CN105354347B - 一种菱镁矿矿石品级分类建模方法 - Google Patents
一种菱镁矿矿石品级分类建模方法 Download PDFInfo
- Publication number
- CN105354347B CN105354347B CN201510412913.9A CN201510412913A CN105354347B CN 105354347 B CN105354347 B CN 105354347B CN 201510412913 A CN201510412913 A CN 201510412913A CN 105354347 B CN105354347 B CN 105354347B
- Authority
- CN
- China
- Prior art keywords
- magnesite
- spectroscopic data
- elm
- quantitative analysis
- grade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- ZLNQQNXFFQJAID-UHFFFAOYSA-L magnesium carbonate Chemical compound [Mg+2].[O-]C([O-])=O ZLNQQNXFFQJAID-UHFFFAOYSA-L 0.000 title claims abstract description 83
- 239000001095 magnesium carbonate Substances 0.000 title claims abstract description 68
- 235000014380 magnesium carbonate Nutrition 0.000 title claims abstract description 68
- 229910000021 magnesium carbonate Inorganic materials 0.000 title claims abstract description 68
- 238000013145 classification model Methods 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000013178 mathematical model Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 25
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000002474 experimental method Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 16
- 238000002329 infrared spectrum Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 4
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000011017 operating method Methods 0.000 abstract description 4
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 11
- CPLXHLVBOLITMK-UHFFFAOYSA-N Magnesium oxide Chemical compound [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000000395 magnesium oxide Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 239000000292 calcium oxide Substances 0.000 description 3
- 229910052681 coesite Inorganic materials 0.000 description 3
- 229910052906 cristobalite Inorganic materials 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 229910052682 stishovite Inorganic materials 0.000 description 3
- 229910052905 tridymite Inorganic materials 0.000 description 3
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 235000003283 Pachira macrocarpa Nutrition 0.000 description 1
