CN111007094B - 判别进口铜精矿产地的方法 - Google Patents

判别进口铜精矿产地的方法 Download PDF

Info

Publication number
CN111007094B
CN111007094B CN201911257107.3A CN201911257107A CN111007094B CN 111007094 B CN111007094 B CN 111007094B CN 201911257107 A CN201911257107 A CN 201911257107A CN 111007094 B CN111007094 B CN 111007094B
Authority
CN
China
Prior art keywords
copper concentrate
model
sample
content
element content
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.)
Active
Application number
CN201911257107.3A
Other languages
English (en)
Other versions
CN111007094A (zh
Inventor
吴晓红
刘曙
陈俊水
秦晔琼
刘倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Customs Industrial Products And Raw Material Testing Technology Center
Original Assignee
Shanghai Customs Industrial Products And Raw Material Testing Technology Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Customs Industrial Products And Raw Material Testing Technology Center filed Critical Shanghai Customs Industrial Products And Raw Material Testing Technology Center
Priority to CN201911257107.3A priority Critical patent/CN111007094B/zh
Publication of CN111007094A publication Critical patent/CN111007094A/zh
Application granted granted Critical
Publication of CN111007094B publication Critical patent/CN111007094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/2202—Preparing specimens therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种判别进口铜精矿产地的方法。选取O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag和Pb的元素含量或O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo、Ag和Pb的元素含量建立BP神经网络模式识别模型或七维Fisher判别模型，进行铜精矿国别的识别。本发明方法可以快速、准确地进行国家的识别。

