CN110516954A - 一种基于ga-bp神经网络算法优化选矿生产指标的方法 - Google Patents
一种基于ga-bp神经网络算法优化选矿生产指标的方法 Download PDFInfo
- Publication number
- CN110516954A CN110516954A CN201910781423.4A CN201910781423A CN110516954A CN 110516954 A CN110516954 A CN 110516954A CN 201910781423 A CN201910781423 A CN 201910781423A CN 110516954 A CN110516954 A CN 110516954A
- Authority
- CN
- China
- Prior art keywords
- neural network
- metal
- data
- training
- sample data
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 102
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 66
- 239000011707 mineral Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 15
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000008676 import Effects 0.000 claims abstract 2
- 229910052751 metal Inorganic materials 0.000 claims description 46
- 239000002184 metal Substances 0.000 claims description 46
- 239000012141 concentrate Substances 0.000 claims description 24
- 238000005188 flotation Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000011084 recovery Methods 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 4
- 239000012190 activator Substances 0.000 claims description 4
- 238000006213 oxygenation reaction Methods 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 239000003112 inhibitor Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 28
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 22
- 239000011701 zinc Substances 0.000 description 22
- 229910052725 zinc Inorganic materials 0.000 description 22
- 239000010949 copper Substances 0.000 description 19
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 16
- 229910052802 copper Inorganic materials 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 8
- TVZPLCNGKSPOJA-UHFFFAOYSA-N copper zinc Chemical compound [Cu].[Zn] TVZPLCNGKSPOJA-UHFFFAOYSA-N 0.000 description 6
- 238000005538 encapsulation Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000012905 input function Methods 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003585 interneuronal effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052948 bornite Inorganic materials 0.000 description 1