- 241001083492 Trapa Species 0.000 description 1
- 235000014364 Trapa natans Nutrition 0.000 description 1
- 239000003082 abrasive agent Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009165 saligot Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种菱镁矿矿石品级分类建模方法,该建模方法是利用ELM算法建立菱镁矿的定量分析数学模型,利用所建立的数学模型定量分析出菱镁矿的品级。首先,选取若干份菱镁矿样本进行光谱实验得出其光谱数据,并通告其他方法得到所述菱镁矿的品级。其次使用主元分析法(PCA)对所述第一部分中所得到的光谱数据进行压缩,达到降低所述光谱数据矩阵的维数。然后,对所述第二部分中所压缩后的光谱数据中的一部分数据建立ELM算法定量分析数学模型,基于该数学模型对所述压缩后的光谱数据中的一部分数据进行检测。本发明首次将ELM模型应用于菱镁矿石品级鉴别中,利用计算机建模并计算,其分析周期短、操作步骤简单、提高了工作效率,同时减少人为误差。
Description
技术领域
本发明涉及矿石成分的检测技术领域,具体涉及一种菱镁矿矿石品级分类建模方法。
背景技术
菱镁矿由于其所含有的氧化镁具有高的耐火性和粘结性,主要用于冶金、化工、玻璃等行业工业炉窑的耐火内衬方面,尤其是近年来转炉炼钢的蓬勃发展,对镁砂的质量要求不断提高,这就加大了对菱镁矿品级精度的要求,其中菱镁矿产物还可用于造纸、磨料、制药以及电热原件、建筑材料和土壤改良等方面。
目前我国生产与出口的镁质材料大多是原料的粗加工产品,而低档产品与高档产品的效益相差十几倍。加之目前国际市场对高纯度需求量的增加,如何利用简单有效、方便精确、成本低廉的方法鉴别菱镁矿的品级将越来越重要。
菱镁矿工业指标根据矿石镁含量纯度将矿石级别分为特等品、一等品、二等品、三等品、四等品。目前传统的对于菱镁矿石品级分类有两种:一是传统的人工方法,长期从事菱镁矿工作且有大量的经验和专业知识工程师进行手标本鉴别,这种方式精确度不高;另一种是通过化学方法进行鉴别,精确度比较高,但是需要专业人员操作且存在分析周期长、操作步骤复杂、使用仪器多、工作效率低、工作强度大等缺点。
发明内容
有鉴于此,本申请提供一种菱镁矿矿石品级分类建模方法,该方法是利用ELM算法建立菱镁矿的定量分析数学模型,利用所建立的数学模型定量预测出菱镁矿的品级。该方法分析周期短,易操作,可操作性强且通过计算机提高了精度。
为解决以上技术问题,本发明提供的技术方案是一种菱镁矿矿石品级分类建模方法,其特征在于,所述建模方法是利用ELM算法建立菱镁矿的定量分析数学模型,利用所建立的数学模型定量预测析出菱镁矿的品级;
具体内容由以下三部分组成:
第一部分,选取若干份菱镁矿样本进行红外光谱实验得出其光谱数据并保存;其中,所述样品菱镁矿为粉状及块状;
第二部分,使用主元分析法(PCA)对所述第一部分中所得到的光谱数据进行压缩,达到降低所述光谱数据矩阵的维数;
第三部分,对所述第二部分中所压缩后的光谱数据分为两部分,其中的一部分数据建立ELM算法定量分析数学模型,基于该数学模型对所述压缩后的光谱数据中的另一部分数据进行测试,预测出被测试部分菱镁矿石的品级。
进一步地,所述第二部分具体包括以下步骤:
(1)、将所述第一部分中得到的样本光谱数据表格制成m×n的矩阵,并对该矩阵作处理,得到标准化后的矩阵;
(2)、对所述步骤(1)中得到的标准化后的矩阵进行奇异值分解,从而得到负载向量和得分向量;
(3)、采用累计贡献率法求取主元个数;
(4)、根据所述步骤(3)中的主元个数求取空间负载矩阵,进而求出压缩后的矩阵。
进一步地,所述第三部分包括以下步骤:
(5)、以所述步骤(4)中压缩后的矩阵中的一部分作为训练样本,另一部分作为测试样本;
(6)、将所述步骤(5)中的训练样本代入ELM模型进行训练,得到合适的参数;
(7)、将所述步骤(6)中得到的参数代入公式建立ELM算法定量分析数学 模型;
(8)、将所述步骤(5)中测试样本代入所述步骤(7)中的ELM算法定量分析数学模型,通过Matlab实现仿真并计算得出结果。
(9)、根据所述步骤(8)中计算的结果对照菱镁矿标准的方法测量的结果,得出菱镁矿的品级。
进一步地,所述步骤(8)还包括,将所述ELM算法定量分析数学模型进行循环多次,取其精确度最高的一组。
进一步地,所述步骤(6)中所述参数包括网络激励函数和隐含层节点数。
进一步地,所述隐含层节点数的选取首先确定隐含层中节点数目的范围,然后再通过不断试验来选取效果最佳的隐含层节点数。
本发明的首要改进之处为:利用ELM算法建立菱镁矿的定量分析数学模型,利用所建立的数学模型定量预测出菱镁矿的品级。使用本发明所述建模方法鉴别菱镁矿石的品级,鉴别周期短,易操作,可操作性强且通过计算机提高了精度。
本发明的有益效果是:
本发明所述建模方法可以快速准确地实现菱镁矿石品级的分类。本发明所述建模方法分析周期短、操作步骤简单,利用计算机建模并计算、提高了测试精度、提高了工作效率。另外,该方法的使用减少了仪器的投入和大量人力的投入,工作强度小,节约了生产所投入的成本,同时减少了人为误差。
附图说明
图1为本发明实施例菱镁矿品级建模方法流程图;
图2为图1中所述步骤B的流程图;
图3为图1中所述步骤C的流程图;
图4为本发明实施例累计贡献率法求主元个数在Matlab中的仿真图;
图5为本发明实施例ELM模型训练集输出仿真图;
图6为本发明实施例ELM模型测试集输出仿真图;
图7为本发明实施例ELM模型菱镁矿品级输出仿真图;
图8为本发明实施例光谱数据阵进行标准化公式。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
实施例一:
本发明实施例所描述的是一种菱镁矿矿石品级分类建模方法,该建模方法是利用ELM算法建立菱镁矿的定量分析数学模型,利用所建立的数学模型定量预测出菱镁矿的品级。
本发明实施例所描述的菱镁矿品级的建模方法应用于粉状菱镁矿品级鉴别的详细流程如下:
准备样品:采集辽宁省大石桥菱镁矿石作为样品,将所采集的菱镁矿石研磨成粉状,并分成2份,分别是A份、B份,每一份等量分成30组并编号。那么A份的30组样品按编号依次为A01、A02、…、A29、A30;B份的30组样品按编号依次为B01、B02、…、B29、B30。其中,A份样品用于采用现有化学方法鉴别其品级;B份样品用于采用本发明所述建模方法鉴别其品级。
鉴别:参见图1、图2、图3,具体包括以下步骤:
步骤A、采用美国SVC HR-1024便携式地物光谱仪分别对B份样品中的30组样品依次进行近红外光谱实验,得到30组样品的近红外光谱数据并保存所得到的数据。将所得到的30组近红外光谱数据中的前20组作为训练组B20,后10组作为测试组B10待用。
步骤B、使用主元分析法(PCA)对所述步骤A中所得到的B份中30组近红外光谱数据进行压缩,达到降低所述光谱数据矩阵的维数,其实现过程如下:
步骤S101、数据标准化,将所得到的B份中30组近红外光谱数据进行标准化。
将所得到的B份中30组近红外光谱数据表格制成m×n的矩阵,这里m=30,n=973,即得到的B份中30组菱镁矿光谱数据阵X(30×973)代入下列公式如图8所示,进行归一化处理,得到标准化后的矩阵。
其中,n是样本点个数,m是变量个数,i是样本点索引,j是变量索引。
步骤S102、奇异值分解,将步骤S101中所得到的标准化后的矩阵进行奇异值分解,得到负载向量和得分向量。
本实施例中,30个样本,973个变量,将矩阵分解为30个向量的外积之和,公式如式(4):
其中,ti为得分向量,pi为负荷向量。也可以写成式(5)的矩阵形式如下:
X=TPT (5)
其中,T=[t1t2…tn]为得分矩阵;P=[p1p2…pm]为负载矩阵。
步骤S103、求主元个数,即求出累计贡献率超过给定的特征值个数。
每个主元的方差和总方差的比值称为该主元对样本总方差的贡献率,将协方差矩阵的特征值从大到小排列,求其累积贡献率。本发明实施例采用累计贡献率法来确定主元个数,当某些主成分的累积贡献率超过一定的指标后,我们就可以认为这些主成分可以综合原数据足够多的信息。本发明在Matlab中仿真累计贡献率法求主元个数,当主元个数为10时,仿真中选取的贡献率特征值个数/总成分数≥0.9999993,故选取主元个数为10,即变量数为10,其仿真图如图4所示。
步骤S104、数据重构,根据步骤S103中主元个数求取主元空间负载矩阵,并求出压缩后的矩阵。
将负载矩阵P=[p1p2…pm],代入式(6)得到压缩后的矩阵。
T=Xm×nPm (6)
所得的压缩后的矩阵为X(30×10)。
本实施例通过数据标准化、奇异值分解出负载向量和得分向量、特征值、求主元个数、根据主元个数求取主元空间的负载矩阵以及数据重构这些步骤实现了数据的降维,将30×973的粉状红外光谱数据压缩成30×10的粉状红外光谱数据。
步骤C、对所述步骤B中所压缩后的近红外光谱数据中的前20组即B20建立ELM算法定量分析数学模型,基于该数学模型对所压缩后的近红外光谱数据中的后10组即B10数据进行预测。
ELM集成主要思想是首先产生几个不同的ELM网络,然后采用不同的加权方式将这几个ELM网络的输出进行线性组合,从而得到最终的输出结果。建立ELM算法定量分析数学模型:ELM网络的初始权值和阈值是随机产生的,而且一旦生成后,它们的值将不变直到训练结束。因此,只需确定隐含层神经元的激活函数和隐含层神经元个数,即可计算出输出层权值β。具体步骤如下:
步骤S201、ELM模型中激活函数G(x)取sigmoid,隐含层节点数取20。
步骤S202、计算权值,将得到的菱镁矿石训练集即B20中的20组近红外光谱数据矩阵N={(xi,ti)|xi∈Rn,ti∈Rm,i=1,…,N}代入建立ELM算法定量分析数学模型可得到:
1)随机产生隐含层节点参数(ai,bi),i=1,…,L,其中L为隐含层节点数。