Description

判别进口铜精矿产地的方法
技术领域
本发明涉及判别进口铜精矿产地的方法。
背景技术
铜精矿是低品位含铜原矿石经过选矿工艺处理达到一定质量指标的精矿，是冶炼铜及其合金的基础工业原料。全球铜矿资源分布主要分布于北美、拉丁美洲和中非三地。按国家分布主要集中在智利、秘鲁、菲律宾等国家。不同产地来源的铜精矿由于地质成因差异，主次元素含量存在着一定的区域特征。由于矿床的成因极其复杂，导致了矿床的地理位置的不同在铜矿样品的产地识别中具有较大的难度，以至于到目前为止，还未见进口铜精矿产地识别的相关报道。
神经网络是一种有监督的模式识别方法，在光谱分析应用领域方面日益广泛。孟海东等人(BP神经网络在矿产资源分类识别中的应用，《西部探矿工程》，2012，24(8)，137-139)利用不同矿产品的矿物形态、物理化学性质不同的特点与BP神经网络结合对铜矿石和铁矿石进行分类识别。阴江宁等人(BP神经网络在化探数据分类中的应用，《地质通报》，2010，29(10)，1564-1571)应用神经网络对化探数据进行金矿床规模和铜矿床类型的分类。
因此建立入境铜精矿产地识别模型，对于精准识别铜矿产有重要作用。
发明内容
本发明所要解决的技术问题在于解决由于铜矿矿床成因极其复杂，导致铜矿样品产地识别难度大，现有技术中没有有效的识别铜精矿产地模型，而提供了判别进口铜精矿产地的方法。本发明的判别方法具有快速、准确率高的优点。
本发明通过以下技术方案解决上述技术问题。
本发明公开了一种判别进口铜精矿产地的方法，其包括如下步骤：
S1.取至少8个国别，每个国别至少14个批次的铜精矿中元素含量的数据，用于建立BP神经网络模式识别模型；所述元素包括O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb；
S2.将待测样品铜精矿的O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb的元素含量代入到步骤S1所述BP神经网络模式识别模型，确定待测样品铜精矿的产地；
其中，所述步骤S1和所述步骤S2的元素含量单位均为质量百分含量。
一具体实施方式中，可包括如下步骤：
S1.取至少8个国别，每个国别至少14个批次的铜精矿中元素含量的数据，用于建立BP神经网络模式识别模型；所述元素包括O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo、Ag、Pb；
S2.将待测样品铜精矿的O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo、Ag、Pb的元素含量代入到步骤S1所述BP神经网络模式识别模型，确定待测样品铜精矿的产地；
其中，所述步骤S1和所述步骤S2的元素含量单位均为质量百分含量。
本发明中，所述元素含量的检测方法为本领域常规元素含量的检测方法，例如，可以为波长色散X射线荧光光谱法的无标样分析法。
较佳地，所述元素含量的检测方法为波长色散X射线荧光光谱中的无标样分析方法时，所述步骤S1中的元素含量的测定，与所述步骤S2中的元素含量的测定为同一台检测机器。
本发明中，所述步骤S1中或步骤S2中的元素含量的检测方法，所述铜精矿一般按照本领域常规方法进行前处理，先对铜精矿干燥、之后压片，再进行检测步骤；具体地，可包括如下步骤：将每个铜精矿分装到干燥瓶中于105℃下烘干4h；采用压片机对烘干铜精矿进行压片，压片前用乙醇清洗模具，使用聚乙烯环使粉末铜精矿聚拢，压制所述粉末铜精矿在30t压力下维持30s；检查压制铜精矿样品表面均匀且无裂纹、脱落现象，测量前用洗耳球吹净所述压制铜精矿样品表面。
本发明中，所述BP神经网络模式识别模型本领域技术人员可运用商用自带的BP模型模块进行计算。例如，所述BP神经网络模式识别模型可运用MATLAB进行计算。
其中，输入层为所述元素含量，输出层为国别。
其中，隐藏层结点数可以采用商用软件的默认设置。
其中，隐藏层结点数还可以按下式进行计算：
s＝sqrt(0.43mn+0.12nn+2.54m+0.77n+0.35)+0.51；
式中，s为隐藏层结点数，m为输入层结点数，n为输出层结点数。
其中，所述BP神经网络模式识别模型中，每层传递函数为Tansig函数，输出层到隐藏层的传递函数是Softmax函数，训练函数是共轭梯度法中的trainscg函数。训练集、校正集和验证集按70％：15％：15％的比例随机选取的，每次选取的案例编号会不同。
本发明中，步骤S2，将一待测样品铜精矿的元素含量代入步骤S1的BP神经网络模式识别模型中，待测样品铜精矿的产地的确定方式，本领域技术人员知晓为，BP神经网络只能识别2进制的数据，即0和1，因此当输出值为1时，待测样品属于该地区国别；当输出值为0时，待测样品不属于该地区国别。
本领域技术人员知晓，本发明的判别铜精矿产地的方法测定待测样品的适用范围为建立BP神经网络模式识别模型的国别范围。
本发明还公开了一种判别进口铜精矿产地的方法，其包括如下步骤：
S1.取至少8个国别，每个国别至少14个批次的铜精矿中元素含量的数据，建立七维Fisher判别模型；所述元素包括O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb；