- ZFXVRMSLJDYJCH-UHFFFAOYSA-N calcium magnesium Chemical compound [Mg].[Ca] ZFXVRMSLJDYJCH-UHFFFAOYSA-N 0.000 description 1
- 229910052951 chalcopyrite Inorganic materials 0.000 description 1
- DVRDHUBQLOKMHZ-UHFFFAOYSA-N chalcopyrite Chemical compound [S-2].[S-2].[Fe+2].[Cu+2] DVRDHUBQLOKMHZ-UHFFFAOYSA-N 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- BWFPGXWASODCHM-UHFFFAOYSA-N copper monosulfide Chemical class [Cu]=S BWFPGXWASODCHM-UHFFFAOYSA-N 0.000 description 1
- BERDEBHAJNAUOM-UHFFFAOYSA-N copper(I) oxide Inorganic materials [Cu]O[Cu] BERDEBHAJNAUOM-UHFFFAOYSA-N 0.000 description 1
- LBJNMUFDOHXDFG-UHFFFAOYSA-N copper;hydrate Chemical compound O.[Cu].[Cu] LBJNMUFDOHXDFG-UHFFFAOYSA-N 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000008396 flotation agent Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- -1 marmatite Inorganic materials 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- WGPCGCOKHWGKJJ-UHFFFAOYSA-N sulfanylidenezinc Chemical compound [Zn]=S WGPCGCOKHWGKJJ-UHFFFAOYSA-N 0.000 description 1
- 229910052969 tetrahedrite Inorganic materials 0.000 description 1
- 229910052844 willemite Inorganic materials 0.000 description 1
- 229910000010 zinc carbonate Inorganic materials 0.000 description 1
- 229910052984 zinc sulfide Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开一种基于GA‑BP神经网络算法优化选矿生产指标的方法。本发明对矿物样本的数据进行划分,随机选取样本的90%作为训练集,剩余10%作为测试集,分别对训练集和测试集进行归一化处理;把训练集的输入量与输出量的变量名称定义为全局变量;将全局变量数据带入GA遗传算法计算BP神经网络的最优初始权值和最优初始阈值;导入训练集的样本数据并基于最优初始权值和最优初始阈值训练BP神经网络,并采用tr函数对网络性能的数据进行收集,画出网络性能曲线;对BP神经网络误差进行训练,将测试集的输入量带入BP神经网络进行预测,对神经网络计算过程进行封装,输入样本外的数据即可进行计算。本发明方法可模拟出选矿条件与产品指标的关系。
Description
技术领域
本发明涉及一种基于GA-BP神经网络算法优化选矿生产指标的方法,属于选矿生产过程技术领域。
背景技术
选矿产品品质的好坏是目前最为关注的问题,选矿流程具有较强的波动性,影响选矿指标的因素过多,原矿性质,工艺流程,药剂制度,设备性能,工人的操作水平这些因素都会直接影响最终精矿的质量。即使假定设备在正常工作中无任何故障,工艺流程在短时间内没有变更,但原矿的性质会根据所采矿脉的不同而不同,工人的操作与加药流程都是存在较大不稳定的环节。综合各种因素考虑选矿流程就是依靠人工使各个条件趋于稳定的一个过程。
神经网络虽然已经用于选矿指标的预测,由于神经网络能较好的处理非线性问题,但应用在选矿中的神经网络模型预测准确度很低。
神经网络模型一般可以通过工具箱或自己编写算法来实现,但选矿流程中变量过多,不确定因素大,使用常规的神经网络算法很难实现算法的准确。一套准确的算法不仅可以用来预测并优化选矿指标,在实现选矿自动化的过程中,一个准确的预测值,是后续设备自动化的基础;因此需要研究出精确的算法得到精确的预测值。
发明内容
本发明针对现有技术存在的问题,提供一种基于GA-BP神经网络算法优化选矿生产指标的方法,本发明结合现场生产情况筛选出对选矿指标影响程度较大的因素,通过收集的数据建立选矿条件与产品质量间的关系,在有选矿条件的前提下可以精确得到产品的各项指标,从而实现指导生产的目的。