2)带入式(7),计算出隐含层输出矩阵H。
Hβ=T (7)
其中
3)计算输出权值β:这里表示隐含层输出矩阵H的Moore-Penrose广义逆。
用Matlab实现模型的仿真,并根据其准确度作出图像,得到ELM训练集输出仿真图如图5所示。其中,图5上1代表特级矿、2代表非特级矿。
步骤S203、将得到的菱镁矿石样本测试集即B10中的10组近红外光谱数据矩阵带入到ELM模型中,通过Matlab实现仿真并计算得出结果。为了进一步提高分类效果,本实施例中把ELM模型循环了1000次,得到模型精确度100%,并选取精确度最高的这一组。
用Matlab实现模型的仿真,并根据其准确度作出图像,得到ELM测试集输出仿真图如图6所示。其中,图6上1代表特级菱镁矿石、2代表非特级菱镁矿石。
步骤S204、将步骤S203所得到的结果与样品A份真实的品级作比较。
这里,采用化学实验的方法分别对样品A份中的30组粉状菱镁矿做实验并得到其品级。
用Matlab实现模型的仿真,并根据其准确度作出图像,得到菱镁矿品级输出仿真图如图7所示。通过比较测试集预测值与真实值间对应数值,可以看出ELM对于菱镁矿石的分类作用明显。
本实施例中,是采用粉末状菱镁矿作样品,并对其特级菱镁矿石还是非特级菱镁矿石进行鉴别。对于块状菱镁矿的鉴别可采用同样的方式实现。
对照组1—传统人工建模方法
传统的人工建模方法主要是长期从事菱镁矿工作且有大量的经验和专业知识工程师对菱镁矿进行手工标本鉴别。该建模方法简单快捷但是准确度不高。
对照组2—现有化学实验建模方法
现有对菱镁矿品级的建模方法主要通过化学实验方法对待检测菱镁矿进行测试。采用化学方法检测所述菱镁矿样本中CaO、MgO、SiO2含量,计算出所述菱镁矿样本中组分CaO、MgO、SiO2的质量百分比,对照菱镁矿工业指标中CaO、MgO、SiO2的质量百分比得出所述菱镁矿样本的品级。
实验组1—本发明建模方法
本实验组采用本发明实施例所述的菱镁矿品级的建模方法对待检测菱镁矿进行测试,该建模方法是利用ELM算法建立菱镁矿的定量分析数学模型,利用所建立的数学模型定量预测出菱镁矿的品级。本发明所述建模方法分析周期短、操作步骤简单,利用计算机建模并计算、提高了测试精度、提高了工作效率。另外,该方法的使用减少了仪器和试剂的投入和大量人力的投入,工作强度小,节约了生产所投入的成本,同时减少了人为误差。
分别采用上述对照组1、对照组2、实验组1所述的建模方法应用于鉴别辽宁大石桥菱镁矿的品级中,对同样的30组样品进行实验并鉴别,几次后测定其鉴别精确度、耗时长短、耗费费用。例如对照组1—传统人工建模方法鉴别精确度及耗时长短、耗费费用,对照组2—化学实验建模方法鉴别精确度及耗时长短、耗费费用,实验组1—本发明所述建模方法鉴别精确度及耗时长短、耗费费用所得数据见下表1。
表1——检测结果
实验对象 | 菱镁矿品级精确度 | 鉴别耗时 | 耗费费用 |
对照组1 | 30% | 40分钟 | 约130元 |
对照组2 | 100% | 2天 | 约1000元 |
实验组1 | 100% | 30分钟 | 约7元 |
从表1中可以看出:采用传统的人工建模方法鉴别菱镁矿需要大量的人力、物力,且工作强度大,此方法虽然简单方便但是精确度不高。采用化学实验建模方法鉴别菱镁矿,需要购买化学实验药品,本实施例中,测试30组样本所需的药品费用大约为3000元,除此之外,一些化学实验仪器和人力成本投入在300万以上,此方法检测结果虽然精确,但是耗费费用高。相对而言,光谱仪和计算机的硬件设备投入在30万以内,本申请所述建模方法,单次检验30组样本所需的费用只需约30元,相对人力成本投入更少,检测结果精确度高且耗费费用少,效益可观。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种菱镁矿矿石品级分类建模方法,其特征在于,所述建模方法是利用ELM算法建立菱镁矿的定量分析数学模型,利用所建立的数学模型定量预测出菱镁矿的品级;
所述建模方法包括:
选取若干份菱镁矿样本进行红外光谱实验得出其光谱数据并保存为样本光谱数据;其中,所述菱镁矿样本为粉状及块状的菱镁矿;
使用主元分析法PCA对所述样本光谱数据进行压缩,获得压缩后的光谱数据;
将所述压缩后的光谱数据划分为第一光谱数据和第二光谱数据,通过所述第一光谱数据建立ELM算法定量分析数学模型,基于该数学模型对所述压缩后的光谱数据中的所述第二光谱数据进行测试,预测出被测试的菱镁矿石的品级。
2.根据权利要求1所述的一种菱镁矿矿石品级分类建模方法,其特征在于,使用主元分析法PCA对所述样本光谱数据进行压缩,获得压缩后的光谱数据,包括:
将所述样本光谱数据制成m×n的矩阵,并对该矩阵作处理,得到标准化后的矩阵;
对得到的标准化后的矩阵进行奇异值分解,获得负载向量和得分向量;
使用PCA采用累计贡献率法求取主元个数;
根据求取的主元个数,求取空间负载矩阵,获得压缩后的光谱数据矩阵。