S2.将待测样品铜精矿O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb的元素含量代到步骤S1的七维Fisher判别模型中，确定待测样品铜精矿的产地；
其中，所述步骤S1和所述步骤S2的元素含量单位均为质量百分含量。
本发明中，所述元素含量的检测方法为本领域常规元素含量的检测方法，例如，可以为波长色散X射线荧光光谱法的无标样分析法。
较佳地，所述元素含量的检测方法为波长色散X射线荧光光谱中的无标样分析方法时，所述步骤S1中的元素含量的测定，与所述步骤S2中的元素含量的测定为同一台检测机器。
本发明中，所述步骤S1中或步骤S2中的元素含量的检测方法，所述铜精矿一般按照本领域常规方法进行前处理，先对铜精矿干燥、之后压片，再进行检测步骤；具体地，可包括如下步骤：将每个铜精矿分装到干燥瓶中于105℃下烘干4h；采用压片机对烘干铜精矿进行压片，压片前用乙醇清洗模具，使用聚乙烯环使粉末铜精矿聚拢，压制所述粉末铜精矿在30t压力下维持30s；检查压制铜精矿样品表面均匀且无裂纹、脱落现象，测量前用洗耳球吹净所述压制铜精矿样品表面。
本发明中，所述七维Fisher判别模型本领域技术人员可通过运用商用的软件自带的判别分析模块进行计算，例如，可以是SPSS软件；或者通过本领域人员知晓操作自行编写程序得出判别分析函数。
其中，较佳地，所述七维Fisher判别模型中的7组判别函数为：
F1＝0.069X1+0.251X2-0.213X3-0.045X4-18.201X5+0.033X6-1.529X7-0.033X8+0.138X9+0.001X10+4.499X11-13.8895X12+2.686X13-3.625
F2＝-0.047X1+0.536X2-0.327X3-0.045X4-6.618X5-0.1X6+1.494X7+0.011X8+0.16X9+0.464X10+2.196X11+73.322X12-3.636X13-4.144
F3＝0.105X1+0.205X2-0.509X3-0.273X4+13.51X5-0.063X6+3.058X7+0.011X8+0.154X9+0.371X10-0.513X11-40.253X12+2.393X13-4.342
F4＝0.056X1-0.012X2+0.111X3+0.14X4-1.643X5-0.096X6-1.048X7-0.161X8-0.03X9+0.626X10+4.268X11+9.56X12+0.659X13-0.668
F5＝-0.203X1+0.289X2+0.165X3+0.095X4+4.196X5-0.018X6+0.412X7-0.156X8-0.059X9+0.417X10+4.484X11-25.523X12-0.261X13+3.121
F6＝0.237X1-0.117X2-0.736X3-0.255X4+2.821X5+0.144X6+1.591X7+0.139X8-0.131X9+0.364X10+1.444X11+12.061X12-1.055X13-1.539
F7＝-0.155X1+0.243X2-0.174X3+0.25X4+28.721X5-0.008X6-1.632X7-0.004X8+0.24X9+0.148X10-2.185X11-15.951X12+0.203X13+0.338
其中，式中X1-X13分别代表O、Mg、Al、Si、S、P、K、Ca、Cu、Zn、Mo、Ag、Pb的含量。
其中，所述七维Fisher判别模型中的各产地组质心的坐标为，智利：(0.257，0.051，-1.158，-0.960，0.903，-0.635，-0.895)；秘鲁：(2.035，2.956，0.410，1.400，1.528，0.343，0.416)；菲律宾：(-3.763，-2.312，-2.796，2.129，-0.568，-0.356，0.348)；西班牙：(5.184，-6.850，4.600，1.110，-0.120，-0.161，-0.070)；纳米比亚：(0.347，-0.962，-0.650，-3.288，0.087，-0.389，1.351)；伊朗：(-7.841，1.331，5.779，-0.582，-0.004，-0.250，-0.169)；马来西亚：(2.182，2.611，0.124，-0.010，-3.002，0.055，-0.185)；阿尔巴尼亚：(-0.597，-3.082，-2.757，-1.485，0.153，3.456，-0.527)。
本发明中，步骤S2，将一待测样品铜精矿的元素含量代入步骤S1七维Fisher判别模型中，待测样品铜精矿的产地的确定方式，本领域技术人员知晓为，根据判别函数和组质心处坐标函数，计算每个样品坐标与组质心坐标的距离，与哪个类别的质心最近，该样品就判定为哪个产地类别。
本领域技术人员知晓，本发明的判别铜精矿产地的方法测定待测样品的适用范围为建立七维Fisher判别模型的产地范围。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明所用试剂和原料均市售可得。
本发明的积极进步效果在于：