一种基于GA-BP神经网络算法优化选矿生产指标的方法,具体步骤如下:
(1)选取矿物样本的实时评价模型的输入指标参数和实时评价模型的输出指标参数;
(2)随机选取样本数据的90%作为训练集,样本数据的剩余10%作为测试集;分别对训练集样本数据和测试集样本数据进行归一化处理;
(3)将训练集输入量与输出量的变量名称定义为全局变量;
(4)将全局变量数据带入GA遗传算法计算BP神经网络的最优初始权值和最优初始阈值;
(5)导入训练集的样本数据并基于最优初始权值和最优初始阈值训练BP神经网络,并采用tr函数对网络性能的数据进行收集,画出网络性能曲线;
(6)预设BP神经网络的精度为0.010,若BP神经网络的训练误差不大于0.001时,带入归一化后训练集样本数据中的输入值与输出值,对BP神经网络误差进行训练得到BP神经网络的训练精度;若BP神经网络的训练误差大于0.001时,则返回步骤(4)计算BP神经网络的最优初始权值和最优初始阈值;
(7)若训练精度不小于90%,将归一化处理后测试集样本数据中的输入量带入BP神经网络得到网络计算输出量,将网络计算输出量进行反归一化处理得到网络预测输出量,将网络预测输出量与测试集的实际输出量比较,若网络预测输出量与测试集的实际输出量的误差不大于1%,则预测正确;若网络预测输出量与测试集的实际输出量的误差大于1%,则返回步骤(4)计算BP神经网络的最优初始权值和最优初始阈值;
(8)对训练完成的BP神经网络的计算过程进行封装,将样本数据以外的数据输入训练完成的BP神经网络进行预测。
所述步骤(1)输入指标参数包括原矿物的有用矿物、脉石矿物、矿石硬度、金属I品位、金属II品位、原矿硫品位、原矿氧化率、原矿的含泥率、浮选时-400目含量、浮选时+400至-200目含量、浮选时+200目含量、金属I捕收剂用量、金属II抑制剂用量、金属II活化剂用量、金属II捕收剂用量和起泡剂用量,输出指标参数为金属I精矿品位、金属I回收率、金属II精矿品位、金属II回收率、金属I和金属II精矿中互含损失的金属量。
进一步地,所述有用矿物和脉石矿物的变量均为采用模糊综合评价模型进行量化评分得到的分数,有用矿物中市场价值高的金属得分高,低的得分低,有用矿物种类容易选别的得分高低的得分低,脉石矿物中脉石含量高的矿物得分高,选别难度大的脉石得分高。
进一步地,所述步骤(2)样本数据的输入变量种类为16,样本数据的输出量种类为5。
所述步骤(3)归一化处理的范围为0.1~0.9,可避免在后续的计算中出现0;
优选的,步骤(2)随机选取的方法为采用randperm函数对数据进行打乱以实现随机抽取。
优选的,步骤(4)选用traingda自适应lrBP的梯度递减训练函数,使用ga工具箱计算神经网络参数的初始值;
优选的,步骤(5)BP神经网络训练采用train函数进行BP神经网络训练;
BP神经网络的基本结构为9层神经元结构,连接各神经元间的权值Wij(t)其含义为在t时刻输入层第i个神经元与隐含层第j个神经元的连接权值。
优选的,步骤(8)中采用save函数对训练完成的BP神经网络的计算过程进行封装,封装后可以使用input函数自行输入样本数据以外的数据,函数可以自行运算出该组数据的返回值。
本发明的有益效果是:
(1)本发明方法可以模拟出选矿条件与产品指标间的关系,并且在网络训练完成后把其封装成独立函数可以对新数据直接进行调用;
(2)本发明中权值与阈值的数值并未进行人工设计而是通过遗传算法进行多次迭代最终得到的全局最优值,使用优化过后的权值与阈值,在作为初始值带入神经网络后,网络不会陷入局部最优解,提高了算法的鲁棒性能;
(3)本发明网络参数选取合理;权值、阈值、平移因子、中心因子、伸缩因子选取合理,可避免出现现有技术中函数的收敛性较差的问题。
附图说明
图1为基于GA-BP神经网络算法优化选矿生产指标的方法的流程图;
图2为实施例2中GA遗传算法的群适应度变化图;
图3为实施例2中GA-BP网络性能曲线;
图4为matlab Naural Net Fitting神经网络工具箱结构图;
图5为matlab Naural Net Fitting神经网络性能图;
图6为铜精矿品位实际值与预测值对比;
图7为铜回收率实际值与预测值对比;
图8为锌精矿品位实际值与预测值对比;
图9为锌回收率实际值与预测值对比;
图10为铜锌互含损失金属量实际值与预测值对比。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于所述内容。
实施例1:一种基于GA-BP神经网络算法优化选矿生产指标的方法(见图1),具体步骤如下:
(1)选取矿物样本的实时评价模型的输入指标参数和实时评价模型的输出指标参数;其中输入指标参数包括原矿物的有用矿物、脉石矿物、矿石硬度、金属I品位、金属II品位、原矿硫品位、原矿氧化率、原矿的含泥率、浮选时-400目含量、浮选时+400至-200目含量、浮选时+200目含量、金属I捕收剂用量、金属II抑制剂用量、金属II活化剂用量、金属II捕收剂用量和起泡剂用量,输出指标参数为金属I精矿品位、金属I回收率、金属II精矿品位、金属II回收率、金属I和金属II精矿中互含损失的金属量;有用矿物和脉石矿物的变量均为采用模糊综合评价模型进行量化评分得到的分数,有用矿物中市场价值高的金属得分高,低的得分低,有用矿物种类容易选别的得分高低的得分低,脉石矿物中脉石含量高的矿物得分高,选别难度大的脉石得分高;
(2)随机选取样本数据的90%作为训练集,样本数据的剩余10%作为测试集;分别对训练集样本数据和测试集样本数据进行归一化处理;其中随机选取的方法为采用randperm函数对数据进行打乱以实现随机抽取;样本数据的输入变量种类为16,样本数据的输出量种类为5;归一化处理的范围为0.1~0.9,可避免在后续的计算中出现0;
(3)将训练集输入量与输出量的变量名称定义为全局变量;
(4)将全局变量数据带入GA遗传算法计算BP神经网络的最优初始权值和最优初始阈值;其中选用traingda自适应lrBP的梯度递减训练函数,使用ga工具箱计算神经网络参数的初始值;
(5)导入训练集的样本数据并基于最优初始权值和最优初始阈值训练BP神经网络,并采用tr函数对网络性能的数据进行收集,画出网络性能曲线;其中BP神经网络训练采用train函数进行BP神经网络训练;
(6)预设BP神经网络的精度为0.010,若BP神经网络的训练误差不大于0.001时,带入归一化后训练集样本数据中的输入值与输出值,对BP神经网络误差进行训练得到BP神经网络的训练精度;若BP神经网络的训练误差大于0.001时,则返回步骤(4)计算BP神经网络的最优初始权值和最优初始阈值;
(7)若训练精度不小于90%,将归一化处理后测试集样本数据中的输入量带入BP神经网络得到网络计算输出量,将网络计算输出量进行反归一化处理得到网络预测输出量,将网络预测输出量与测试集的实际输出量比较,若网络预测输出量与测试集的实际输出量的误差不大于1%,则预测正确;若网络预测输出量与测试集的实际输出量的误差大于1%,则返回步骤(4)计算BP神经网络的最优初始权值和最优初始阈值;
(8)对训练完成的BP神经网络的计算过程进行封装,将样本数据以外的数据输入训练完成的BP神经网络进行预测;采用save函数对训练完成的BP神经网络的计算过程进行封装,封装后可以使用input函数自行输入样本数据以外的数据,函数可以自行运算出该组数据的返回值;
BP神经网络的基本结构为9层神经元结构,连接各神经元间的权值Wij(t)其含义为在t时刻输入层第i个神经元与隐含层第j个神经元的连接权值。
实施例2:本实施例以铜锌多金属矿物混合浮选为例,共收集275组数据,其中250组数据用作训练集,25组数据用作训练集;
一种基于GA-BP神经网络算法优化选矿生产指标的方法(见图1),具体步骤如下:
(1)选取铜锌多金属矿物样本的实时评价模型的输入指标参数和实时评价模型的输出指标参数;其中输入指标参数包括铜锌多金属矿物的有用矿物、脉石矿物、矿石硬度、金属I品位(铜矿品位)、金属II品位(锌矿品位)、原矿硫品位、原矿氧化率、原矿的含泥率、浮选时-400目含量、浮选时+400至-200目含量、浮选时+200目含量、铜捕收剂用量、锌抑制剂用量、锌活化剂用量、锌捕收剂用量和起泡剂用量,输出指标参数为铜精矿品位、铜回收率、锌精矿品位、锌回收率、铜锌精矿中互含损失的金属量;有用矿物和脉石矿物的变量均为采用模糊综合评价模型进行量化评分得到的分数,有用矿物中市场价值高的金属得分高,低的得分低,有用矿物种类容易选别的得分高低的得分低,脉石矿物中脉石含量高的矿物得分高,选别难度大的脉石得分高;
有用矿物的评价:精矿产品为铜精矿与锌精矿,所以有用矿物的评价分为两个部分,铜品质评价与锌品质评价,根据铜精矿与锌精矿的市场价格比,可以划分铜精矿的评分权重为0.65,锌精矿的权重为0.35;
综合评价指标:选取有用矿物的矿石的可浮性作为评价集,铜矿的评价内容包括黄铜矿,斑铜矿,辉铜矿,黝铜矿,赤铜矿,硅孔雀石矿石的浮选难易程度作为评价集,各个评价指标的和为0.65;按照上述矿石的顺序可以建立评价集U1;
U1={0.15 0.12 0.12 0.12 0.1 0.03}
评价集:评价集为每种有用矿物的含量,评价集共275组数据,每组数据为评价集中所涉及矿石的含量;评价集V为6*275的矩阵,每一行为一种矿物的指标,每一列为一组数据的指标;
评价集V1为每组数据中每种有用矿物的含量,在得到评价集后使用U1*V1的矩阵运算方法就可以得到每组数据中铜矿的全部评价指标集B;
B1=U1*V1=(0.17 0.24 0.18 0.23 0.22 0.23 0.17……0.21 0.19 0.21 0.200.18 0.19 0.17)
指标值B1可以用来表示矿物中铜矿的价值大小。数值越高表示矿物中铜品位越高并且易浮选的铜含量高。然后对锌矿进行相同步骤的评价,锌矿的评价集包含的锌矿种类有:闪锌矿,铁闪锌矿,菱锌矿,红锌矿、含硅锌矿,各种矿物的指标权值为U2=(0.15 0.10.05 0.04 0.01)评价集为V2
