CN111581881A - 一种铁矿石合理含水量的评估系统和方法 - Google Patents

一种铁矿石合理含水量的评估系统和方法 Download PDF

Info

Publication number
CN111581881A
CN111581881A CN202010375474.XA CN202010375474A CN111581881A CN 111581881 A CN111581881 A CN 111581881A CN 202010375474 A CN202010375474 A CN 202010375474A CN 111581881 A CN111581881 A CN 111581881A
Authority
CN
China
Prior art keywords
iron ore
data
water content
module
neural network
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
Application number
CN202010375474.XA
Other languages
English (en)
Inventor
岑仲迪
杨东彪
黄剑
徐爱民
乐安波
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.)
Zhejiang Wanli University
Original Assignee
Zhejiang Wanli University
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 Zhejiang Wanli University filed Critical Zhejiang Wanli University
Priority to CN202010375474.XA priority Critical patent/CN111581881A/zh
Publication of CN111581881A publication Critical patent/CN111581881A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明公开了一种铁矿石合理含水量的评估系统和方法，涉及铁矿石含水量评估技术领域，包括品种识别模块、粒径测定模块、数据存储模块、数据调用模块、神经网络模块和结果输出模块。本发明易于操作，只需扫描待评估铁矿石即可快速获得其在发运港自然条件下的铁矿石合理含水量的范围，为铁矿石贸易中的含水量验收提供依据。