(1)本发明方法通过选取O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag和Pb的元素含量或O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo、Ag和Pb的元素含量，建立BP神经网络模式识别模型和七维Fisher判别模型，其能够进行铜精矿产地的识别；
(2)通过建立了判别进口铜精矿产地的判别模型，可以快速、准确地进行国家的识别。
附图说明
图1为实施例1.1-1.280的BP神经网络的混淆矩阵图。
图2为实施例3.1-3.280的判别函数散点图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。下列实施例中未注明具体条件的实验方法，按照常规方法和条件，或按照商品说明书选择。
实施例1.1-1.280
本系列实施例为采用O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb共13种元素的含量建立的BP神经网络模式识别模型，用于判别铜精矿的产地国别。
1、样品收集
根据SN/T4111-2015《进口铜矿石取样和制样方法》，从我国主要的铜精矿进口口岸采集并制备来自8个国家的进口铜精矿化学分析样品，共280批次样品。采集的样品容量大、分布地域广，具有一定的独立性和代表性，包含了我国进口铜精矿主要来源国。样品信息如表1所示。
表1铜精矿样品信息
收集8个国别的铜精矿样品中除西班牙成矿类型为VMS型，其余7个国别的铜精矿的成矿类型均含有斑岩型铜矿，建立识别模型有一定的难度。
2、样品检测
将样品分装到干燥瓶中于105℃下烘干4h。采用压片机对烘干样品进行压片，压片前用乙醇清洗模具，使用聚乙烯环使粉末样品聚拢，压制样品在30t压力下维持30s。检查压制样品表面均匀且无裂纹、脱落现象，测量前用洗耳球吹净样品表面。
使用德国布鲁克公司S8 Tiger波长色散X射线荧光光谱仪中的无标样分析方法检测铜精矿中的元素含量。无标样分析也称半定量分析，WDXRF谱仪半定量分析方法最大的特点是快速。检测中使用铑靶光管、三个分析仪晶体(XS-55、PET、LiF200)、流气计数器(FC)、闪烁计数器(SC)等元件。
采用波长色散X射线荧光光谱无标样分析方法对收集的280份已知产地国的铜精矿样品进行检测。结果表明，收集铜精矿样品共计能检出53种元素。这些元素在280个样品中的检出情况为：100％检出的元素有O、Al、Si、S、Fe、Cu，检出数量大于85％以上的元素有Mg、Ca、K、Mn、Zn、Ti、Mo、Pb、As、P，检出比例分别为：99.29％、99.29％、98.93％、98.57％、98.57％、96.07％、95.36％、92.50％、87.50％、87.14％，检出数量比例低于85％的元素有Ni、Sr、Ag、Se、Er、Cr、Zr、Na、Cl、Bi、V、Sb、Ba、Rb、Cd、Gd、W、Co、Ho、Ce、Sn、Hf、F、Hg、Br、Ga、Nb、Rh、Ir、La、Tl、Sc、Ge、Lu、Te、Eu、Y，检出比例分别为：79.64％、77.86％、77.50％、76.43％、76.43％、68.57％、64.29％、60.71％、60.71％、39.29％、31.79％、26.43％、24.64％、23.57％、14.29％、13.57％、9.64％、7.86％、7.14％、7.14％、4.29％、2.50％、2.14％、1.43％、1.07％、1.07％、1.07％、0.71％、0.71％、0.71％、0.36％、0.36％、0.36％、0.36％、0.36％、0.36％、0.36％。本实施例选择了280个铜精矿样品中检出比例大于85％以上的O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo和Pb以及Ag(Ag是铜精矿检测合同规格中的必检元素之一)，共17种元素含量作为特征变量，如涉及到未检出，均用检出限含量进行代替。元素含量测定结果如表2所示。
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
/>
3、逐步判别分析
采用SPSS 23.0软件建立逐步判别分析模型，建模过程中选取226个样品作为训练集，54个预测样品用于检验模型的准确性。首先采用逐步判别分析对O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo、Ag、Pb共17个元素进行变量筛选，变量能否进入模型主要取决于协方差的F检验的显著性水平，当F值大于指定值时保留该变量，而F值小于指定值时，该变量从模型中剔除。选取合适的F值可用最少的变量达到最佳判别效果。本文选取的F值为3.84，经过逐步判别分析，O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb共13个元素留在模型中用于建立判别函数，Ti、Fe、Mn、As因未通过F检验(F值＜3.84)而从模型中剔除，因此可用13个元素建立Fisher判别分析模型。
4、建立BP神经网络模式识别模型
采用MATLAB R2018a软件平台中的神经网络模式识别工具箱对铜精矿进行分类分析。
在神经网络模式识别进行数据分析前，将8个国家共280个实施例按8：2的比例分为两部分：226个建模实施例样品和54个预测实施例样品。在建模的过程中，为确保模型的随机性，将226个建模实施例样品由计算机按比例自动随机抽取训练集、校正集与验证集分别为：70％(138个样品)、15％(34个样品)、15％(34个样品)。建立模型后，再利用建立的模型对54个预测实施例样品进行识别。