指标集B2=U2*V2=(0.37 0.37 0.37 0.37 0.40 0.38 0.38……0.37 0.380.36 0.36 0.39 0.37 0.36 0.40)
最终的指标集B=B1+B2=(0.54 0.62 0.55 0.60 0.63 0.63 0.62……0.580.57 0.57 0.56 0.63 0.55 0.55 0.58)
最终指标集可以比较全面的反应矿物中有用矿物的品质,在计算过程中虽然锌的权值低于铜但可以看出指标集中的数据锌仍然略高于铜,原因是原矿中锌的品位较高并且易浮选锌矿占锌矿总量的比例大;在脉石矿物评价体系中,评价方法与有用矿物的评价方法相同,把脉石分为含硅类与钙镁类矿石,再细化至矿石种类根据每种矿石对浮选影响程度的大小进行赋权值,再在评价集中给出每种脉石矿物的含量,进行矩阵相乘,就得到了脉石的指标集,步骤与上述方法相同,在完成脉石矿物的评价后就完成了数据的采集与处理得到样本数据;
表1中的数据为神经网络训练集中的输入量,共包含16个变量,250组数据;样本总量为275组数据;数据筛选使用randperm函数对数据进行随机选择;
表1样本测试集输入数据
(2)随机选取样本数据的90%作为训练集(225组),样本数据的剩余10%作为测试集(25组);分别对训练集样本数据和测试集样本数据进行归一化处理;其中随机选取的方法为采用randperm函数对数据进行打乱以实现随机抽取,保证抽取数据的随机性;样本数据的输入变量种类为16,样本数据的输出量种类为5;归一化处理的范围为0.1~0.9,可避免在后续的计算中出现0;
(3)将训练集输入量与输出量的变量名称定义为全局变量:定义训练集的输入变量为input_train为250*16的矩阵,输出变量为out_train为250*5的矩阵,同时把inputtrain与out train定义为全局变量;
(4)将全局变量数据带入GA遗传算法计算BP神经网络的最优初始权值和最优初始阈值:
R为输入变量个数为16.S2为输出变量个数为5,S1为隐含层节点个数,神经网络层数设置为9,每个个体使用二进制数字进行编码,编码长度为S=R*S1+S1*S2+S1+S2=203;种群规模设置为50,遗传代数设置为100;初始化种群使用initializega函数自动生成,调用gaot工具箱进行遗传算法运算,群适应度变化见图2;图中点为种群平均适应度值,线为种群个体的最大适应度值,可以看出在进化至20代左右的时候,种群的平均适应度与最大适应度已经基本重合;一个稳定的种群,个体的适应度与种群适应度基本相等;所以经过遗传算法计算出的种群质量较好,在得到种群的特种后使用gadecod函数计算适合神经网络的权值(见表2)与阈值(见表3);
表2输入量神经网络各层的权值
表3
变量 | 变量1 | 变量2 | 变量3 | 变量4 | 变量5 |
一层至二层 | -1.073 | -0.434 | -2.196 | 0.359 | 0.63 |
二层至三层 | 0.056 | -1.54 | 0.851 | 0.88 | -0.64 |
三层至四层 | 0.497 | -0.485 | -1.625 | -0.717 | 0.851 |
四层至五层 | -0.195 | -0.912 | 0.119 | 1.311 | -0.809 |
五层至六层 | -0.285 | -0.585 | -0.402 | -0.024 | 1.081 |
六层至七层 | -0.982 | 2.117 | 1.004 | -0.788 | -1.52 |
七层至八层 | 2.422 | -1.881 | -1.428 | -0.353 | -0.458 |
八层至九层 | -0.799 | -2.426 | 1.894 | 0.877 | -0.022 |
九层至输出层 | -0.006 | 1.007 | 1.093 | -1.504 | -1.684 |
(5)导入训练集的样本数据并基于最优初始权值和最优初始阈值训练BP神经网络,并采用tr函数对网络性能的数据进行收集,使用plotperf函数绘制画出网络性能曲线(见图3);其中BP神经网络训练采用train函数进行BP神经网络训练;训练输入量神经网络的权值为9*16的矩阵,得出训练集输出变量的阈值为9*5的矩阵;输出变量各层间的阈值初始值为5个数,再使用newff函数生成向前激励的神经网络;
图3中中间线为训练样本的拟合效果,最下方为数据误差拟合效果,最上方线为测试样本拟合效果;从图中可以看出随着训练次数的增加3条曲线的误差均达到0.05以下,误差较小,同时数据整体误差小于测试集与训练集,保证了神经网络后续使用的准确性,同时数据整体误差是略小于测试集误差,可以保证神经网络在使用时不会陷入局部最优解,因此神经网络的性能非常好;
matlab软件自带的matlab Naural Net Fitting神经网络工具箱(结构图见图4)对数据进行的处理,使用10层的神经网络,网络性能曲线见图5,从图5的网络性能曲线中可以看出,当数据的变量过多神经网络并不能给出一个良好的网络参数,网络性能图中线条均在误差值以上不能给出良好的预测值,并且线条的区分度不高,在计算过程中容易陷入局部最优解;