Description

一种铁矿石合理含水量的评估系统和方法
技术领域
本发明属于铁矿石含水量评估技术领域，具体涉及一种铁矿石合理含水量的评估系统和方法。
背景技术
铁矿石贸易是以到岸港实际卸货的干态铁矿石重量作为结算依据的。到岸港自然态铁矿石重量是通过轮船水尺计重来获取的，这既包含了干态铁矿石的重量，也包含了铁矿石所含有的水分。到岸港自然态铁矿石重量扣除经检验测定的铁矿石所含水分重量，最终可得实际卸货的干态铁矿石重量。
铁矿石所含水分是指铁矿石中含有的游离水，具体分为毛细管水、薄膜水和自由水。铁矿石的游离水主要有以下几种来源：铁矿石选矿水选工艺的残留水、铁矿石产地露天堆放受到降雨等自然环境原因造成的外来水、港口装卸环节人为喷洒的水、铁矿石中原有的游离水。铁矿石含有的游离水状态不稳定，在运输过程中因自重挤压、摇晃、气候变化等原因会脱附，从而产生大量明水。铁矿石在装卸过程中，明水容易在港口皮带输送机的转接环节流失，这导致所取样品检测后的水分含量往往相比实际含水量偏低，直接产生的后果是干态重量亏吨；而且铁矿石明水中含有大量的有害物质，大量明水的流失会污染港口环境和危害港口生态系统。
铁矿石含水量在铁矿石生产和运输环节上是可以控制的，如采用场地堆存晾晒、泵离、货仓进水防护等。目前我国在铁矿石合理含水量评估方面缺少相关定量研究，欠缺铁矿石含水量验收标准和监管依据。
因此，为快速准确评估既定条件下的铁矿石合理含水量，以提供铁矿石贸易的含水量验收依据，本领域的技术人员致力于开发一种铁矿石合理含水量的评估系统和方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是设计一种铁矿石合理含水量的评估系统和方法，以实现快速准确评估既定条件下的铁矿石合理含水量，为铁矿石贸易中的含水量验收提供依据。
铁矿石合理含水量是指既定品种和粒径大小的铁矿石在发运港自然条件下的铁矿石吸附水量范围。发明人分析，铁矿石饱和吸附水量与铁矿石的品种、粒径、气温、湿度等因素相关，基于铁矿石饱和吸附水量与品种、粒径、气温、湿度等影响因素之间相互关系的数学模型，将某船次铁矿石的品种、粒径、发运港的温度和湿度等数据代入该数学模型，即可获得该船次铁矿石发运时的饱和吸附水量，也即可得该船次到岸港铁矿石的最大合理含水量。到岸港铁矿石合理含水量的上限是指该批次铁矿石在发运港自然条件下的饱和吸附水量，超过这个饱和吸附水量的水分都是由于不合理水分控制造成的。
本发明的一个实施例中，提供了一种铁矿石合理含水量的评估系统，包括品种识别模块、粒径测定模块、数据存储模块、数据调用模块、神经网络模块和结果输出模块，所述品种识别模块识别待评估铁矿石的品种，所述粒径测定模块测定待评估铁矿石的粒径大小，所述数据存储模块存储各类铁矿石的前期实验积累数据，所述数据调用模块调用待评估铁矿石识别品种的前期实验积累数据，生成待评估铁矿石的数据，所述神经网络模块通过反复训练获得学习规则和生成神经网络模型，所述结果输出模块输出待评估铁矿石的结果数据。
可选地，在上述实施例中的铁矿石合理含水量的评估系统中，所述品种识别模块设置扫描装置，扫描所述待评估铁矿石，与所述数据存储模块的铁矿石样本进行匹配，识别待评估铁矿石的品种。
可选地，在上述任一实施例中的铁矿石合理含水量的评估系统中，所述粒径测定模块设置铁矿石粒径检测仪，通过扫描所述待评估铁矿石，测定铁矿石的粒径大小。
可选地，在上述任一实施例中的铁矿石合理含水量的评估系统中，所述各类铁矿石的前期实验积累数据包括饱和吸附水量与粒径、气温、湿度相互关系。
可选地，在上述任一实施例中的铁矿石合理含水量的评估系统中，所述待评估铁矿石的前期实验积累数据包括待评估铁矿石识别品种的饱和吸附水量与粒径、气温、湿度相互关系。
可选地，在上述任一实施例中的铁矿石合理含水量的评估系统中，所述神经网络模块，对前期实验积累数据建立BP神经网络，应用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，获得学习规则和生成神经网络模型。
进一步地，在上述实施例中的铁矿石合理含水量的评估系统中，所述神经网络模块根据待评估铁矿石的粒径、发运港气温和湿度数据，计算评估铁矿石的结果数据。
可选地，在上述任一实施例中的铁矿石合理含水量的评估系统中，所述评估铁矿石的结果数据包括饱和吸附水量。
基于上述任一实施例，本发明的另一个实施例中，提供了一种铁矿石合理含水量的评估方法，包括如下步骤：
S100，确定待评估铁矿石的品种；
S200，测定待评估铁矿石的粒径大小；
S300，调取前期实验积累数据；
S400，建立神经网络；
S500，计算并输出结果。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，步骤S100包括：
S110，品种识别模块扫描待评估铁矿石；
S120，与数据存储模块的铁矿石样本进行匹配；
S130，确定待评估铁矿石的品种。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，品种识别模块设置扫描装置。
可选地，在上述任一实施例中的铁矿石合理含水量的评估方法中，步骤S200包括：
S210，粒径测定模块扫描待评估铁矿石；
S220，测定待评估铁矿石的粒径大小。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，粒径测定模块设置铁矿石粒径检测仪。
可选地，在上述任一实施例中的铁矿石合理含水量的评估方法中，步骤S300包括数据调用模块根据待评估铁矿石的品种，调取该类铁矿石前期实验积累数据。
进一步地，在上述实施例中的铁矿石合理含水量的评估方法中，前期实验积累数据包括描述饱和吸附水量与粒径、气温、湿度的相互关系。
可选地，在上述任一实施例中的铁矿石合理含水量的评估方法中，步骤S400包括在神经网络模块建立BP神经网络，应用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，获得学习规则和生成神经网络模型。
可选地，在上述任一实施例中的铁矿石合理含水量的评估方法中，步骤S400包括：
S410，数据预处理；
S420，数据导入及划分；
S430，神经网络初始化；
S440，神经网络训练；
S450，模型测试及优化。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，步骤S410包括：对每一类数据进行正态标准化法
Figure BDA0002479823980000041
处理，剔除大于3倍标准差的数据。其中Xi表示X列数据中的第i个数据，
Figure BDA0002479823980000042
表示X列数据的平均值，sX表示X列数据的标准差。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，步骤S420还包括，将预处理后的数据进行分区，70％作为训练集数据，30％作为测试集数据。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，步骤S430包括：
S431，定义神经网络层数和各层节点数，神经网络采用三层结构，包括输入层、隐藏层和输出层，其中，输入层结点3个，输出层结点1个，中间隐藏层结点M个，4≤M≤10；
S432，设定训练次数N的初始值和中间隐藏层结点数M的初始值；
S433，初始化连接权值，设置节点激活函数，其中各结点连接权值赋值取(-1,1)之间的随机数；
S434，设定最大学习次数Nmax及精度阈值ε。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，步骤S432中，N的初始值为0。
可选地，在上述实施例中的铁矿石合理含水量的评估方法中，步骤S432中，M的初始值为4。
可选地，在上述任一实施例中的铁矿石合理含水量的评估方法中，步骤S440包括：
S441，调用训练集数据{Yi|1≤i≤n1}，进行网络正向传递计算，得到训练集预测结果{Yi′|1≤i≤n1}，并令N＝N+1，这里n1为训练集中的数据个数；
S442，如果训练次数N>Nmax，那么取M＝M+1，N＝0，初始化连接权值，设置节点激活函数，其中各结点连接权值赋值取(-1,1)之间的随机数，设定最大学习次数Nmax及精度阈值ε；
S443，如果训练次数N≤Nmax，那么计算训练集预测偏差平方和
Figure BDA0002479823980000051
判断训练集预测偏差平方和E1是否小于精度阈值e；
S444，如果训练集预测偏差平方和E1小于等于精度阈值e，那么训练完成，跳转到步骤S450；
S445，如果训练集预测偏差平方和E1大于精度阈值e，那么利用误差反向传播算法，调整各结点权重值，重新开始步骤S440。
可选地，在上述任一实施例中的铁矿石合理含水量的评估方法中，步骤S450包括：
S451，将测试集数据{Zi|1≤i≤n2}输入到训练完成的神经网络模型中，得到预测值{Zi′|1≤i≤n2}，这里n2为测试集中的数据个数；
S452，计算测试集预测偏差平方和
Figure BDA0002479823980000052
S453，如果测试集预测偏差平方和E2大于精度阈值1.5e，那么令N＝0，并进一步调整中间隐藏层结点的激活函数，重新开始步骤S440；
S454，如果测试集预测偏差平方和E2小于等于精度阈值1.5e，那么结束训练。
可选地，在上述任一实施例中的铁矿石合理含水量的评估方法中，步骤S500包括：
S510，将所评估铁矿石的粒径、发运港气温和湿度数据输入神经网络模块；
S520，计算待评估铁矿石的饱和吸附水量；
S530，输出待评估铁矿石的饱和吸附水量到结果输出模块。
本发明提供了一种铁矿石合理含水量评估技术方案，易于操作，只需扫描待评估铁矿石即可快速获得其在发运港自然条件下的饱和吸附水量，为监管铁矿石供应商的水分控制行为提供了技术支持，实现了快速准确评估既定条件下的铁矿石合理含水量，为铁矿石贸易中的含水量验收提供依据。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是图示根据示例性实施例的铁矿石合理含水量的评估系统结构图；