将X射线荧光光谱测得再经过逐步判别分析F值筛选的O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb共13种元素含量作为输入层BP神经网络模式识别模型。输入层为13，输出层为8。
隐藏层结点数按下式进行计算：
s＝sqrt(0.43mn+0.12nn+2.54m+0.77n+0.35)+0.51；
s＝10.09；故将隐藏层设置为10。
每层传递函数为Tansig函数，输出层到隐藏层的传递函数是Softmax函数，训练函数是共轭梯度法中的trainscg函数。
将一待测样品铜精矿的元素含量代入步骤S1的BP神经网络模式识别模型中，当输出值为1时，待测样品属于该地区国别；当输出值为0时，待测样品不属于该地区国别。
利用神经网络模式识别建立铜精矿产地识别模型，模型结构为13-10-8的226份样品的训练集、校正集、验证集以及建模样品识别准确率分别为100％、97.1％、100％、99.6％，且模型对54份预测样品100％识别正确；具体的分类结果如表3和图1所示。
表3基于逐步分析-神经网络模式识别判别准确率
模型结构的输入层为13时，校正集中一个为菲律宾的样品被识别为智利。菲律宾位于环太平洋的东亚成矿带，智利位于南美安第斯成矿带，两者虽在矿带之间没有联系，但本次检测的样品可能均为斑岩型铜矿，矿石成因相似，元素含量相近，因此识别错误。
实施例2.1-2.280
本系列实施例为采用O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo、Ag、Pb共17种元素的含量建立的BP神经网络模式识别模型，用于判别铜精矿的产地国别。
本实施例中的样品收集、样品检测均同实施例1.1～1.280。
建立BP神经网络模式识别模型：
采用MATLAB R2018a软件平台中的神经网络模式识别工具箱对铜精矿进行分类分析。
在神经网络模式识别进行数据分析前，将8个国家共280个实施例按8：2的比例分为两部分：226个建模实施例样品和54个预测实施例样品。在建模的过程中，为确保模型的随机性，将226个建模实施例样品由计算机按比例自动随机抽取训练集、校正集与验证集分别为：70％(138个样品)、15％(34个样品)、15％(34个样品)。建立模型后，再利用建立的模型对54个预测实施例样品进行识别。
将X射线荧光光谱测得的O、Mg、Al、Si、P、S、K、Ca、Ti、Fe、Cu、Zn、Mn、As、Mo、Ag、Pb共17种元素含量作为输入层BP神经网络模式识别模型。输入层为17，输出层为8。
隐藏层结点数按照软件默认值设置为10。
每层传递函数为Tansig函数，输出层到隐藏层的传递函数是Softmax函数，训练函数是共轭梯度法中的trainscg函数。
将一待测样品铜精矿的元素含量代入步骤S1的BP神经网络模式识别模型中，当输出值为1时，待测样品属于该地区国别；当输出值为0时，待测样品不属于该地区国别。
利用神经网络模式识别建立铜精矿产地识别模型，模型结构为17-10-8的226份样品的训练集、校正集、验证集以及建模样品识别准确率分别为100％、97.1％、94.1％、98.2％，且模型对54份预测样品100％识别正确；具体的分类结果如表4所示。
表4神经网络模式识别判别准确率
/>
模型结构的输入层为17时，校正集中一个为智利的样品被识别为秘鲁，验证集中有一个智利的样本被识别为西班牙。在地理位置上智利和秘鲁接壤，且均位于南美洲的南美安第斯斑岩铜矿成矿带，本次检测的样品可能是来自同一矿脉下的样品，矿石元素含量相近，所以出现识别错误的情况。
实施例3.1-3.280
本系列实施例为采用O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb共13种元素的含量建立的七维Fisher判别模型，用于判别铜精矿的产地国别。
本实施例中的样品收集、样品检测、逐步判别分析均同实施例1.1～1.280。
建立七维Fisher判别模型：
应用SPSS 23.0软件建立判别分析模型，建模过程中选取226个实施例样品作为训练集，54个预测实施例样品用于检验模型的准确性。
使用O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb共13个元素含量建立七维Fisher判别模型和相应的组质心处的坐标。
所述七维Fisher判别模型中的7组判别函数为：
F1＝0.069X1+0.251X2-0.213X3-0.045X4-18.201X5+0.033X6-1.529X7-0.033X8+0.138X9+0.001X10+4.499X11-13.8895X12+2.686X13-3.625
F2＝-0.047X1+0.536X2-0.327X3-0.045X4-6.618X5-0.1X6+1.494X7+0.011X8+0.16X9+0.464X10+2.196X11+73.322X12-3.636X13-4.144
F3＝0.105X1+0.205X2-0.509X3-0.273X4+13.51X5-0.063X6+3.058X7+0.011X8+0.154X9+0.371X10-0.513X11-40.253X12+2.393X13-4.342