(6)使用fprintf函数对训练集所有数据进行误差检验,预设BP神经网络的精度为0.010,BP神经网络的训练误差不大于0.001,带入归一化后训练集样本数据中的输入值与输出值,对BP神经网络误差进行训练得到BP神经网络的训练精度为94.8%;
(7)训练精度为94.8%,因此训练精度不小于90%,满足精度要求,使用测试集对网络性能进行测试:将归一化处理后测试集样本数据中的输入量带入BP神经网络得到网络计算输出量,将网络计算输出量进行反归一化处理得到网络预测输出量,将网络预测输出量与测试集的实际输出量比较,网络预测输出量与测试集的实际输出量的误差不大于1%,测试的精度达到95%以上;
测试集的输入量为25*16的矩阵,数据性质与训练集相同,对输出预测值与实际值进行比较,误差要求同样为不大于原数据大小的1%,铜精矿品位实际值与预测值对比见图6,铜回收率实际值与预测值对比见图7,锌精矿品位实际值与预测值对比见图8,锌回收率实际值与预测值对比见图9,铜锌互含损失金属量实际值与预测值对比见图10;从图6~10可知,经过测试集测试进行检验后,测试的精度达到95%以上,测试精度非常高,证实使用遗传算法提高神经网络运算精度;
(8)对训练完成的BP神经网络的计算过程进行封装,将样本数据以外的数据输入训练完成的BP神经网络进行预测;采用save函数对训练完成的BP神经网络的计算过程进行封装,封装后可以使用input函数自行输入样本数据以外的数据,函数可以自行运算出该组数据的返回值。
以上结合附图,对本发明技术方案进行了清楚完整的描述;显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
Claims (5)
1.一种基于GA-BP神经网络算法优化选矿生产指标的方法,其特征在于,具体步骤如下:
(1)选取矿物样本的实时评价模型的输入指标参数和实时评价模型的输出指标参数;
(2)随机选取样本数据的90%作为训练集,样本数据的剩余10%作为测试集;分别对训练集样本数据和测试集样本数据进行归一化处理;
(3)将训练集输入量与输出量的变量名称定义为全局变量;
(4)将全局变量数据带入GA遗传算法计算BP神经网络的最优初始权值和最优初始阈值;
(5)导入训练集的样本数据并基于最优初始权值和最优初始阈值训练BP神经网络,并采用tr函数对网络性能的数据进行收集,画出网络性能曲线;
(6)预设BP神经网络的精度为0.010,若BP神经网络的训练误差不大于0.001时,带入归一化后训练集样本数据中的输入值与输出值,对BP神经网络误差进行训练得到BP神经网络的训练精度;若BP神经网络的训练误差大于0.001时,则返回步骤(4)计算BP神经网络的最优初始权值和最优初始阈值;
(7)若训练精度不小于90%,将归一化处理后测试集样本数据中的输入量带入BP神经网络得到网络计算输出量,将网络计算输出量进行反归一化处理得到网络预测输出量,将网络预测输出量与测试集的实际输出量比较,若网络预测输出量与测试集的实际输出量的误差不大于1%,则预测正确;若网络预测输出量与测试集的实际输出量的误差大于1%,则返回步骤(4)计算BP神经网络的最优初始权值和最优初始阈值;
(8)对训练完成的BP神经网络的计算过程进行封装,将样本数据以外的数据输入训练完成的BP神经网络进行预测。
2.根据权利要求1所述基于GA-BP神经网络算法优化选矿生产指标的方法,其特征在于:步骤(1)输入指标参数包括原矿物的有用矿物、脉石矿物、矿石硬度、金属I品位、金属II品位、原矿硫品位、原矿氧化率、原矿的含泥率、浮选时-400目含量、浮选时+400至-200目含量、浮选时+200目含量、金属I捕收剂用量、金属II抑制剂用量、金属II活化剂用量、金属II捕收剂用量和起泡剂用量,输出指标参数为金属I精矿品位、金属I回收率、金属II精矿品位、金属II回收率、金属I和金属II精矿中互含损失的金属量。
3.根据权利要求2所述基于GA-BP神经网络算法优化选矿生产指标的方法,其特征在于:有用矿物和脉石矿物的变量均为采用模糊综合评价模型进行量化评分得到的分数。
4.根据权利要求2所述基于GA-BP神经网络算法优化选矿生产指标的方法,其特征在于:步骤(2)样本数据的输入变量种类为16,样本数据的输出量种类为5。
5.根据权利要求1所述基于GA-BP神经网络算法优化选矿生产指标的方法,其特征在于:步骤(2)归一化处理的范围为0.1~0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910781423.4A CN110516954A (zh) | 2019-08-23 | 2019-08-23 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910781423.4A CN110516954A (zh) | 2019-08-23 | 2019-08-23 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516954A true CN110516954A (zh) | 2019-11-29 |