3.根据权利要求2所述的一种菱镁矿矿石品级分类建模方法,其特征在于,将所述压缩后的光谱数据划分为第一光谱数据和第二光谱数据,通过所述第一光谱数据建立ELM算法定量分析数学模型,基于该数学模型对所述压缩后的光谱数据中的所述第二光谱数据进行测试,预测出被测试的菱镁矿石的品级,包括:
以所述压缩后的光谱数据矩阵中的所述第一光谱数据作为训练样本,所述第二光谱数据作为测试样本;
将所述训练样本代入ELM模型进行训练,得到参数;
根据得到的参数建立ELM算法定量分析数学模型;
将所述测试样本代入建立的ELM算法定量分析数学模型,通过Matlab实现仿真并计算得出计算结果;
根据所述计算结果及预设结果,得出菱镁矿的品级;其中,所述预设结果是通过菱镁矿品级标准的测量方法测量的菱镁矿的品级结果。
4.根据权利要求3所述的一种菱镁矿矿石品级分类建模方法,其特征在于,将所述测试样本代入建立的ELM算法定量分析数学模型,通过Matlab实现仿真并计算得出计算结果,包括:
将所述ELM算法定量分析数学模型进行循环多次,直到所述ELM算法定量分析数学模型的精确度大于或等于预设精度;
获取所述ELM算法定量分析数学模型的精确度最高的一组,并保存此时输入所述ELM算法定量分析数学模型的参数。
5.根据权利要求3所述的一种菱镁矿矿石品级分类建模方法,其特征在于,所述参数包括网络激励函数和隐含层节点数。
6.根据权利要求5所述的一种菱镁矿矿石品级分类建模方法,其特征在于,所述隐含层节点数的选取首先确定隐含层中节点数目的范围,然后再通选取效果最佳的隐含层节点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510412913.9A CN105354347B (zh) | 2015-07-15 | 2015-07-15 | 一种菱镁矿矿石品级分类建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510412913.9A CN105354347B (zh) | 2015-07-15 | 2015-07-15 | 一种菱镁矿矿石品级分类建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354347A CN105354347A (zh) | 2016-02-24 |
CN105354347B true CN105354347B (zh) | 2018-06-29 |
Family
ID=55330319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510412913.9A Expired - Fee Related CN105354347B (zh) | 2015-07-15 | 2015-07-15 | 一种菱镁矿矿石品级分类建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354347B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485289A (zh) * | 2016-11-21 | 2017-03-08 | 东北大学 | 一种菱镁矿矿石的品级的分类方法及设备 |
CN107169407A (zh) * | 2017-03-29 | 2017-09-15 | 广东工业大学 | 基于联合双边滤波与极限学习机的高光谱图像分类方法 |
CN107169205B (zh) * | 2017-05-17 | 2020-02-11 | 东北大学 | 一种铁矿石的分类建模方法 |
CN112163591A (zh) * | 2020-08-21 | 2021-01-01 | 海城市后英经贸集团有限公司菱镁矿 | 菱镁矿矿石品级分类建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102631985A (zh) * | 2012-03-28 | 2012-08-15 | 湘潭大学 | 一种提高低品位混合锰矿中锰品位的选矿方法 |
CN103934114A (zh) * | 2014-04-22 | 2014-07-23 | 甘肃瓮福化工有限责任公司 | 一种中低品位磷矿石选矿方法 |
CN104070083A (zh) * | 2014-06-27 | 2014-10-01 | 东北大学 | 一种基于集成pca-elm穿孔机导盘转速测量方法 |
-
2015
- 2015-07-15 CN CN201510412913.9A patent/CN105354347B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102631985A (zh) * | 2012-03-28 | 2012-08-15 | 湘潭大学 | 一种提高低品位混合锰矿中锰品位的选矿方法 |
CN103934114A (zh) * | 2014-04-22 | 2014-07-23 | 甘肃瓮福化工有限责任公司 | 一种中低品位磷矿石选矿方法 |