F4＝0.056X1-0.012X2+0.111X3+0.14X4-1.643X5-0.096X6-1.048X7-0.161X8-0.03X9+0.626X10+4.268X11+9.56X12+0.659X13-0.668
F5＝-0.203X1+0.289X2+0.165X3+0.095X4+4.196X5-0.018X6+0.412X7-0.156X8-0.059X9+0.417X10+4.484X11-25.523X12-0.261X13+3.121
F6＝0.237X1-0.117X2-0.736X3-0.255X4+2.821X5+0.144X6+1.591X7+0.139X8-0.131X9+0.364X10+1.444X11+12.061X12-1.055X13-1.539
F7＝-0.155X1+0.243X2-0.174X3+0.25X4+28.721X5-0.008X6-1.632X7-0.004X8+0.24X9+0.148X10-2.185X11-15.951X12+0.203X13+0.338
式中X1-X13分别代表O、Mg、Al、Si、S、P、K、Ca、Cu、Zn、Mo、Ag、Pb的含量；
所述七维Fisher判别模型中的各产地组质心的坐标为，智利：(0.257，0.051，-1.158，-0.960，0.903，-0.635，-0.895)；秘鲁：(2.035，2.956，0.410，1.400，1.528，0.343，0.416)；菲律宾：(-3.763，-2.312，-2.796，2.129，-0.568，-0.356，0.348)；西班牙：(5.184，-6.850，4.600，1.110，-0.120，-0.161，-0.070)；纳米比亚：(0.347，-0.962，-0.650，-3.288，0.087，-0.389，1.351)；伊朗：(-7.841，1.331，5.779，-0.582，-0.004，-0.250，-0.169)；马来西亚：(2.182，2.611，0.124，-0.010，-3.002，0.055，-0.185)；阿尔巴尼亚：(-0.597，-3.082，-2.757，-1.485，0.153，3.456，-0.527)。
将一待测样品铁矿石的元素含量代入所述七维Fisher判别模型中，根据判别函数和组质心处坐标函数，计算每个样品坐标与组质心坐标的距离，与哪个类别的质心最近，该样品就判定为哪个产地类别。
用F1和F2的判别得分作散点图(如图2所示)，F1得分为横坐标，F2得分为纵坐标，可以看出模型中的伊朗、西班牙、菲律宾、阿尔巴尼亚质心间的距离较远，马来西亚和秘鲁，智利和纳米比亚质心间的距离较近，在对智利的铜精矿识别中有少数样品落在离纳米比亚、马来西亚和秘鲁质心更接近的位置。其原因可能是由于此次分析的样品均为斑岩型铜矿，成矿类型较为相似，且智利铜矿的元素特征较不明显，故被判到其他国别的可能性增加。
本次判别铁矿石产地国别的方法的实施例包括两类实施例：
第一类为构建模型所用的样品，即训练实施例样品。其中，建模样品实施例分别进行训练样品验证和交叉验证。训练样品验证为将构建模型所用的样品数据回代到模型，进行验证；交叉验证法为建模前每次留出一个作为验证的数据再次代入判别函数，进行验证。第二类为采用未知的待测样品验证的实施例，即预测实施例样品，为了确定七维Fisher判别模型是否可以对未包含在模型中的样品进行识别。
用于建模样品的准确率达94.2％，交叉验证准确率达92.8％，预测样品准确率达96.7％。说明此模型可以对铜精矿有较好的识别，具体的分类结果如表5所示。
表5逐步判别-Fisher判别分析正确率
国别 实施例编号 训练样品 交叉验证 实施例编号 预测样品
智利 1-51 80.4％ 80.4％ 227-237 90.9％
秘鲁 52-95 95.5％ 95.5％ 238-248 100％
菲律宾 96-128 97％ 90.9％ 249-254 100％
西班牙 129-144 100％ 100％ 255-257 67.7％
纳米比亚 145-167 100％ 100％ 258-265 100％
伊朗 168-184 100％ 100％ 266-270 100％
马来西亚 185-216 100％ 96.9％ 271-276 100％
阿尔巴尼亚 217-226 100％ 100％ 277-280 100％
总计 226 94.2％ 92.9％ 54 96.7％
对比3批实施例的结果，正确率均高于90％以上，可知对这8个国别的铜精矿样品的识别效果很好。对比神经网络模式识别与Fisher判别分析，发现神经网络模式识别比Fisher判别分析具有更高的识别准确度，其原因在于神经网络可以逼近任何连续的非线性曲线，具有自适应性、自组织性、容错性的优点，相比Fisher判别分析体现出更佳的识别率。比较两个输入变量不同的神经网络模型的结果可知，经过F值筛选元素后的准确率更高一些，其原因可能是因为F值的筛选能减少特征变量个数，选择差异大的信号特征，从而提高识别率。
本发明的判别进口铜精矿产地识别模型，可以快速识别铜精矿国别。模型识别准确率与模型样品的产地及建模样品数量存在很大关系，随着后续收集样品数量增加，模型的稳定性将得到进一步的提升。

Claims (4)

1.一种判别进口铜精矿产地的方法，其特征在于，其包括如下步骤：
S1.取至少8个国别，每个国别至少14个批次的铜精矿中元素含量的数据，用于建立BP神经网络模式识别模型；所述元素包括O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb；所述元素含量的检测方法为波长色散X射线荧光光谱法的无标样分析法；
所述的国别包括智利、秘鲁、菲律宾、西班牙、纳米比亚、伊朗、马来西亚和阿尔巴尼亚；
在所述BP神经网络模式识别模型的建立前，进行逐步判别分析，所述逐步判别分析为识别进入模型的所述元素的含量的协方差分析的F值，当所述F值大于3.84时，保留所述元素的含量，当所述F值小于3.84时，剔除所述元素的含量；
所述BP神经网络模式识别模型的输入层为13，输出层为8，隐藏层为10；
在所述BP神经网络模式识别模型中，每层传递函数为Tansig函数，所述输出层到所述隐藏层的传递函数是Softmax函数，训练函数是共轭梯度法中的trainscg函数；S2.将待测样品铜精矿的O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb的元素含量代入到步骤S1所述BP神经网络模式识别模型，确定待测样品铜精矿的产地；
其中，所述步骤S1和所述步骤S2的元素含量单位均为质量百分含量。
2.如权利要求1所述的判别进口铜精矿产地的方法，其特征在于，所述步骤S1中的元素含量的测定，与所述步骤S2中的元素含量的测定为同一台检测机器。
3.一种判别进口铜精矿产地的方法，其特征在于，其包括如下步骤：
S1.取至少8个国别，每个国别至少14个批次的铜精矿中元素含量的数据，建立七维Fisher判别模型；所述元素包括O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb；所述元素含量的检测方法为波长色散X射线荧光光谱法的无标样分析方法；
所述的国别包括智利、秘鲁、菲律宾、西班牙、纳米比亚、伊朗、马来西亚和阿尔巴尼亚；
在所述七维Fisher判别模型的建立前，进行逐步判别分析，所述逐步判别分析为识别进入模型的所述元素的含量的协方差分析的F值，当所述F值大于3.84时，保留所述元素的含量，当所述F值小于3.84时，剔除所述元素的含量；
S2.将待测样品铜精矿O、Mg、Al、Si、P、S、K、Ca、Cu、Zn、Mo、Ag、Pb的元素含量代到步骤S1的七维Fisher判别模型中，确定待测样品铜精矿的产地；
所述七维Fisher判别模型中的7组判别函数为：
F1＝0.069X1+0.251X2-0.213X3-0.045X4-18.201X5+0.033X6-1.529X7-
0.033X8+0.138X9+0.001X10+4.499X11-13.8895X12+2.686X13-3.625
F2＝-0.047X1+0.536X2-0.327X3-0.045X4-6.618X5-
0.1X6+1.494X7+0.011X8+0.16X9+0.464X10+2.196X11+73.322X12-3.636X13-4.144
F3＝0.105X1+0.205X2-0.509X3-0.273X4+13.51X5-
0.063X6+3.058X7+0.011X8+0.154X9+0.371X10-0.513X11-40.253X12+2.393X13-4.342
F4＝0.056X1-0.012X2+0.111X3+0.14X4-1.643X5-0.096X6-1.048X7-0.161X8-
0.03X9+0.626X10+4.268X11+9.56X12+0.659X13-0.668
F5＝-0.203X1+0.289X2+0.165X3+0.095X4+4.196X5-0.018X6+0.412X7-
0.156X8-0.059X9+0.417X10+4.484X11-25.523X12-0.261X13+3.121
F6＝0.237X1-0.117X2-0.736X3-
0.255X4+2.821X5+0.144X6+1.591X7+0.139X8-0.131X9
+0.364X10+1.444X11+12.061X12-1.055X13-1.539
F7＝-0.155X1+0.243X2-0.174X3+0.25X4+28.721X5-0.008X6-1.632X7-
0.004X8+0.24X9+0.148X10-2.185X11-15.951X12+0.203X13+0.338
式中X1-X13分别代表O、Mg、Al、Si、S、P、K、Ca、Cu、Zn、Mo、Ag、Pb的含量；
所述七维Fisher判别模型中的各产地组质心的坐标为，智利：(0.257，0.051，-1.158，-0.960，0.903，-0.635，-0.895)；秘鲁：(2.035，2.956，0.410，1.400，1.528，0.343，0.416)；菲律宾：(-3.763，-2.312，-2.796，2.129，-0.568，-0.356，0.348)；西班牙：(5.184，-6.850，4.600，1.110，-0.120，-0.161，-0.070)；纳米比亚：(0.347，-0.962，-0.650，-3.288，0.087，-0.389，1.351)；伊朗：(-7.841，1.331，5.779，-0.582，-0.004，-0.250，-0.169)；马来西亚：(2.182，2.611，0.124，-0.010，-3.002，0.055，-0.185)；阿尔巴尼亚：(-0.597，-3.082，-2.757，-1.485，0.153，3.456，-0.527)；
其中，所述步骤S1和所述步骤S2的元素含量单位均为质量百分含量。
4.如权利要求3所述的判别进口铜精矿产地的方法，其特征在于，所述步骤S1中的元素含量的测定，与所述步骤S2中的元素含量的测定为同一台检测机器。
CN201911257107.3A 2019-12-03 2019-12-03 判别进口铜精矿产地的方法 Active CN111007094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911257107.3A CN111007094B (zh) 2019-12-03 2019-12-03 判别进口铜精矿产地的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911257107.3A CN111007094B (zh) 2019-12-03 2019-12-03 判别进口铜精矿产地的方法

