)照菱鎂礦標(biāo)準(zhǔn)的方法測(cè)量的結(jié)果，得出菱 儀礦的品級(jí)。
[0022] 進(jìn)一步地，所述步驟（8)還包括，將所述ELM算法定量分析數(shù)學(xué)模型進(jìn)行循環(huán)多 次，取其精確度最高的一組。
[0023] 進(jìn)一步地，所述步驟（6)中所述參數(shù)包括網(wǎng)絡(luò)激勵(lì)函數(shù)和隱含層節(jié)點(diǎn)數(shù)。
[0024] 進(jìn)一步地，所述隱含層節(jié)點(diǎn)數(shù)的選取首先確定隱含層中節(jié)點(diǎn)數(shù)目的范圍，然后再 通過不斷試驗(yàn)來選取效果最佳的隱含層節(jié)點(diǎn)數(shù)。
[0025] 本發(fā)明的首要改進(jìn)之處為：利用ELM算法建立菱鎂礦的定量分析數(shù)學(xué)模型，利用 所建立的數(shù)學(xué)模型定量預(yù)測(cè)出菱鎂礦的品級(jí)。使用本發(fā)明所述建模方法鑒別菱鎂礦石的品 級(jí)，鑒別周期短，易操作，可操作性強(qiáng)且通過計(jì)算機(jī)提高了精度。
[0026] 本發(fā)明的有益效果是：
[0027] 本發(fā)明所述建模方法可以快速準(zhǔn)確地實(shí)現(xiàn)菱鎂礦石品級(jí)的分類。本發(fā)明所述建模 方法分析周期短、操作步驟簡單，利用計(jì)算機(jī)建模并計(jì)算、提高了測(cè)試精度、提高了工作效 率。另外，該方法的使用減少了儀器的投入和大量人力的投入，工作強(qiáng)度小，節(jié)約了生產(chǎn)所 投入的成本，同時(shí)減少了人為誤差。
【附圖說明】
[0028] 圖1為本發(fā)明實(shí)施例菱鎂礦品級(jí)建模方法流程圖；
[0029] 圖2為圖1中所述步驟B的流程圖；
[0030] 圖3為圖1中所述步驟C的流程圖；
[0031] 圖4為本發(fā)明實(shí)施例累計(jì)貢獻(xiàn)率法求主元個(gè)數(shù)在Matlab中的仿真圖；
[0032] 圖5為本發(fā)明實(shí)施例ELM模型訓(xùn)練集輸出仿真圖；
[0033] 圖6為本發(fā)明實(shí)施例ELM模型測(cè)試集輸出仿真圖；
[0034] 圖7為本發(fā)明實(shí)施例ELM模型菱鎂礦品級(jí)輸出仿真圖；
[0035] 圖8為本發(fā)明實(shí)施例光譜數(shù)據(jù)陣進(jìn)行標(biāo)準(zhǔn)化公式。
【具體實(shí)施方式】
[0036] 為了使本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明的技術(shù)方案，下面結(jié)合附圖和具體實(shí) 施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0037] 實(shí)施例一：
[0038] 本發(fā)明實(shí)施例所描述的是一種菱鎂礦礦石品級(jí)分類建模方法，該建模方法是利用 ELM算法建立菱鎂礦的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測(cè)出菱鎂礦的品 級(jí)。
[0039] 本發(fā)明實(shí)施例所描述的菱鎂礦品級(jí)的建模方法應(yīng)用于粉狀菱鎂礦品級(jí)鑒別的詳 細(xì)流程如下：
[0040] 準(zhǔn)備樣品：采集遼寧省大石橋菱鎂礦石作為樣品，將所采集的菱鎂礦石研磨成粉 狀，并分成2份，分別是A份、B份，每一份等量分成30組并編號(hào)。那么A份的30組樣品按 編號(hào)依次為A0UA02、…、A29、A30 ;B份的30組樣品按編號(hào)依次為B0UB02、…、B29、B30。 其中，A份樣品用于采用現(xiàn)有化學(xué)方法鑒別其品級(jí)；B份樣品用于采用本發(fā)明所述建模方法 鑒別其品級(jí)。