CN104070083A (zh) * | 2014-06-27 | 2014-10-01 | 东北大学 | 一种基于集成pca-elm穿孔机导盘转速测量方法 |
Non-Patent Citations (1)
Title |
---|
Spectral-Spatial Classification of Hyperspectral Image Based on Kernel Extreme Learning Machine;Chen Chen等;《Remote Sensing》;20140619(第6期);第5795-5814页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105354347A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354347B (zh) | 一种菱镁矿矿石品级分类建模方法 | |
CN107169205B (zh) | 一种铁矿石的分类建模方法 | |
CN106815643B (zh) | 基于随机森林迁移学习的红外光谱模型传递方法 | |
CN109446236B (zh) | 基于随机分布的水泥粒径分布预测方法 | |
Xiang et al. | Prediction of the fatigue life of natural rubber composites by artificial neural network approaches | |
Li et al. | Compensation of automatic weighing error of belt weigher based on BP neural network | |
CN106022650A (zh) | 一种卷烟综合质量的分析方法 | |
CN108760829A (zh) | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 | |
CN109085321A (zh) | 岩石细观力学参数的标定方法及终端设备 | |
CN108959844B (zh) | 采用分子模拟方法评价聚合物材料流动性能的方法及系统 | |
Burie et al. | Switching from a mechanistic model to a continuous model to study at different scales the effect of vine growth on the dynamic of a powdery mildew epidemic | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN105092519A (zh) | 基于增量偏最小二乘法的样品成份测定方法 | |
CN110897640A (zh) | 基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 | |
CN116562171B (zh) | 一种温湿度在线计量的误差评估方法 | |
Campbell et al. | Modelling wheat breakage during roller milling using the Double Normalised Kumaraswamy Breakage Function: Effects of kernel shape and hardness | |
CN104899424B (zh) | 一种基于微观特征的烤后烟叶成熟度和叶片结构客观检测方法 | |
CN110364232A (zh) | 一种基于忆阻器-梯度下降法神经网络的高性能混凝土强度预测方法 | |
CN103559417B (zh) | 一种浆纱上浆率智能软测量方法 | |
Zhihong et al. | Smartphone-based visual measurement and portable instrumentation for crop seed phenotyping | |
CN104713926B (zh) | 基于bp神经网络的无损测定钢铁腐蚀产物特征的方法 | |
CN110263826A (zh) | 含噪声非线性过程故障检测模型的构建方法及其检测方法 | |
Maalouf et al. | Support vector regression to predict asphalt mix performance | |
CN104634780A (zh) | 一种叶片加料均匀性测量和评价方法 | |
Kaveh et al. | Estimating drying shrinkage of concrete using a multivariate adaptive regression splines approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180629 |