基于主成分分析法的神经网络模型与箱线图在选厂中的应用.pdf

《基于主成分分析法的神经网络模型与箱线图在选厂中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第18卷第11期中国矿业Vo1．18。No．112009年11月CHINAMININGMAGAZINENovember2009基于主成分分析法的神经网络模型与箱线图在选厂中的应用王淑红，孙永峰，董风芝(山东理工大学，山东淄博255049)摘要：利用探索性数据分析法中的箱线图法对选矿数据进行分析，找到最优的精矿品位、回收率组合。并将其作为输入因素输入到主成分分析一神经网络模型进行验证预测，找到在此组合下的更合理的药剂用量。用此药剂量指导生产，可以得到更好的精矿品位和回收率。关键词：箱线图；主成分分析；神经网络模型中图分类号：0141．4文献标识码：B文章编号：1004—405

2、i(2009)11—0107—03ApplicationofANNBPmodelbasedonprincipalcomponentanalysismethodandinmineralprocessingplantWANGShu—hong，SUNYong—feng，DONGFeng—zhi(ShandongUniversityofTechnology，Zibo255049，China)Abstract：Thebestcompoundingofgradeandrecoveryofconcentratewasfoundthroughanalysisofmineralprocess

3、ingdatausingboxlinediagramofexploratorydataanalyzingmethod，whichwereinputtedtotheANNBPmodelbasedonprincipalcomponentanalysismethodtofindthemorereasonabledosageofreagentsattheconditionofbestcompounding，thenthedosagecanbevalidatedinpracticalproducingandusedtogainhighergradeandrecoveryofconce

4、ntrate．Keywords：boxlinediagram；principalcomponentanalysismethod；ANNBPmodel随着计算机应用在各个领域的推广以及建模法优劣；另一方面缩小选矿药剂量的选取范围。技术的普及，对选矿厂管理与技术有了更高的要这种思想的基本思路，是首先建立简单的浮选结求。应用探索性数据分析方法中的箱线图法，对果(精矿品位、回收率)一条件(浮选工艺参数)浮选数据进行分析，可挖掘出选矿厂潜在的精矿的选矿模型，对由模型得出的条件用主成分分析一品位和回收率更优组合，并将其作为输入因素输神经网络模型进行验证，并进一步确定此条件下入到主成分分

5、析一神经网络模型进行验证预测，找的精矿品位和回收率的更佳组合。过程图见图1。到现有条件下的更合理的药剂用量。用该药剂用V代表选取的数据组，有精矿品位、回收量指导生产，以期得到更好的精矿品位和回收率。率、原矿品位、黄药用量、2油用量五个因素。神经网络BP模型具有很强的预测功能，特别(2)模型选取最优值的过程。在结果求是与主成分结合的神经网络BP模型，解决了模型条件的基础上，依据图1，将原始数据利用探索性中的输入、输出因素之间的相关性问题，大大提数据分析中的箱线图法进行分析，根据箱线图发高了建模质量。利用改进的BP模型对箱线图得出展趋势，选取几组精矿品位和回收率可能存在的的结果

6、进行预测，既可以验证箱线图法优劣，又更优组合，作为模型的输入因素(其中包括1到2可以确定选矿药剂的最佳用量。组背离结论的组合，用于验证分析方法的优劣)，1选矿模型的建立同时取出相应的药剂用量作为模型的输出因素。(1)箱线图法和主成分分析一神经网络BP模将此数据组作为验证子集输入到主成分分析法进行型联合应用的优点在于：一方面可以验证箱线图处理的人工神经网络模型(ANN)中进行验证，并将所得结果与期望输出进行比较。要求结果和箱收稿日期：2009—05—22第11期王淑红等：基于主成分分析法的神经网络模型与箱线图在选厂中的应用109Factor3一一0．833×精矿品位+0．83

7、3×回样本集分成两个样本子集：训练样本子集(1～收率19)；预测样本子集(20～22)。在建模过程中，对计算过的结果进行剔除，凡明显偏离中心参数选取：学习率0．9，冲量系数O．7，系统误差值的数据不予考虑，得出共22组数据(其中处理0．0045。将1～19样本作为训练样本子集；20～过的表1的数据，作为2O～22样本)，对选矿厂22样本作为验证样本子集输入模型中进行验证。进行建模。通过多次训练选取2个隐层，每个隐层为6个节点(4)利用BP模型进行预测网络拓扑结构。当样本学习到3000次时，系统对以精矿品位和回收率为