图2是图示根据示例性实施例的建立神经网络的流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方示意性地适当夸大了部件的厚度。
发明人设计了一种铁矿石合理含水量的评估系统，如图1所示，包括品种识别模块、粒径测定模块、数据存储模块、数据调用模块、神经网络模块和结果输出模块。
其中，品种识别模块设置扫描装置，扫描所述待评估铁矿石，与所述数据存储模块的铁矿石样本进行匹配，识别待评估铁矿石的品种；粒径测定模块设置铁矿石粒径检测仪，通过扫描所述待评估铁矿石，自动测定铁矿石的粒径大小；数据存储模块存储各类铁矿石的前期实验积累数据，包括饱和吸附水量与粒径、气温、湿度相互关系；所述数据调用模块调用待评估铁矿石识别品种的前期实验积累数据，包括待评估铁矿石品种的饱和吸附水量与粒径、气温、湿度相互关系，生成待评估铁矿石的数据；神经网络模块通过反复训练获得学习规则和生成神经网络模型，具体地，对前期实验积累数据建立BP神经网络，应用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，获得学习规则和生成神经网络模型；神经网络模块根据待评估铁矿石的粒径、发运港气温和湿度数据，计算评估铁矿石的结果数据，结果输出模块输出待评估铁矿石的结果数据，包括饱和吸附水量。
基于上述实施例，发明人提供了一种铁矿石合理含水量的评估方法，包括如下步骤：
S100，确定待评估铁矿石的品种，具体包括：
S 110，品种识别模块扫描待评估铁矿石；
S 120，与数据存储模块的铁矿石样本进行匹配；
S 130，确定待评估铁矿石的品种。
S200，测定待评估铁矿石的粒径大小，具体包括：
S 210，粒径测定模块扫描待评估铁矿石；
S 220，测定待评估铁矿石的粒径大小。
S300，调取前期实验积累数据，包括数据调用模块根据待评估铁矿石的品种，调取该类铁矿石前期实验积累数据，包括但不限于描述待评估铁矿石饱和吸附水量与粒径、气温、湿度的相互关系。
S400，建立神经网络，具体地，在神经网络模块建立BP神经网络，应用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，获得学习规则和生成神经网络模型。发明人设计了以下详细步骤，如图2所示，包括：
S410，数据预处理，包括：对每一类数据进行正态标准化法
Figure BDA0002479823980000081
剔除大于3倍标准差的数据。其中Xi表示X列数据中的第i个数据，
Figure BDA0002479823980000082
表示X列数据的平均值，sX表示X列数据的标准差。
S420，数据导入及划分，将预处理后的数据进行分区，70％作为训练集数据，30％作为测试集数据。
S430，神经网络初始化，包括：
S431，定义神经网络层数和各层节点数，神经网络采用三层结构，包括输入层、隐藏层和输出层，其中，输入层结点3个，输出层结点1个，中间隐藏层结点M个，4≤M≤10；
S432，设定训练次数N的初始值为0，中间隐藏层结点数M的初始值为4；
S433，初始化连接权值，设置节点激活函数，其中各结点连接权值赋值取(-1,1)之间的随机数；
S434，设定最大学习次数Nmax及精度阈值e。
S440，神经网络训练，包括：
S441，调用训练集数据{Yi|1≤i≤n1}，进行网络正向传递计算，得到训练集预测结果{Yi′|1≤i≤n1}，并令N＝N+1，这里n1为训练集中的数据个数；
S442，如果训练次数N>Nmax，那么取M＝M+1，N＝0，初始化连接权值，设置节点激活函数，其中各结点连接权值赋值取(-1,1)之间的随机数，设定最大学习次数Nmax及精度阈值e；
S443，如果训练次数N≤Nmax，那么计算训练集预测偏差平方和
Figure BDA0002479823980000091
判断训练集预测偏差平方和E1是否小于精度阈值e；
S444，如果训练集预测偏差平方和E1小于等于精度阈值e，那么训练完成，跳转到步骤S450；
S445，如果训练集预测偏差平方和E1大于精度阈值e，那么利用误差反向传播算法，调整各结点权重值，重新开始步骤S440。
S450，模型测试及优化，包括：
S451，将测试集数据{Zi|1≤i≤n2}输入到训练完成的神经网络模型中，得到预测值{Zi′|1≤i≤n2}，这里n2为测试集中的数据个数；
S452，计算测试集预测偏差平方和
Figure BDA0002479823980000092
S453，如果测试集预测偏差平方和E2大于精度阈值1.5e，那么令N＝0，并进一步调整中间隐藏层结点的激活函数，重新开始步骤S440；
S454，如果测试集预测偏差平方和E2小于等于精度阈值1.5e，那么结束训练。
S500，计算并输出结果，包括：
S510，将所评估铁矿石的粒径、发运港气温和湿度数据输入神经网络模块；
S520，计算待评估铁矿石的饱和吸附水量；
S530，输出待评估铁矿石的饱和吸附水量到结果输出模块。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种铁矿石合理含水量的评估系统，其特征在于，包括品种识别模块、粒径测定模块、数据存储模块、数据调用模块、神经网络模块和结果输出模块，所述品种识别模块识别待评估铁矿石的品种，所述粒径测定模块测定待评估铁矿石的粒径大小，所述数据存储模块存储各类铁矿石的前期实验积累数据，所述数据调用模块调用待评估铁矿石识别品种的前期实验积累数据，生成待评估铁矿石的数据，所述神经网络模块通过反复训练获得学习规则和生成神经网络模型，所述结果输出模块输出待评估铁矿石的结果数据。
2.如权利要求1所述的铁矿石合理含水量的评估系统，其特征在于，所述品种识别模块设置扫描装置，扫描所述待评估铁矿石，与所述数据存储模块的铁矿石样本进行匹配，识别待评估铁矿石的品种。
3.如权利要求1所述的铁矿石合理含水量的评估系统，其特征在于，所述粒径测定模块设置铁矿石粒径检测仪，通过扫描所述待评估铁矿石，自动测定铁矿石的粒径大小。
4.如权利要求1所述的铁矿石合理含水量的评估系统，其特征在于，所述神经网络模块对前期实验积累数据建立BP神经网络，应用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差，获得学习规则和生成神经网络模型。
5.一种铁矿石合理含水量的评估方法，使用如权利要求1-4任一所述的铁矿石合理含水量的评估系统，其特征在于，包括如下步骤：
S100，确定待评估铁矿石的品种；
S200，测定待评估铁矿石的粒径大小；
S300，调取前期实验积累数据；
S400，建立神经网络；
S500，计算并输出结果。
6.一种使用如权利要求5的铁矿石合理含水量的评估方法，其特征在于，所述步骤S400包括：
S410，数据预处理；
S420，数据导入及划分；
S430，神经网络初始化；
S440，神经网络训练；
S450，模型测试及优化。
7.一种使用如权利要求6的铁矿石合理含水量的评估方法，其特征在于，所述步骤S410包括对每一类数据进行正态标准化法
Figure FDA0002479823970000021
处理，剔除大于3倍标准差的数据。
8.一种使用如权利要求6的铁矿石合理含水量的评估方法，其特征在于，所述步骤S430包括：
S431，定义神经网络层数和各层节点数，神经网络采用三层结构，包括输入层、隐藏层和输出层，其中，输入层结点3个，输出层结点1个，中间隐藏层结点M个，4≤M≤10；
S432，设定训练次数N的初始值和中间隐藏层结点数M的初始值；
S433，初始化连接权值，设置节点激活函数，其中各结点连接权值赋值取(-1,1)之间的随机数；
S434，设定最大学习次数Nmax及精度阈值e。
9.一种使用如权利要求8的铁矿石合理含水量的评估方法，其特征在于，所述步骤S440包括：
S441，调用训练集数据{Yi|1≤i≤n1}，进行网络正向传递计算，得到训练集预测结果{Yi′|1≤i≤n1}，并令N＝N+1，这里n1为训练集中的数据个数；
S442，如果训练次数N>Nmax，那么取M＝M+1，N＝0，初始化连接权值，设置节点激活函数，其中各结点连接权值赋值取(-1,1)之间的随机数，设定最大学习次数Nmax及精度阈值ε；
S443，如果训练次数N≤Nmax，那么计算训练集预测偏差平方和
Figure FDA0002479823970000031
判断训练集预测偏差平方和E1是否小于精度阈值ε；
S444，如果训练集预测偏差平方和E1小于等于精度阈值ε，那么训练完成，跳转到步骤S450；
S445，如果训练集预测偏差平方和E1大于精度阈值ε，那么利用误差反向传播算法，调整各结点权重值，重新开始步骤S440。
10.一种使用如权利要求9的铁矿石合理含水量的评估方法，其特征在于，所述步骤S450包括：
S451，将测试集数据{Zi|1≤i≤n2}输入到训练完成的神经网络模型中，得到预测值{Zi′|1≤i≤n2}，这里n2为测试集中的数据个数；
S452，计算测试集预测偏差平方和
Figure FDA0002479823970000032
判断测试集预测偏差平方和E2是否小于等于精度阈值1.5ε；
S453，如果测试集预测偏差平方和E2大于精度阈值1.5ε，那么令N＝0，并进一步调整中间隐藏层结点的激活函数，重新开始步骤S440；
S454，如果测试集预测偏差平方和E2小于等于精度阈值1.5ε，那么结束训练。
CN202010375474.XA 2020-05-07 2020-05-07 一种铁矿石合理含水量的评估系统和方法 Pending CN111581881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010375474.XA CN111581881A (zh) 2020-05-07 2020-05-07 一种铁矿石合理含水量的评估系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010375474.XA CN111581881A (zh) 2020-05-07 2020-05-07 一种铁矿石合理含水量的评估系统和方法

Publications (1)

Publication Number Publication Date
CN111581881A true CN111581881A (zh) 2020-08-25

Family

ID=72115188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010375474.XA Pending CN111581881A (zh) 2020-05-07 2020-05-07 一种铁矿石合理含水量的评估系统和方法

Country Status (1)

Country Link
CN (1) CN111581881A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
CN102072922A (zh) * 2009-11-25 2011-05-25 东北林业大学 基于粒子群优化神经网络模型的木材含水率检测方法
JP2014126446A (ja) * 2012-12-26 2014-07-07 Jfe Techno Research Corp 鉄鉱石の水分量測定方法および鉄鉱石の水分量推定方法
CN106096637A (zh) * 2016-06-06 2016-11-09 浙江大学 基于Elman‑Adaboost强预测器的铁水硅含量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
CN102072922A (zh) * 2009-11-25 2011-05-25 东北林业大学 基于粒子群优化神经网络模型的木材含水率检测方法
JP2014126446A (ja) * 2012-12-26 2014-07-07 Jfe Techno Research Corp 鉄鉱石の水分量測定方法および鉄鉱石の水分量推定方法
CN106096637A (zh) * 2016-06-06 2016-11-09 浙江大学 基于Elman‑Adaboost强预测器的铁水硅含量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阳春华等: ""基于PCA的多神经网络水分软测量模型"" *

Similar Documents

Publication Publication Date Title
US10929644B2 (en) Face detection training method and apparatus, and electronic device
CN113091866B (zh) 一种实时测量汽车载重质量的方法与装置
CN112200045A (zh) 基于上下文增强的遥感图像目标检测模型建立方法及应用
CN111497028B (zh) 搅拌站卸料控制方法、装置、卸料系统及搅拌站
CN109000860A (zh) 一种水系统检漏装置和方法
CN111581881A (zh) 一种铁矿石合理含水量的评估系统和方法
CN113850244B (zh) 基于图像识别的输煤量监测方法、装置、设备及存储介质
CN112258495A (zh) 一种基于卷积神经网络的建筑木材裂缝识别方法
CN115049019A (zh) 金属有机框架对砷的吸附性能评估方法、装置及相关设备
CN113581868A (zh) 卸料控制方法、装置和电子设备
CN110688977B (zh) 一种工业图像识别方法、装置、服务器及存储介质
US5750908A (en) Testing system with real time/off line functionality allocation
Thinh et al. Sorting and classification of mangoes based on artificial intelligence
CN110850043A (zh) 一种基于gra-bpnn的粮食温湿度预测方法
CN109407630B (zh) 参数计算的方法、装置、终端及可读存储介质
Atukeren The relationship between the F-test and the Schwarz criterion: implications for Granger-causality tests
CN116402753A (zh) 一种基于改进的YOLOv5的钢材缺陷检测方法
CN111967799B (zh) 集总参数表贴环行器物料及工艺问题识别方法
CN112733743B (zh) 模型训练方法、数据、图像质量评估方法及相关装置
CN108629758A (zh) 一种基于云计算的汽车橡胶件的检查方法
CN114240928A (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN106338526A (zh) 一种基于微波水分仪的修正模型及检测方法
CN111325272A (zh) 古画检测模型训练方法、古画检测方法、设备及存储介质
CN115178438B (zh) 一种真空灌胶阀的稳态性能评估方法及系统
CN115753633B (zh) 一种非接触式隧道掌子面围岩含水量检测方法及系统

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