Family
ID=68626268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910781423.4A Pending CN110516954A (zh) | 2019-08-23 | 2019-08-23 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516954A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
CN111460947A (zh) * | 2020-03-15 | 2020-07-28 | 吉林大学 | 基于bp神经网络对显微镜下金属矿物的识别方法及系统 |
CN111583259A (zh) * | 2020-06-04 | 2020-08-25 | 南昌航空大学 | 一种文档图像质量评价方法 |
CN111598298A (zh) * | 2020-04-16 | 2020-08-28 | 天津德通电气股份有限公司 | 一种选煤厂浮选药剂加药量的预测方法 |
CN111739108A (zh) * | 2020-06-12 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于卷积神经网络的铁矿粉品位快速估测方法 |
CN112330435A (zh) * | 2020-09-29 | 2021-02-05 | 百维金科(上海)信息科技有限公司 | 一种基于遗传算法优化Elman神经网络的信用风险预测方法和系统 |
CN113304869A (zh) * | 2021-06-03 | 2021-08-27 | 昆明理工大学 | 一种摇床矿带自动识别及接取方法与装置 |
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
CN114130525A (zh) * | 2021-11-29 | 2022-03-04 | 湖南柿竹园有色金属有限责任公司 | 一种选矿设备控制方法、装置、设备及介质 |
CN116586199A (zh) * | 2023-07-17 | 2023-08-15 | 山东九曲圣基新型建材有限公司 | 一种用于黄金尾矿处理的浮选控制系统 |
CN117111057A (zh) * | 2023-08-23 | 2023-11-24 | 首都师范大学 | 一种煤矿采空区形变敏感性评价方法 |
CN117875509A (zh) * | 2024-01-17 | 2024-04-12 | 昆明理工大学 | 一种基于bp神经网络的矿井通风量预测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及系统 |
CN109034388A (zh) * | 2018-07-27 | 2018-12-18 | 湖北中烟工业有限责任公司 | 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型 |
-
2019
- 2019-08-23 CN CN201910781423.4A patent/CN110516954A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及系统 |
CN109034388A (zh) * | 2018-07-27 | 2018-12-18 | 湖北中烟工业有限责任公司 | 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型 |
Non-Patent Citations (1)
Title |
---|
王宏菊等: "越南某氧化锌矿浮选实验研究", 《矿冶》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
CN111460947B (zh) * | 2020-03-15 | 2022-05-31 | 吉林大学 | 基于bp神经网络对显微镜下金属矿物的识别方法及系统 |
CN111460947A (zh) * | 2020-03-15 | 2020-07-28 | 吉林大学 | 基于bp神经网络对显微镜下金属矿物的识别方法及系统 |
CN111598298A (zh) * | 2020-04-16 | 2020-08-28 | 天津德通电气股份有限公司 | 一种选煤厂浮选药剂加药量的预测方法 |
CN111583259A (zh) * | 2020-06-04 | 2020-08-25 | 南昌航空大学 | 一种文档图像质量评价方法 |
CN111583259B (zh) * | 2020-06-04 | 2022-07-22 | 南昌航空大学 | 一种文档图像质量评价方法 |