Publications (2)

Publication Number Publication Date
CN111007094A CN111007094A (zh) 2020-04-14
CN111007094B true CN111007094B (zh) 2023-08-04

Family

ID=70114144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911257107.3A Active CN111007094B (zh) 2019-12-03 2019-12-03 判别进口铜精矿产地的方法

Country Status (1)

Country Link
CN (1) CN111007094B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967576B (zh) * 2020-07-22 2022-09-02 长春工程学院 一种基于深度学习的地球化学数据处理方法和系统
CN112229863A (zh) * 2020-09-30 2021-01-15 上海海关工业品与原材料检测技术中心 一种铁矿石的原产国或品牌的鉴别方法
CN112304995B (zh) * 2020-10-15 2023-07-28 中国工程物理研究院材料研究所 一种利用WDXRF测定LaNix合金中Ni/La原子比的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021562A (zh) * 2015-07-06 2015-11-04 黑龙江八一农垦大学 一种大米产地溯源方法及其应用
CN106770617A (zh) * 2017-04-10 2017-05-31 山东省分析测试中心 一种利用微量元素和稀土元素含量测定结合多元统计分析对丹参进行产地溯源的方法
CN107677647A (zh) * 2017-09-25 2018-02-09 重庆邮电大学 基于主成分分析和bp神经网络的中药材产地鉴别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021562A (zh) * 2015-07-06 2015-11-04 黑龙江八一农垦大学 一种大米产地溯源方法及其应用
CN106770617A (zh) * 2017-04-10 2017-05-31 山东省分析测试中心 一种利用微量元素和稀土元素含量测定结合多元统计分析对丹参进行产地溯源的方法
CN107677647A (zh) * 2017-09-25 2018-02-09 重庆邮电大学 基于主成分分析和bp神经网络的中药材产地鉴别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络集成－Ｘ射线荧光光谱法的铁矿石中全铁含量测定;李颖娜;《冶金分析》;20190220;说明书第4-6段 *

Also Published As

Publication number Publication date
CN111007094A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN111007094B (zh) 判别进口铜精矿产地的方法
CN105181907B (zh) 一种定量判别软玉产地的方法
CN108319813A (zh) 循环肿瘤dna拷贝数变异的检测方法和装置
CN106680241A (zh) 一种新型光谱多元分析分类与识别方法及其用途
CN110987996B (zh) 一种判别进口铁矿石产地及品牌的方法
KR20180024293A (ko) 한국산과 중국산 백미 판별용 Biomarker 및 이를 이용한 판별 모델
Camalan et al. Assessment of chromite liberation spectrum on microscopic images by means of a supervised image classification
CN108663334B (zh) 基于多分类器融合寻找土壤养分光谱特征波长的方法
CN112798678A (zh) 基于血清的新型冠状病毒感染快速检测方法
CN110569581A (zh) 一种基于多元素结合随机森林算法对枸杞产地进行判别的方法
El Haddad et al. Discrimination of uranium ore concentrates by chemometric data analysis to support provenance assessment for nuclear forensics applications
CN110361412A (zh) 一种确定不同磁性磁黄铁矿相对含量的方法
Bakraji Application of multivariate statistical methods to classify archaeological pottery from Tel‐Alramad site, Syria, based on x‐ray fluorescence analysis
KR20190061935A (ko) X-선 형광분석기를 이용한 한국산과 중국산 백미 판별 방법
CN104181222B (zh) 利用同位素示踪法分析鉴别进口铁矿国别的方法
CN105907860A (zh) 一种利用|Δ(SNP-index)|进行性状定位的QTL-seq方法及其应用
CN104360004B (zh) 一种利用lc‑q‑tof结合统计分析鉴别燕窝真伪的方法
CN111833297B (zh) 一种骨髓细胞形态学自动检测系统的疾病联想方法
CN112397158B (zh) 一种快速预测烟草薄片样品评分的方法
CN107563129A (zh) 一种分析食品加工关键工序的方法
CN102012920B (zh) 一种建立进口铁矿产地鉴别数据库的方法
Chauhan et al. The utility of a single tube 10-color flow cytometry for quantitative and qualitative analysis in myelodysplastic syndrome-a pilot study
CN112229863A (zh) 一种铁矿石的原产国或品牌的鉴别方法
Nakhaeinejad et al. Analysis of the factors affecting the iron ore pellet FEO index using data mining technique
CN116165165B (zh) 一种药品原辅料在线实时放行的检测方法

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
GR01 Patent grant
GR01 Patent grant