[0041] 鑒別：參見圖1、圖2、圖3,具體包括以下步驟：
[0042] 步驟A、采用美國SVC HR-1024便攜式地物光譜儀分別對(duì)B份樣品中的30組樣品 依次進(jìn)行近紅外光譜實(shí)驗(yàn)，得到30組樣品的近紅外光譜數(shù)據(jù)并保存所得到的數(shù)據(jù)。將所得 到的30組近紅外光譜數(shù)據(jù)中的前20組作為訓(xùn)練組B2。，后10組作為測(cè)試組B1Q待用。
[0043] 步驟B、使用主元分析法（PCA)對(duì)所述步驟A中所得到的B份中30組近紅外光譜 數(shù)據(jù)進(jìn)行壓縮，達(dá)到降低所述光譜數(shù)據(jù)矩陣的維數(shù)，其實(shí)現(xiàn)過程如下：
[0044] 步驟S101、數(shù)據(jù)標(biāo)準(zhǔn)化，將所得到的B份中30組近紅外光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。
[0045] 將所得到的B份中30組近紅外光譜數(shù)據(jù)表格制成mXn的矩陣，這里m = 30,n = 973,即得到的B份中30組菱鎂礦光譜數(shù)據(jù)陣X(30X973)代入下列公式如圖8所示，進(jìn)行 歸一化處理，得到標(biāo)準(zhǔn)化后的矩陣。
[0046] 其中，η是樣本點(diǎn)個(gè)數(shù)，m是變量個(gè)數(shù)，i是樣本點(diǎn)索引，j是變量索引。
[0047] 步驟S102、奇異值分解，將步驟S101中所得到的標(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。
[0048] 本實(shí)施例中，30個(gè)樣本，973個(gè)變量，將矩陣分解為30個(gè)向量的外積之和，公式如 式⑷：
[0050] 其中，h為得分向量，p i為負(fù)荷向量。也可以寫成式（5)的矩陣形式如下：
[0051] X = TPT (5)
[0052] 其中，T = [tA…tn]為得分矩陣；Ρ = [ρρ；；…pj為負(fù)載矩陣。
[0053] 步驟S103、求主元個(gè)數(shù)，即求出累計(jì)貢獻(xiàn)率超過給定的特征值個(gè)數(shù)。
[0054] 每個(gè)主元的方差和總方差的比值稱為該主元對(duì)樣本總方差的貢獻(xiàn)率，將協(xié)方差矩 陣的特征值從大到小排列，求其累積貢獻(xiàn)率。本發(fā)明實(shí)施例采用累計(jì)貢獻(xiàn)率法來確定主元 個(gè)數(shù)，當(dāng)某些主成分的累積貢獻(xiàn)率超過一定的指標(biāo)后，我們就可以認(rèn)為這些主成分可以綜 合原數(shù)據(jù)足夠多的信息。本發(fā)明在Matlab中仿真累計(jì)貢獻(xiàn)率法求主元個(gè)數(shù)，當(dāng)主元個(gè)數(shù)為 10時(shí)，仿真中選取的貢獻(xiàn)率特征值個(gè)數(shù)/總成分?jǐn)?shù)多〇. 9999993,故選取主元個(gè)數(shù)為10,即 變量數(shù)為10,其仿真圖如圖4所示。
[0055] 步驟S104、數(shù)據(jù)重構(gòu)，根據(jù)步驟S103中主元個(gè)數(shù)求取主元空間負(fù)載矩陣，并求出 壓縮后的矩陣。
[0056] 將負(fù)載矩陣P = [Plpn]，代入式（6)得到壓縮后的矩陣。
[0057] T = XnXnPn (6)
[0058] 所得的壓縮后的矩陣為X (30 X 10)。
[0059] 本實(shí)施例通過數(shù)