CN111739108B (zh) * | 2020-06-12 | 2023-09-15 | 鞍钢集团矿业有限公司 | 一种基于卷积神经网络的铁矿粉品位快速估测方法 |
CN111739108A (zh) * | 2020-06-12 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于卷积神经网络的铁矿粉品位快速估测方法 |
CN112330435A (zh) * | 2020-09-29 | 2021-02-05 | 百维金科(上海)信息科技有限公司 | 一种基于遗传算法优化Elman神经网络的信用风险预测方法和系统 |
CN113304869A (zh) * | 2021-06-03 | 2021-08-27 | 昆明理工大学 | 一种摇床矿带自动识别及接取方法与装置 |
CN113304869B (zh) * | 2021-06-03 | 2024-04-19 | 昆明理工大学 | 一种摇床矿带自动识别及接取方法与装置 |
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
CN114130525A (zh) * | 2021-11-29 | 2022-03-04 | 湖南柿竹园有色金属有限责任公司 | 一种选矿设备控制方法、装置、设备及介质 |
CN116586199A (zh) * | 2023-07-17 | 2023-08-15 | 山东九曲圣基新型建材有限公司 | 一种用于黄金尾矿处理的浮选控制系统 |
CN116586199B (zh) * | 2023-07-17 | 2023-09-19 | 山东九曲圣基新型建材有限公司 | 一种用于黄金尾矿处理的浮选控制系统 |
CN117111057A (zh) * | 2023-08-23 | 2023-11-24 | 首都师范大学 | 一种煤矿采空区形变敏感性评价方法 |
CN117875509A (zh) * | 2024-01-17 | 2024-04-12 | 昆明理工大学 | 一种基于bp神经网络的矿井通风量预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516954A (zh) | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 | |
WO2020125668A1 (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
CN110378799B (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN107273490A (zh) | 一种基于知识图谱的组合错题推荐方法 | |
CN100595780C (zh) | 一种基于模块神经网络的手写体数字自动识别方法 | |
CN107301221A (zh) | 一种多特征维度堆融合的数据挖掘方法 | |
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
CN103605970A (zh) | 一种基于机器学习的图纸建筑元素识别方法及系统 | |
CN107506862B (zh) | 一种基于物联网的磨矿粒度在线实时预测系统及方法 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
CN101604322A (zh) | 一种决策级文本自动分类融合方法 | |
CN105975457A (zh) | 基于全自动学习的信息分类预测系统 | |
CN102750286A (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
CN106355540A (zh) | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 | |
CN106056252A (zh) | 一种页岩气田井组划分三级优化方法 | |
CN103267834A (zh) | 铸造锡铅焊料产品质量的综合检测评判系统及其方法 | |
CN107169234A (zh) | 一种采煤机摇臂系统维修性综合评价方法 | |
CN105354600A (zh) | 一种砂岩显微薄片的自动分类方法 | |
CN110059765A (zh) | 一种矿物智能识别分类系统与方法 | |
CN106022599A (zh) | 一种工业设计人才水平评测方法及系统 | |
CN109299753A (zh) | 一种用于法律文本信息挖掘的集成学习方法及系统 | |
CN105913199A (zh) | 基于椭球模型的能源、经济和环境协调度计算方法及装置 | |
CN106326335A (zh) | 一种基于显著属性选择的大数据归类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |