CN112016956B - 基于bp神经网络的矿石品位估值方法及装置 - Google Patents

基于bp神经网络的矿石品位估值方法及装置 Download PDF

Info

Publication number
CN112016956B
CN112016956B CN202010779982.4A CN202010779982A CN112016956B CN 112016956 B CN112016956 B CN 112016956B CN 202010779982 A CN202010779982 A CN 202010779982A CN 112016956 B CN112016956 B CN 112016956B
Authority
CN
China
Prior art keywords
neural network
input information
ore
coordinate
dimensional space
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
CN202010779982.4A
Other languages
English (en)
Other versions
CN112016956A (zh
Inventor
张衡
林燕
白秀佳
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.)
General Survey and Research Institute of China Coal Geology Bureau
Original Assignee
General Survey and Research Institute of China Coal Geology Bureau
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 General Survey and Research Institute of China Coal Geology Bureau filed Critical General Survey and Research Institute of China Coal Geology Bureau
Priority to CN202010779982.4A priority Critical patent/CN112016956B/zh
Publication of CN112016956A publication Critical patent/CN112016956A/zh
Application granted granted Critical
Publication of CN112016956B publication Critical patent/CN112016956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种基于BP神经网络的矿石品位估值方法及装置，该方法包括：获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。使得估值结果更加准确，在训练样本数量较少时，依然能保证矿石品位估值的精度。

Description

基于BP神经网络的矿石品位估值方法及装置
技术领域
本发明涉及地质信息处理技术领域，尤其涉及一种基于BP神经网络的矿石品位估值方法及装置。
背景技术
随着三维可视化技术的快速发展，地质体建模技术也迅速发展。三维地质体建模中需要解决的重点问题是如何利用已知的钻孔地质信息计算未知区域的地质信息，即如何进行空间插值。
由于人力物力及资金成本的限制，通过钻孔等工程得到的地质数据都是一系列离散的、空间上分布不均匀的数据。因此，需要通过空间插值算法利用已知地质数据求取未知地质数据进而得到整个地质体的数据信息。在解决既有随机性又有结构性的空间插值问题时，通常采用克里格法。克里格法将矿化现象视为与空间位置相关的随机变量，用变异函数作为工具，能进行无偏最优估计且提供估计误差的储量计算方法，较为复杂。
克里格法只有在训练样本数较大时，才能对插值进行较高精度的预测。而采集大量的训练样本需要消耗大量的物力、人力和时间，大大增加了成本。克里格法在训练样本的减少时，无法拟合出半方差曲线方程，从而无法得到插值结果。此外，克里格法在训练样本数据满足正态分布的情况下才能使用。因此使用克里格法对矿石品位进行估值要求训练样本较多且满足正态分布，具有很大的局限性。
发明内容
本发明实施例提供一种基于BP神经网络的矿石品位估值方法及装置，用以解决现有技术中使用克里格法对矿石品位进行估值要求训练样本较多且满足正态分布，具有很大局限性的缺陷，实现使用较少的训练样本数据对矿石品位进行精确估算。
本发明实施例提供一种基于BP神经网络的矿石品位估值方法，包括：
获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；
将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。
根据本发明一个实施例的基于BP神经网络的矿石品位估值方法，根据所述三维空间坐标确定BP神经网络的输入信息的步骤包括：
计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；
根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息。
根据本发明一个实施例的基于BP神经网络的矿石品位估值方法，根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息的步骤包括：
将所述平方和作为ln函数中的对数，获取ln函数的值；
计算所述平方和的算数平方根；
将所述ln函数的值、平方和的算数平方根，以及所述三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息。
根据本发明一个实施例的基于BP神经网络的矿石品位估值方法，根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤之前还包括：
根据所述位置点样本的三维空间坐标，确定BP神经网络的多个输入信息；
对所述位置点样本对应的多个输入信息与所述位置点样本的品位数据进行归一化，使得所述位置点样本对应的归一化后的多个输入信息和品位数据位于[-1,1]范围内；
相应地，根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤包括：
根据所述位置点样本对应的归一化后的输入信息和品位数据对所述BP神经网络进行训练。
根据本发明一个实施例的基于BP神经网络的矿石品位估值方法，所述BP神经网络中隐含层的节点数通过经验公式获取；
所述隐含层的传递函数为双曲正切传递函数；
所述BP神经网络中输出层的传递函数为线性传递函数。
根据本发明一个实施例的基于BP神经网络的矿石品位估值方法，对所述BP神经网络进行训练过程中的学习率的公式如下所示：
λ＝sign[D(k)D(k-1)]；
其中，α(k)为第k时刻的学习率，α(k-1)为第k-1时刻的学习率，D(k)表示第k时刻的负梯度，D(k-1)表示第k-1时刻的负梯度，sign表示符号函数。
本发明实施例还提供一种基于BP神经网络的矿石品位估值装置，包括：
获取模块，用于获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；
估值模块，用于将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。
根据本发明一个实施例的基于BP神经网络的矿石品位估值装置，所述获取模块具体用于：
计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；
根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于BP神经网络的矿石品位估值方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于BP神经网络的矿石品位估值方法的步骤。
本发明实施例提供的基于BP神经网络的矿石品位估值方法及装置，通过一方面根据待估值位置点的三维空间坐标确定BP神经网络的输入信息，使得输入信息包含待估值位置点丰富的位置特征，使得估值结果更加准确；另一方面，使用BP神经网络根据输入信息估算矿石的品位数据，在训练样本数量较少时，依然能保证矿石品位估值的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于BP神经网络的矿石品位估值方法的流程示意图；
图2是本发明实施例提供的一种基于BP神经网络的矿石品位估值方法中BP神经网络的模型结构示意图；
图3是本发明实施例提供的一种基于BP神经网络的矿石品位估值装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本实施例提供的基于BP神经网络的矿石品位估值方法，包括：S101，获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；
其中，矿床中待进行品位估值的矿石位置点为需要进行品位估值的位置点，可以为从矿石中任意选择的位置点，也可以为根据矿石中钻孔的某些位置点确定的需要进行插值的位置点。位置点的三维空间坐标包括x坐标、y坐标和z坐标。其中，x坐标和y坐标根据位置点在地面上的投影位置确定，z坐标根据位置点的高程确定。
BP(Back Propagation，反向传播)神经网络是一种多层的前馈神经网络，BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。其中误差为BP神经网络的期望输出与实际输出之间的差值。BP神经网络的模型如图2所示。
可以直接将三维空间坐标作为BP神经网络的输入信息，也可以对三维空间坐标中的三个坐标进行计算，将计算结果和原始三维空间坐标一起作为位置点的特征输入到BP神经网络中。本实施例不限于对三维空间坐标进行计算的方法。
S102，将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。
矿石的品位数据是指单位体积或单位重量矿石中有用组分或有用矿物的含量。使用BP神经网络根据输入信息对矿石中待进行品位估值的位置点进行品位估值。在进行品位估值之前需要对BP神经网络进行训练。矿石的位置点样本可以为矿石中钻孔的位置点，人工获取钻孔位置点处的品位数据。矿石的位置点样本的品位数据可以通过对矿石的历次勘查所得的化验表数据或者现有地质数据库中矿石的位置点样本的品位数据中获取。由于位置点样本的空间三维坐标和位置点样本的品位数据通过人工测量获取，所以需要对训练数据进行校验和核对，对异常的位置点样本和品位数据进行修正，保证训练数据的准确性，为品位估值提供良好的基础。
在对BP神经网络进行训练时，将矿石的位置点样本作为BP神经网络的输入。计算BP神经网络输出的品位数据与位置点样本的实际品位数据之间的差值。根据差值对BP神经网络中的参数进行调整，从而实现对BP神经网络中参数的优化。
本实施例中使用BP神经网络进行矿石品位估值的方法可以应用于钻孔品位数据的空间插值，即使用已知的矿石钻孔位置点的品位数据作为训练样本对BP神经网络进行训练，使用训练好的BP神经网络对矿石中需要进行空间插值位置处的品位数据进行估值。根据空间插值位置处的品位数据估值结果和钻孔的品位数据对矿石三维模型的资源量进行估算，得出矿石的资源量级别和不同品位的资源量，并与传统的块段法以及地质统计学方法估值得出的资源量进行对比。还可以应用于钻孔品位数据的三维可视化空间插值。
在进行仿真时，首先选取90％的样本数据为训练样本，10％的样本数据为验证样本，验证本实施例的可用性。其次，将需要估值的位置点导入输入层进行仿真模拟求出品位数据。通过与克里格法进行对比可知，在解决既有随机性又有结构性的空间插值问题时，本实施例具有在某些情况下比克里格法更好的插值效果。当训练样本数较大时，两者的品位预测精度接近；而随着样点数的减少，本实施例的插值精度超过了克里格法的插值精度，表现出一定的优势。当训练样本减少到克里格法无法拟合出半方差曲线方程而无法得到插值结果时，本实施例仍然能得到较好的插值精度，甚至超过了训练样本数几乎比它多一倍的克里格法的插值精度。
本实施例一方面通过根据待估算位置点的三维空间坐标确定BP神经网络的输入信息，使得输入信息包含待估算位置点丰富的位置特征，使得估算结果更加准确；另一方面，使用BP神经网络根据输入信息估算矿石的品位数据，在训练样本数量较少时，依然能保证矿石品位估值的精度。
在上述实施例的基础上，本实施例中根据三维空间坐标确定BP神经网络的输入信息的步骤包括：计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息。
其中，三维空间坐标中三个坐标的平方和为x2+y2+z2。在根据三维空间坐标和平方和确定BP神经网络的输入信息时，可以直接将三维空间坐标中的三个坐标和平方和作为输入信息，还可以在平方和的基础上进行一种或多种处理，将三维空间坐标中的三个坐标和处理结果作为输入信息。本实施例不限于对平方和的处理方式。
本实施例中通过根据待估算位置点的三维空间坐标和平方和确定BP神经网络的输入信息，使得输入信息包含待估算位置点丰富的位置特征，使得估算结果更加准确；相对于二维坐标增加了BP神经网络的输入层节点，防止输入模式过渡单调，确保BP神经网络的收敛。
在上述实施例的基础上，本实施例中根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息的步骤包括：将所述平方和作为ln函数中的对数，获取ln函数的值；计算所述平方和的算数平方根；将所述ln函数的值、平方和的算数平方根，以及所述三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息。
其中，ln函数的值为ln(x2+y2+z2)，平方和的算数平方根为将ln(x2+y2+z2)、/>以及三维空间坐标中的x坐标、y坐标和z坐标五个特征作为BP神经网络的输入信息。
本实施例中通过将ln函数的值、平方和的算数平方根，以及三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息，使得输入信息包含待估算位置点丰富的位置特征，使得估值结果更加准确；增加了BP神经网络的输入层节点，防止输入模式过渡单调，确保BP神经网络的收敛。
在上述各实施例的基础上，本实施例中根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤之前还包括：根据所述位置点样本的三维空间坐标，确定BP神经网络的多个输入信息；对所述位置点样本对应的多个输入信息和品位数据进行归一化，使得所述位置点样本对应的归一化后的多个输入信息和品位数据位于[-1,1]范围内；相应地，根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤包括：根据所述位置点样本对应的归一化后的输入信息和所述位置点样本的品位数据对所述BP神经网络进行训练。
具体地，若根据位置点样本的三维空间坐标确定的多个输入信息数量级之间相差太大，BP神经网络训练较为困难甚至难以收敛。为了防止输入信息中的较小值被较大值淹没，对输入信息进行归一化处理，将输入信息归一化到某一较小的区间内，如[-1,1]范围内。使用归一化后的输入信息对BP神经网络进行训练。
在上述各实施例的基础上，本实施例中所述BP神经网络中隐含层的节点数通过经验公式获取；所述隐含层的传递函数为双曲正切传递函数；所述BP神经网络中输出层的传递函数为线性传递函数。
具体地，通过经验公式获取BP神经网络中隐含层的节点数范围。选取节点数范围中的每个数进行实验，将实验中品位估值效果最好的节点数作为隐含层的节点数。
在上述各实施例的基础上，本实施例中对所述BP神经网络进行训练过程中的学习率的公式如下所示：
λ＝sign[D(k)D(k-1)]；
其中，α(k)为第k时刻的学习率，α(k-1)为第k-1时刻的学习率，D(k)表示第k时刻的负梯度，D(k-1)表示第k-1时刻的负梯度，sign表示符号函数。
具体地，当连续两次迭代的梯度方向相同时，表明下降的速度较慢，通过引入λ，增大BP神经网络中权重的增幅；当连续两次迭代的梯度方向相反时，表明下降的速度较快，减小BP神经网络中权重的增幅。连续两次迭代的梯度之间的差值越大，表明下降的速度较快，使权重的增幅减小；反之，使权重的增幅加大。本实施例通过自适应调整BP神经网络中的学习率，在保证BP神经网络训练速度的情况下提供训练的精确度。
下面对本发明实施例提供的BP神经网络的矿石品位估值装置进行描述，下文描述的BP神经网络的矿石品位估值装置与上文描述的BP神经网络的矿石品位估值方法可相互对应参照。
如图3所示，本实施例提供的基于BP神经网络的矿石品位估值装置包括获取模块301和估值模块302；
其中，获取模块301用于获取矿石中待进行品位估值的位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；
其中，待进行品位估值的位置点为需要进行品位估值的位置点，可以为从矿石中任意选择的位置点，也可以为根据矿石中钻孔的某些位置点确定的需要进行插值的位置点。位置点的三维空间坐标包括x坐标、y坐标和z坐标。其中，x坐标和y坐标根据位置点在地面上的投影位置确定，z坐标根据位置点的高程确定。
可以直接将三维空间坐标作为BP神经网络的输入信息，也可以对三维空间坐标中的三个坐标进行计算，将计算结果和原始三维空间坐标一起作为位置点的特征输入到BP神经网络中。本实施例不限于对三维空间坐标进行计算的方法。
估值模块302用于将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。
矿石的品位数据是指单位体积或单位重量矿石中有用组分或有用矿物的含量。使用BP神经网络根据输入信息对矿石中待进行品位估算的位置点进行品位估值。在进行品位估值之前需要对BP神经网络进行训练。矿石的位置点样本可以为矿石中钻孔的位置点，人工获取钻孔位置点处的品位数据。矿石的位置点样本的品位数据可以通过对矿石的历次勘查所得的化验表数据或者现有地质数据库中矿石的位置点样本的品位数据中获取。由于位置点样本的空间三维坐标和位置点样本的品位数据通过人工测量获取，所以需要对训练数据进行校验和核对，对异常的位置点样本和品位数据进行修正，保证训练数据的准确性，为品位估值提供良好的基础。
在对BP神经网络进行训练时，将矿石的位置点样本作为BP神经网络的输入。计算BP神经网络输出的品位数据与位置点样本的实际品位数据之间的差值。根据差值对BP神经网络中的参数进行调整，从而实现对BP神经网络中参数的优化。
本实施例一方面通过根据待估算位置点的三维空间坐标确定BP神经网络的输入信息，使得输入信息包含待估算位置点丰富的位置特征，使得估值结果更加准确；相对于二维坐标增加了BP神经网络的输入层节点，防止输入模式过渡单调，确保BP神经网络的收敛；另一方面，使用BP神经网络根据输入信息估算矿石的品位数据，在训练样本数量较少时，依然能保证矿石品位估算的精度。
在上述实施例的基础上，本实施例中获取模块具体用于：计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息。
在上述实施例的基础上，本实施例中获取模块具体用于：将所述平方和作为ln函数中的对数，获取ln函数的值；计算所述平方和的算数平方根；将所述ln函数的值、平方和的算数平方根，以及所述三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息。
在上述各实施例的基础上，本实施例中还包括预处理模块，用于根据所述位置点样本的三维空间坐标，确定BP神经网络的多个输入信息；对所述位置点样本对应的多个输入信息与品位数据进行归一化，使得所述位置点样本对应的归一化后的多个输入信息和品位数据都位于[-1,1]范围内；相应地，还包括训练模块，用于根据所述位置点样本对应的归一化后的输入信息和所述位置点样本的品位数据对所述BP神经网络进行训练。
在上述各实施例的基础上，本实施例中所述BP神经网络中隐含层的节点数通过经验公式获取；所述隐含层的传递函数为双曲正切传递函数；所述BP神经网络中输出层的传递函数为线性传递函数。
在上述各实施例的基础上，本实施例中对所述BP神经网络进行训练过程中的学习率的公式如下所示：
λ＝sign[D(k)D(k-1)]；
其中，α(k)为第k时刻的学习率，α(k-1)为第k-1时刻的学习率，D(k)表示第k时刻的负梯度，D(k-1)表示第k-1时刻的负梯度，sign表示符号函数。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行基于BP神经网络的矿石品位估值方法，该方法包括：获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于BP神经网络的矿石品位估值方法，该方法包括：获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于BP神经网络的矿石品位估值方法，该方法包括：获取矿床中待进行品位估算的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于BP神经网络的矿石品位估值方法，其特征在于，包括：
获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；
将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取；
根据所述三维空间坐标确定BP神经网络的输入信息的步骤包括：
计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；
根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息；
根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息的步骤包括：
将所述平方和作为ln函数中的对数，获取ln函数的值；
计算所述平方和的算数平方根；
将所述ln函数的值、平方和的算数平方根，以及所述三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息；
根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤之前还包括：
根据所述位置点样本的三维空间坐标，确定BP神经网络的多个输入信息；
对所述位置点样本对应的多个输入信息与所述位置点样本的品位数据进行归一化，使得所述位置点样本对应的归一化后的多个输入信息与品位数据位于[-1,1]范围内；
相应地，根据所述矿石的位置点样本和所述位置点样本的品位数据对所述BP神经网络进行训练的步骤包括：
根据所述位置点样本对应的归一化后的输入信息和品位数据对所述BP神经网络进行训练；
对所述BP神经网络进行训练过程中的学习率的公式如下所示：
λ＝sign[D(k)D(k-1)]；
其中，α(k)为第k时刻的学习率，α(k-1)为第k-1时刻的学习率，D(k)表示第k时刻的负梯度，D(k-1)表示第k-1时刻的负梯度，sign表示符号函数。
2.根据权利要求1所述的基于BP神经网络的矿石品位估值方法，其特征在于，所述BP神经网络中隐含层的节点数通过经验公式以及试验对比获取；
所述隐含层的传递函数为双曲正切传递函数；
所述BP神经网络中输出层的传递函数为线性传递函数。
3.一种基于BP神经网络的矿石品位估值装置，其特征在于，包括：
获取模块，用于获取矿床中待进行品位估值的矿石中位置点的三维空间坐标，根据所述三维空间坐标确定BP神经网络的输入信息；
估值模块，用于将所述输入信息输入到所述BP神经网络，输出所述位置点的品位数据；其中，所述BP神经网络根据所述矿石的位置点样本和所述位置点样本的品位数据进行训练获取；
所述获取模块具体用于：
计算所述三维空间坐标中x坐标、y坐标和z坐标的平方和；
根据所述三维空间坐标和所述平方和，确定BP神经网络的输入信息；
所述获取模块进一步用于：
将所述平方和作为ln函数中的对数，获取ln函数的值；
计算所述平方和的算数平方根；
将所述ln函数的值、平方和的算数平方根，以及所述三维空间坐标中的x坐标、y坐标和z坐标作为所述BP神经网络的输入信息；
还包括训练模块，用于：
根据所述位置点样本的三维空间坐标，确定BP神经网络的多个输入信息；
对所述位置点样本对应的多个输入信息与所述位置点样本的品位数据进行归一化，使得所述位置点样本对应的归一化后的多个输入信息与品位数据位于[-1,1]范围内；
根据所述位置点样本对应的归一化后的输入信息和品位数据对所述BP神经网络进行训练；
对所述BP神经网络进行训练过程中的学习率的公式如下所示：
λ＝sign[D(k)D(k-1)]；
其中，α(k)为第k时刻的学习率，α(k-1)为第k-1时刻的学习率，D(k)表示第k时刻的负梯度，D(k-1)表示第k-1时刻的负梯度，sign表示符号函数。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1或2所述基于BP神经网络的矿石品位估值方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1或2所述基于BP神经网络的矿石品位估值方法的步骤。
CN202010779982.4A 2020-08-05 2020-08-05 基于bp神经网络的矿石品位估值方法及装置 Active CN112016956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010779982.4A CN112016956B (zh) 2020-08-05 2020-08-05 基于bp神经网络的矿石品位估值方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010779982.4A CN112016956B (zh) 2020-08-05 2020-08-05 基于bp神经网络的矿石品位估值方法及装置

Publications (2)

Publication Number Publication Date
CN112016956A CN112016956A (zh) 2020-12-01
CN112016956B true CN112016956B (zh) 2023-08-08

Family

ID=73500126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010779982.4A Active CN112016956B (zh) 2020-08-05 2020-08-05 基于bp神经网络的矿石品位估值方法及装置

Country Status (1)

Country Link
CN (1) CN112016956B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723471B (zh) * 2021-08-09 2024-05-07 北京工业大学 纳米颗粒浓度和粒径估算方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107211592B (zh) * 2011-02-18 2014-11-05 核工业北京地质研究院 一种基于空间变异分析的地质信息插值计算方法
CN106600537A (zh) * 2016-12-14 2017-04-26 云南师范大学 一种反距离权重的异向性三维空间插值方法
CN107780938A (zh) * 2016-08-30 2018-03-09 丹东东方测控技术股份有限公司 一种实现露天矿挖掘设备控制矿石出矿品位的方法
CN110245326A (zh) * 2019-06-13 2019-09-17 武汉轻工大学 基于神经网络的数据估算方法、设备、存储介质及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110225097A1 (en) * 2009-11-23 2011-09-15 The University Of Manchester Method and apparatus for valuation of a resource
US20130083967A1 (en) * 2010-05-26 2013-04-04 Ambercore Software Inc. System and Method for Extracting Features in a Medium from Data Having Spatial Coordinates
NL2016542B1 (en) * 2016-04-04 2017-10-10 Fugro N V Spatial data analysis.
US11468315B2 (en) * 2018-10-24 2022-10-11 Equifax Inc. Machine-learning techniques for monotonic neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107211592B (zh) * 2011-02-18 2014-11-05 核工业北京地质研究院 一种基于空间变异分析的地质信息插值计算方法
CN107780938A (zh) * 2016-08-30 2018-03-09 丹东东方测控技术股份有限公司 一种实现露天矿挖掘设备控制矿石出矿品位的方法
CN106600537A (zh) * 2016-12-14 2017-04-26 云南师范大学 一种反距离权重的异向性三维空间插值方法
CN110245326A (zh) * 2019-06-13 2019-09-17 武汉轻工大学 基于神经网络的数据估算方法、设备、存储介质及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Grade 3D Block Modeling and Reserve Estimation of the C-North Iron Skarn Ore Deposit, Sangan, NE Iran;Ali Rezaei 等;Global Journal of Earth Science and Engineering;23-37 *

Also Published As

Publication number Publication date
CN112016956A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
US10439594B2 (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
Praveen et al. Low cost PSO using metamodels and inexact pre-evaluation: Application to aerodynamic shape design
Buzzard Global sensitivity analysis using sparse grid interpolation and polynomial chaos
AU2009341852B2 (en) Adjoint-based conditioning of process-based geologic models
CN104573333A (zh) 利用聚类分析进行模型优选的方法
Kumar et al. Ensemble-based assimilation of nonlinearly related dynamic data in reservoir models exhibiting non-Gaussian characteristics
CN111597753B (zh) 数据深度变化特征自适应的二维电阻率反演方法及系统
CN110879412A (zh) 地下横波速度反演方法、装置、计算设备及存储介质
CN112016956B (zh) 基于bp神经网络的矿石品位估值方法及装置
CN112257021A (zh) 一种可选的克里金空间插值降雨量估算方法
Zhang et al. An improved moving least squares method for curve and surface fitting
CN115640888A (zh) 一种递减函数嵌入式门限序列网络的产量预测方法
CN109540089A (zh) 一种基于贝叶斯-克里金模型的桥面高程拟合方法
Smolik et al. Radial basis function and multi-level 2D vector field approximation
WO2022015310A1 (en) Estimation of global thermal conditions via cosimulation of machine learning outputs and observed data
US8942966B2 (en) Method for parameterizing and morphing stochastic reservoir models
US11513255B2 (en) Method of characterising a subsurface volume
Duvelmeyer et al. A multi-parameter regularization approach for estimating parameters in jump diffusion processes
Jahanbakhshi et al. Joint estimation of facies boundaries and petrophysical properties in multi-facies channelized reservoirs through ensemble-based Kalman filter and level set parametrization
US10262021B2 (en) Methods and systems for processing data using QR factorization
CN106556870B (zh) 一种基于保持边缘的测井建模方法和系统
CN113866827A (zh) 一种解释性速度建模地震成像方法、系统、介质和设备
CN111209674A (zh) 一种河道砂建模方法、设备及可读存储介质
Chen et al. The improved Kriging interpolation algorithm for local underwater terrain based on fractal compensation
Hurtado-de-Mendoza et al. Non-modal analysis of linear multigrid schemes for the high-order Flux Reconstruction method

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