CN117934019B - 一种基于深度学习的铜精矿样品溯源方法及系统 - Google Patents

一种基于深度学习的铜精矿样品溯源方法及系统 Download PDF

Info

Publication number
CN117934019B
CN117934019B CN202410332047.1A CN202410332047A CN117934019B CN 117934019 B CN117934019 B CN 117934019B CN 202410332047 A CN202410332047 A CN 202410332047A CN 117934019 B CN117934019 B CN 117934019B
Authority
CN
China
Prior art keywords
trace element
value
data
influence
copper concentrate
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
CN202410332047.1A
Other languages
English (en)
Other versions
CN117934019A (zh
Inventor
赵伟
杨涛
唐晨
封亚辉
郑建明
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.)
Nanjing Customs Industrial Product Testing Center
Original Assignee
Nanjing Customs Industrial Product Testing 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 Nanjing Customs Industrial Product Testing Center filed Critical Nanjing Customs Industrial Product Testing Center
Priority to CN202410332047.1A priority Critical patent/CN117934019B/zh
Publication of CN117934019A publication Critical patent/CN117934019A/zh
Application granted granted Critical
Publication of CN117934019B publication Critical patent/CN117934019B/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
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G01N27/626—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode using heat to ionise a gas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06Q30/018—Certifying business or products
    • 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)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Biomedical Technology (AREA)
  • Chemical Kinetics & Catalysis (AREA)

Abstract

本发明涉及原产地溯源技术领域，公开了一种基于深度学习的铜精矿样品溯源方法及系统，获取铜精矿样品信息，根据所有所述铜精矿样品信息中的微量元素种类检测频率对所述微量元素种类进行等级划分并计算所述微量元素种类的综合权重值，所述微量元素种类与所述铅同位素丰度比关联处理获得关联参数，构建深度学习模型，将待预测的铜精矿数据输入训练完成的深度学习模型，输出铜精矿原产地溯源结果；通过筛选的关联参数作为模型训练集，减少了数据量同时还保证训练集质量精度，用于模型训练有效提高模型的预测精度和稳定性。

Description

一种基于深度学习的铜精矿样品溯源方法及系统
技术领域
本发明涉及原产地溯源技术领域，尤其涉及一种基于深度学习的铜精矿样品溯源方法及系统。
背景技术
微量元素和同位素分析已成为确定物质原产地的重要手段，微量元素分析可以揭示出物质在形成过程中所经历的地质和地球化学过程，而同位素丰度比则提供了关于物质形成年代和来源区域的关键信息，特别是在地质学和地球科学领域，这些技术被广泛应用于矿石、土壤、水体等样本的原产地溯源研究。
基于上述缺陷，现有技术采取X射线荧光光谱结合同位素检测技术，通过检测获取不同矿区或原产地国家的样本数据中同位素丰度比、元素数据，构建分类预测模型，为其产地溯源提供理论和方法参考，将微量元素、铅同位素丰度比输入至模型中实现原产地溯源，得到原产地溯源结果，然而，由于微量元素和铅同位素丰度比在数据特性、变异性以及对原产地溯源的贡献程度上可能存在差异，若训练集不进行筛选处理直接进行预测，比较大的数据量为模型带来数据误差，降低原产地溯源的准确性，降低预测精度。
发明内容
为了解决上述技术问题，本发明提供了一种基于深度学习的铜精矿样品溯源方法及系统，通过筛选的关联参数作为模型训练集，以实现铜精矿样品原产地的溯源。
本发明提供了一种基于深度学习的铜精矿样品溯源方法，包括：
步骤S1，获取铜精矿样品信息，所述铜精矿样品信息包括微量元素信息和铅同位素丰度比；所述微量元素信息包括微量元素种类和微量元素种类含量；
步骤S2，根据所有所述铜精矿样品信息中的微量元素种类检测频率对所述微量元素种类进行等级划分并计算所述微量元素种类的综合权重值；
具体包括以下步骤：
步骤S21，根据微量元素种类等级为所述微量元素种类赋予权重值；
步骤S22，确定所述微量元素种类的影响因子；
步骤S23，确定所述影响因子的影响范围，将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度；
步骤S24，根据所述影响因子的贡献度与所述影响因子的具体数值确定所述微量元素种类的影响系数；
步骤S25，根据所述微量元素种类的影响系数以及所述微量元素种类权重值确定所述微量元素种类的综合权重值；
步骤S3，所述微量元素种类与所述铅同位素丰度比关联处理获得关联参数，具体包括以下步骤：
步骤S31，获取所述微量元素种类与所述铅同位素丰度比进行关联的关联数据集；
步骤S32，计算所述关联数据集中的所述微量元素种类与所述铅同位素丰度比的相关系数；
步骤S33，根据所述关联数据集中所述微量元素种类与所述铅同位素丰度比的相关系数与所述微量元素种类等级下所述微量元素种类的综合权重值相乘并求和，得到所述关联数据集的指标值；
步骤S34，根据所述关联数据集的指标值确定指标阈值，根据所述指标阈值筛选出关联参数；
步骤S4，构建深度学习模型，将所述关联参数的具体数值以及对应的目标值作为训练集，对深度学习模型进行训练，获得训练完成的深度学习模型；
步骤S5，将待预测的铜精矿数据输入训练完成的深度学习模型，输出铜精矿原产地预测结果。
进一步地，所述微量元素种类等级包括：高频微量元素种类、中频微量元素种类、低频微量元素种类；
所述高频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为95%-100%的元素，所述中频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为80%-96%的元素，所述低频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为1%-79%的元素。
进一步地，在所述步骤S23中确定所述影响因子的影响范围，将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度，包括：
所述影响范围有三个梯度，梯度包括：第一梯度，所述第一梯度的取值范围为：PA={PAA，PAB，PAC，...，PAH}；处于第一梯度的所述影响因子的贡献度的取值范围为A-H；
第二梯度，所述第二梯度的取值范围为：PB={PBI，PBJ，PBK，...，PBP}；处于第二梯度的所述影响因子的贡献度的取值范围为I-P；
第三梯度，所述第三梯度的取值范围为：PC={PCQ，PCR，PCS，...，PCZ}；处于第三梯度的所述影响因子的贡献度的取值范围为Q-Z；
获取所述微量元素种类的所述影响因子的具体数值并与所述影响范围比对，当所述影响因子的具体数值处于第一梯度、第二梯度、第三梯度中任一取值范围内，根据选取的所述影响范围确定所述影响因子的贡献度。
进一步地，所述影响因子包括微量元素种类平均含量和微量元素种类含量变化差值。
进一步地，将每个所述梯度的取值范围内的数据划分为三个阶梯，三个阶梯包括高阶梯、中阶梯和低阶梯，所述高阶梯的数据大于中阶梯的数据，中阶梯的数据大于低阶梯的数据，所述高阶梯、中阶梯和低阶梯内的数据均由高到低排列；每个梯度的所述影响因子的贡献度划分为三部分，包括第一贡献度、第二贡献度、第三贡献度，所述第一贡献度大于第二贡献度，所述第二贡献度大于第三贡献度，所述第一贡献度为所述高阶梯中数据对应的贡献度的数值范围，所述第二贡献度为所述中阶梯中数据对应的贡献度的数值范围，所述第三贡献度为所述低阶梯中数据对应的贡献度的数值范围。
进一步地，将每个梯度的取值范围内的数据划分为三个阶梯，包括：获取每个梯度的取值范围内数据最大值、数据最小值和数据中位值，将处于数据最大值和数据中位值的数据区间前2/3的数据划分为高阶梯，将处于数据中位值与数据最小值的数据区间后1/3的数据划分为低阶梯，将处于数据最大值和数据中位值的数据区间后1/3和数据中位值与数据最小值的数据区间前2/3的数据划分为中阶梯。
进一步地，根据选取的所述影响范围确定所述影响因子的贡献度，确定所述影响因子的具体数值与阶梯内最小值的相对位置，将相对位置映射到贡献度。
进一步地，所述微量元素种类的影响系数的计算公式为：
；
式中，代表第i个微量元素种类的影响系数，/>代表第i个微量元素种类的影响因子具体数值，/>代表第i个微量元素种类的影响因子贡献度。
进一步地，所述微量元素种类的综合权重值的计算公式为：
；
式中，代表第i个微量元素种类的综合权重值，/>代表第i个微量元素种类的影响系数，/>代表第i个微量元素种类的权重值。
进一步地，根据所述指标阈值筛选出关联参数，包括：当所述关联数据集的指标值大于等于所述指标阈值时，当前所述关联数据集中的参数为关联参数。
本发明实施例具有以下技术效果：
1.本发明通过计算每个微量元素种类的综合权重值，借助综合权重值与微量元素种类、铅同位素丰度比的相关系数相乘获得指标值，根据指标值和指标阈值获取最终的关联参数；通过筛选的关联参数作为模型训练集，减少了数据量同时保证训练集质量精度，用于模型训练有效提高模型的预测精度和稳定性，在数据特性、变异性以及对原产地溯源的贡献程度上的差异变小。
2.本发明选择微量元素种类和铅同位素丰度比相互关联的参数作为训练集，关联参数有效反映铜精矿形成环境、地质年代、矿物来源多方面的信息，进一步地反映铜精矿的地质背景和成因过程，从而准确识别原产地。
3.本发明考虑微量元素种类的影响因子，根据影响因子计算每个微量元素种类的影响系数，并为每个微量元素种类赋予权重值，通过权重值和影响系数相乘获得每个微量元素种类的综合权重值，将综合权重值考虑到关联数据集的指标值计算中，识别出对预测结果影响较大的关键微量元素种类，体现出不同微量元素种类在预测过程中的相对重要性，使得最终筛选出来的关联参数更加准确，提高模型的可信度和精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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它的附图。
图1是本发明实施例1提供的一种基于深度学习的铜精矿样品溯源方法的流程图；
图2是本发明实施例2提供的一种基于深度学习的铜精矿样品溯源系统的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
实施例1
图1是本发明实施例1提供的一种基于深度学习的铜精矿样品溯源方法的流程图。参见图1，具体包括：
步骤S1，获取铜精矿样品信息；获取不同来源地的铜精矿样品信息，不同来源地的铜精矿样品信息可以为不同国家的铜精矿样品信息，也可以是同一国家不同矿区的铜精矿样品信息，本实施例优选对三个来源地的铜精矿样品的原产地进行溯源，三个来源地为：科亚瓦西铜矿（COLLAHUASI）、安东尼安娜铜矿（ANTONIANA）、埃斯康迪达铜矿（ESCONDIDA）；
其中，所述铜精矿样品信息包括微量元素信息和铅同位素丰度比；所述微量元素信息包括微量元素种类和微量元素种类含量；所述微量元素种类包括镁元素、铝元素、硅元素、磷元素、硫元素、钾元素、钙元素、钛元素、铁元素、铜元素、锌元素、砷元素、钼元素、铒元素、铅元素共15种微量元素；其中微量元素种类含量是指每种微量元素种类的浓度；
通过样品溶解、化学分离并取上清液用于铅同位素的测试，样品中铅同位素丰度比测试在多接收电感耦合的离子体质谱仪中进行，测试得到的铅同位素比值包括这三种。
步骤S2，根据所有所述铜精矿样品信息中的微量元素种类检测频率对所述微量元素种类进行等级划分并计算所述微量元素种类的综合权重值；
首先，检测频率是指在多个铜精矿样品中某一微量元素种类被检测到的比率；根据铜精矿样品中的微量元素种类检测频率对微量元素种类进行等级划分，包括高频微量元素种类、中频微量元素种类、低频微量元素种类；所述高频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为95%-100%的元素，所述高频微量元素种类包括：铜元素、铁元素、硫元素、硅元素、铝元素，这五类元素在每个铜精矿样品中几乎每次都能检测到，是铜精矿的重要组成成分，也是铜精矿加工过程中伴随元素；所述中频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为80%-96%的元素，所述中频微量元素种类包括：镁元素、钾元素、铅元素，这三类元素在大多数铜精矿样品中能检测到，意味着这三个元素不如高频微量元素普遍，重要程度相较于高频微量元素种类低一些；所述低频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为1%-79%的元素，所述低频微量元素种类包括锌元素、钼元素，这两个元素在铜精矿样品中的出现频率较低，只在特定条件或类型的矿体中才会出现，反映了它们在铜成矿过程中的非必需性，因此，它们在预测原产地时缺乏足够的普遍性和代表性，不能作为稳定且可靠的指标，这些因素的复杂性和多变性导致低频微量元素种类在不同原产地的铜精矿样品中表现出较大的差异，从而增加了预测原产地的难度和不确定性，且低频微量元素种类的检出频率较低，对其进行检测和分析可能需要更多的时间和资源，为此，本实施例对原产地溯源过程中将低频微量元素种类剔除，仅考虑高频微量元素种类和中频微量元素种类；
进一步地，计算所述微量元素种类的综合权重值，具体包括以下步骤：
步骤S21，根据微量元素种类等级为所述微量元素种类赋予权重值；
所述高频微量元素种类（铜元素、铁元素、硫元素、硅元素、铝元素）由于在每个铜精矿中都能被检测到，对铜精矿的形成和性质起着重要作用，能够准确反映出高频微量元素种类在铜精矿中的重要性和影响力，为此，本实施例将高频微量元素种类的权重值赋值为0.85；所述中频微量元素种类（镁元素、钾元素、铅元素）虽然在大多数样品中存在，但并不能保证每个样品都能检测出镁元素、钾元素、铅元素，他们的普遍性和稳定性相较于高频微量元素种类低一些，为此，本实施例将中频微量元素种类的权重值设置为0.1；低频微量元素种类（锌元素、钼元素）由于检出频率低，可能只在特定条件下出现，因此它们在铜精矿样品中的分布较为不稳定和不可靠，为了避免这些元素对整体分析的干扰，为此本实施例将低频微量元素种类的权重值赋予0.05；通过上述的权重设置，可以更加突出高频元素种类在铜精矿中的主导地位，同时考虑中频元素种类的贡献程度，而低频元素种类的影响则被最小化，这有助于在铜精矿样品原产地预测中获得更准确、更有针对性的结果；
更进一步地，铜元素是铜精矿的主要成分，铜元素的普遍存在和高含量使其称为铜精矿形成和分类的关键因素，考虑到铜元素在铜精矿中的核心地位以及对精矿性质的决定性影响，为此，本实施例为铜元素的权重赋值为0.35；由于铁元素是铜精矿中常见的伴生元素，通常与铜元素共生，铁元素的含量和形态对铜精矿的加工利用和冶炼过程具有重要影响，考虑到铁元素在铜精矿中的普遍性和对冶炼过程的影响，本实施例为铁元素的权重赋值为0.2；由于硫元素通常以硫化物的形式存在于铜精矿中，硅元素通常以硅酸盐或硅质物的形式存在于铜精矿中，硫的含量和形态对铜精矿的冶炼工艺和环境保护有重要意义，硅的含量和存在形式可能对铜精矿的物理性质和加工性能产生影响，考虑到硅元素和硫元素在铜精矿中的相对重要性和普遍性，为此，本实施例为硫元素的权重赋值为0.15，为硅元素的权重赋值为0.09；铝元素虽然也是铜精矿中的常见元素，但其含量相较于铜元素、铁元素、硫元素、硅元素少一些，对铜精矿的主要性质影响相对小一些，为此，本实施例为铝元素的权重赋值为0.06；
尽管中频微量元素种类的普遍性和稳定性较低，但它们仍然可能对铜精矿的某些性质产生一定的影响，具体地，铅元素由于其对环境和冶炼过程的影响相对较大，为此，本实施例为铅元素的权重赋值为0.05，而镁元素和钾元素虽然也对铜精矿的性质有一定影响，但影响相对较小，为钾元素的权重赋值为0.03，为镁元素的权重赋值为0.02；
由于低频微量元素种类在铜精矿样品中的分布较为不稳定和不可靠，为锌元素的权重赋值为0.04，为钼元素的权重赋值为0.01；
步骤S22，确定所述微量元素种类的影响因子；
所述影响因子包括微量元素种类平均含量和微量元素种类含量变化差值；所述影响因子考虑的原因如下：
1.微量元素种类平均含量反映了微量元素种类在铜精矿样品中的普遍水平和基本特征，不同原产地的铜精矿由于地质背景、成矿条件等因素的差异，其微量元素种类的平均含量也会有所不同，因此，将微量元素种类平均含量作为后续影响系数的一部分，有助于捕捉这些差异，从而更准确地预测铜精矿的原产地；
2.微量元素种类含量变化差值体现了微量元素种类在不同样品之间的变异程度，即使两个原产地的铜精矿在微量元素种类平均含量上相近，但如果它们的含量变化差值较大，也说明这两个原产地在微量元素种类分布上存在显著差异，通过考虑微量元素种类含量变化差值，可以更全面地评估微量元素种类对铜精矿原产地的影响，提高预测的准确性和可靠性；
综上所述，通过综合微量元素种类平均含量和含量变化差值来计算综合权重值，可以更全面地反映微量元素种类在铜精矿中的整体作用和重要性，这样的权重设置不仅考虑了微量元素种类的普遍性，还考虑了它们的变异性和对铜精矿性质的潜在影响，从而提高了预测模型的性能和准确性；
步骤S23，确定影响因子的影响范围，将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度；
所述影响范围划分为三个梯度，梯度包括：第一梯度，所述第一梯度的取值范围为：PA={PAA，PAB，PAC，...，PAH}；处于第一梯度的所述影响因子的贡献度的取值范围为A-H；
第二梯度，所述第二梯度的取值范围为：PB={PBI，PBJ，PBK，...，PBP}；处于第二梯度的所述影响因子的贡献度的取值范围为I-P；
第三梯度，所述第三梯度的取值范围为：PC={PCQ，PCR，PCS，...，PCZ}；处于第三梯度的所述影响因子的贡献度的取值范围为Q-Z；
获取所述微量元素种类的所述影响因子的具体数值并与所述影响范围比对，当所述影响因子的具体数值处于第一梯度、第二梯度、第三梯度中任一取值范围内，根据选取的所述影响范围确定所述影响因子的贡献度；
进一步地，将每个所述梯度的取值范围内的数据划分为三个阶梯，三个阶梯包括高阶梯、中阶梯和低阶梯，所述高阶梯的数据大于中阶梯的数据，中阶梯的数据大于低阶梯的数据，所述高阶梯、中阶梯和低阶梯内的数据均由高到低排列；每个梯度的所述影响因子的贡献度划分为三部分，包括第一贡献度、第二贡献度、第三贡献度，所述第一贡献度大于第二贡献度，所述第二贡献度大于第三贡献度，所述第一贡献度为所述高阶梯中数据对应的贡献度的数值范围，所述第二贡献度为所述中阶梯中数据对应的贡献度的数值范围，所述第三贡献度为所述低阶梯中数据对应的贡献度的数值范围；
将每个梯度的取值范围内的数据划分为三个阶梯，包括：获取每个梯度的取值范围内数据最大值、数据最小值和数据中位值，将处于数据最大值和数据中位值的数据区间中前2/3的数据划分为高阶梯，将每个梯度的取值范围内处于数据中位值与数据最小值的数据区间中的后1/3的数据划分为低阶梯，将处于数据最大值和数据中位值的数据区间中后1/3和数据中位值与数据最小值的数据区间中前2/3的数据划分为中阶梯；
根据选取的所述影响范围确定所述影响因子的贡献度，通过所述影响因子的具体数值、取值范围内数据最大值、数据最小值确定当前影响因子在当前影响范围的相对位置，将相对位置映射到贡献度，当前影响因子在当前影响范围的相对位置的计算公式为：
；
其中，代表第i个微量元素种类中第h个影响因子的具体数值在第e个影响范围的第f个梯度的第g个阶梯内的相对位置，/>代表第i个微量元素种类中第h个影响因子的具体数值，/>代表第e个影响范围的第f个梯度的第g个阶梯内的最小值，代表第e个影响范围的第f个梯度的第g个阶梯内的最大值；
经过上述计算公式计算得到的当前影响因子在当前影响范围的相对位置的数值为介于0-1之间的数值，即相对位置；
本实施例中的当前影响因子在当前影响范围的相对位置映射为贡献值的映射函数为：
；
其中，代表第i个微量元素种类中的第h个影响因子具体数值在第e个影响范围的第f个梯度的第g个阶梯内的相对位置映射为贡献值的映射函数，/>代表第i个微量元素种类中第h个影响因子的具体数值在第e个影响范围的第f个梯度的第g个阶梯内的相对位置，/>为当前影响因子在第i个微量元素种类中第h个影响因子的具体数值在第e个影响范围的最大贡献度，/>为常数，本实施例将/>设置为定值，/>；
示例性地，假设本实施例中的影响因子的具体数值是50，该影响因子的取值范围是40到60，根据上面的公式计算出当前影响因子的相对位置：
相对位置 = (50 - 40) / (60 - 40) = 10 / 20 = 0.5；
数值0.5即为计算得到的相对位置的数值，表示当前影响因子的具体数值50位于其取值范围40到60的中间位置；接下来将当前相对位置映射到贡献度，将最大贡献度设定为100，那么贡献度的计算如下：
贡献度=相对位置最大贡献度=0.5/>100=50；
因此，该影响因子的贡献度为50，表示在当前影响范围内，当前影响因子对预测目标或整体影响的贡献程度为中等水平；
上述为本实施例给出的示例，当本实施例实际计算影响因子的贡献度时应采集铜精矿样品中的实时数据，其中元素含量将百分数形式转化为小时形式再进行计算；
步骤S24，根据所述影响因子的贡献度与所述影响因子的具体数值确定所述微量元素种类的影响系数；
所述微量元素种类的影响系数的计算公式为：
；
式中，代表第i个微量元素种类的影响系数，/>代表第i个微量元素种类的影响因子具体数值，/>代表第i个微量元素种类中第h个影响因子的具体数值，/>代表第i个微量元素种类中的第h个影响因子具体数值在第e个影响范围的第f个梯度的第g个阶梯内的相对位置映射为贡献值的映射函数，具体地是指第i个微量元素种类的影响因子的贡献度；
步骤S25，根据所述微量元素种类的影响系数以及所述微量元素种类权重值确定所述微量元素种类的综合权重值；
所述微量元素种类的综合权重值的计算公式为：
；
式中，代表第i个微量元素种类的综合权重值，/>代表第i个微量元素种类的影响系数，/>代表第i个微量元素种类的权重值。
步骤S3，所述微量元素种类与所述铅同位素丰度比关联处理获得关联参数，具体包括以下步骤：
步骤S31，获取所述微量元素种类与所述铅同位素丰度比进行关联的关联数据集；
将每个所述铅同位素丰度比与每个所述微量元素种类等级中的两个及两个以上的所述微量元素种类组合构成若干种所述关联数据集；所述关联数据集中包括组合完成的微量元素种类、微量元素种类含量、铅同位素丰度比以及对应的数值；
步骤S32，计算所述关联数据集中的所述微量元素种类与所述铅同位素丰度比的相关系数；
相关系数是指用来衡量微量元素种类和铅同位素丰度比之间线性关系强度和方向的统计量，相关系数的数值介于-1和1之间，当相关系数为1表示完全正相关，相关系数为-1表示完全负相关，相关系数为0表示没有线性关系，相关系数的计算公式为：
；
其中，代表第i个微量元素种类和第i个铅同位素丰度比的相关系数，/>代表微量元素种类数量，n代表微量元素种类的最大数量，/>和/>分别代表第i个微量元素种类的微量元素种类含量和铅同位素丰度比，/>和/>分别代表第i个微量元素种类的微量元素种类含量平均值和铅同位素丰度比平均值；
步骤S33，根据所述关联数据集中所述微量元素种类与所述铅同位素丰度比的相关系数与所述微量元素种类等级下所述微量元素种类的综合权重值相乘并求和，得到所述关联数据集的指标值；
所述关联数据集的指标值的计算公式为：
；
式中，代表所述关联数据集的指标值，j代表关联数据集的数量，q代表关联数据集的最大数量，q=10n，/>代表第j个关联数据集中第i个微量元素种类和第i个铅同位素丰度比的相关系数的绝对值，/>代表第j个关联数据集中第i个微量元素种类的综合权重值；
步骤S34，根据所述关联数据集的指标值确定指标阈值，根据所述指标阈值筛选出关联参数；
计算得到的关联数据集的指标值的取值范围在0-1之间；本实施例将指标阈值设定为0.8，一方面本实施例仅选取接近或达到指标阈值的关联数据集，明确区分出具有高度相关性的关联数据集，便于实现后续的原产地预测，另一方面，确保了筛选出的关联数据集在微量元素种类和铅同位素丰度比之间具有非常强的关联性，有效地排除那些仅具有中、弱关联性的关联数据集，有助于减少数据噪声和干扰，提高分析的准确性和可靠性；
根据所述指标阈值筛选出关联参数，包括：当所述关联数据集的指标值大于等于所述指标阈值时，当前所述关联数据集中的参数为关联参数。
步骤S4，构建深度学习模型，将关联参数、所述关联参数的具体数值以及对应的目标值作为训练集，对深度学习模型进行训练，获得训练完成的深度学习模型；
深度学习模型为BP神经网络分类识别模型，目标值是指关联参数对应的铜精矿样品十几所述的原产地，将原产地信息作为监督学习中的标签用于指导模型训练过程，通过反向传播算法来更新模型的权重，以最小化预测误差，使模型的预测更加接近实际的目标值；当预测误差达到接近误差阈值或模型训练达到设定的迭代次数而停止迭代时，代表模型训练完成。
步骤S5，将待预测的铜精矿样品数据输入训练完成的深度学习模型，输出铜精矿原产地预测结果；
待预测的铜精矿样品数据是指铜精矿样品中的微量元素种类的具体数值或铅同位素丰度比的具体数值；
本实施例采用BP神经网络分类识别模型，当输入层为关联参数时，训练集和原产地预测的准确识别率分别可以达到99.9%，相较于现有技术97%的识别率，关联参数作为输入层，能够充分提取和利用数据之间的关联性，这种关联性对于分类任务至关重要，相较于传统的输入层输入17个参数，本申请筛选后的关联参数能够更精确地捕捉数据的内在结构和特征，从而提高分类的准确性，高质量的训练数据以及足够的数据量对于提高模型的识别率至关重要，当训练数据包含丰富的样本和多样的特征时，模型能够学习到更多的信息，从而提高分类的准确性。
图2是本发明实施例2提供的一种基于深度学习的铜精矿样品溯源系统的结构图，参照图2，本实施例还提供一种基于深度学习的铜精矿样品溯源系统，用于执行实施例1所述的一种基于深度学习的铜精矿样品溯源方法，包括以下模块：
铜精矿样品信息获取模块：用于获取铜精矿样品信息；
微量元素种类等级划分及微量元素种类综合权重值计算模块：与铜精矿样品信息获取模块连接，用于对所述微量元素种类进行等级划分并计算所述微量元素种类的综合权重值；
关联模块：与微量元素种类等级划分及微量元素种类综合权重值计算模块连接，用于微量元素种类与铅同位素丰度比关联处理获得关联参数；
深度学习模型训练模块，与关联模块连接，用于将所述关联参数的具体数值以及对应的目标值作为训练集，对深度学习模型进行训练，获得训练完成的深度学习模型；
预测结果输出模块：与深度学习模型训练模块连接，用于将待预测的铜精矿数据输入训练完成的深度学习模型，输出铜精矿原产地预测结果。
实施例3
本实施例还提供的一种电子设备，电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器501可以运行所述程序指令，以实现上文所说明的本申请任意实施例的一种基于深度学习的铜精矿样品溯源方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置可以包括例如键盘、鼠标等等。该输出装置可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种基于深度学习的铜精矿样品溯源方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种基于深度学习的铜精矿样品溯源方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。

Claims (10)

1.一种基于深度学习的铜精矿样品溯源方法，其特征在于，包括：
步骤S1，获取铜精矿样品信息，所述铜精矿样品信息包括微量元素信息和铅同位素丰度比；所述微量元素信息包括微量元素种类和微量元素种类含量；
步骤S2，根据所有所述铜精矿样品信息中的微量元素种类检测频率对所述微量元素种类进行等级划分并计算所述微量元素种类的综合权重值；
具体包括以下步骤：
步骤S21，根据微量元素种类等级为所述微量元素种类赋予权重值；
步骤S22，确定所述微量元素种类的影响因子；
步骤S23，确定所述影响因子的影响范围，将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度；
步骤S24，根据所述影响因子的贡献度与所述影响因子的具体数值确定所述微量元素种类的影响系数；
步骤S25，根据所述微量元素种类的影响系数以及所述微量元素种类权重值确定所述微量元素种类的综合权重值；
步骤S3，所述微量元素种类与所述铅同位素丰度比关联处理获得关联参数，具体包括以下步骤：
步骤S31，获取所述微量元素种类与所述铅同位素丰度比进行关联的关联数据集；
步骤S32，计算所述关联数据集中的所述微量元素种类与所述铅同位素丰度比的相关系数；
步骤S33，根据所述关联数据集中所述微量元素种类与所述铅同位素丰度比的相关系数与所述微量元素种类等级下所述微量元素种类的综合权重值相乘并求和，得到所述关联数据集的指标值；
步骤S34，根据所述关联数据集的指标值确定指标阈值，根据所述指标阈值筛选出关联参数；
步骤S4，构建深度学习模型，将所述关联参数的具体数值以及对应的目标值作为训练集，对深度学习模型进行训练，获得训练完成的深度学习模型；
步骤S5，将待预测的铜精矿数据输入训练完成的深度学习模型，输出铜精矿原产地溯源结果。
2.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，所述微量元素种类等级包括：高频微量元素种类、中频微量元素种类、低频微量元素种类；
所述高频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为95%-100%的元素，所述中频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为80%-96%的元素，所述低频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为1%-79%的元素。
3.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，在所述步骤S23中确定所述影响因子的影响范围，将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度，包括：
所述影响范围有三个梯度，梯度包括：第一梯度，所述第一梯度的取值范围为：PA={PAA，PAB，PAC，...，PAH}；处于第一梯度的所述影响因子的贡献度的取值范围为A-H；
第二梯度，所述第二梯度的取值范围为：PB={PBI，PBJ，PBK，...，PBP}；处于第二梯度的所述影响因子的贡献度的取值范围为I-P；
第三梯度，所述第三梯度的取值范围为：PC={PCQ，PCR，PCS，...，PCZ}；处于第三梯度的所述影响因子的贡献度的取值范围为Q-Z；
获取所述微量元素种类的所述影响因子的具体数值并与所述影响范围比对，当所述影响因子的具体数值处于第一梯度、第二梯度、第三梯度中任一取值范围内，根据选取的所述影响范围确定所述影响因子的贡献度。
4.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，所述影响因子包括微量元素种类平均含量和微量元素种类含量变化差值。
5.根据权利要求3所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，将每个所述梯度的取值范围内的数据划分为三个阶梯，三个阶梯包括高阶梯、中阶梯和低阶梯，所述高阶梯的数据大于中阶梯的数据，中阶梯的数据大于低阶梯的数据，所述高阶梯、中阶梯和低阶梯内的数据均由高到低排列；每个梯度的所述影响因子的贡献度划分为三部分，包括第一贡献度、第二贡献度、第三贡献度，所述第一贡献度大于第二贡献度，所述第二贡献度大于第三贡献度，所述第一贡献度为所述高阶梯中数据对应的贡献度的数值范围，所述第二贡献度为所述中阶梯中数据对应的贡献度的数值范围，所述第三贡献度为所述低阶梯中数据对应的贡献度的数值范围。
6.根据权利要求5所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，将每个梯度的取值范围内的数据划分为三个阶梯，包括：获取每个梯度的取值范围内数据最大值、数据最小值和数据中位值，将处于数据最大值和数据中位值的数据区间前2/3的数据划分为高阶梯，将处于数据中位值与数据最小值的数据区间后1/3的数据划分为低阶梯，将处于数据最大值和数据中位值的数据区间后1/3和数据中位值与数据最小值的数据区间前2/3的数据划分为中阶梯。
7.根据权利要求3所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，根据选取的所述影响范围确定所述影响因子的贡献度，确定所述影响因子的具体数值与阶梯内最小值的相对位置，将相对位置映射到贡献度。
8.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，所述微量元素种类的影响系数的计算公式为：
；
式中，代表第i个微量元素种类的影响系数，/> 第i个微量元素种类的影响因子具体数值，/>代表第i个微量元素种类的影响因子的贡献度。
9.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，所述微量元素种类的综合权重值的计算公式为：
；
式中，代表第i个微量元素种类的综合权重值，/>代表第i个微量元素种类的影响系数，/>代表第i个微量元素种类的权重值。
10.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法，其特征在于，根据所述指标阈值筛选出关联参数，包括：当所述关联数据集的指标值大于等于所述指标阈值时，当前所述关联数据集中的参数为关联参数。
CN202410332047.1A 2024-03-22 2024-03-22 一种基于深度学习的铜精矿样品溯源方法及系统 Active CN117934019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410332047.1A CN117934019B (zh) 2024-03-22 2024-03-22 一种基于深度学习的铜精矿样品溯源方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410332047.1A CN117934019B (zh) 2024-03-22 2024-03-22 一种基于深度学习的铜精矿样品溯源方法及系统

Publications (2)

Publication Number Publication Date
CN117934019A CN117934019A (zh) 2024-04-26
CN117934019B true CN117934019B (zh) 2024-05-28

Family

ID=90767001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410332047.1A Active CN117934019B (zh) 2024-03-22 2024-03-22 一种基于深度学习的铜精矿样品溯源方法及系统

Country Status (1)

Country Link
CN (1) CN117934019B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401444A (zh) * 2020-03-16 2020-07-10 深圳海关食品检验检疫技术中心 红酒原产地的预测方法、装置、计算机设备及存储介质
CN114898109A (zh) * 2022-04-14 2022-08-12 中国自然资源航空物探遥感中心 一种基于深度学习的斑岩浅成低温热液型矿产预测方法及系统
CN117609848A (zh) * 2023-09-19 2024-02-27 昆明理工大学 基于深度学习矿产资源分类预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401444A (zh) * 2020-03-16 2020-07-10 深圳海关食品检验检疫技术中心 红酒原产地的预测方法、装置、计算机设备及存储介质
CN114898109A (zh) * 2022-04-14 2022-08-12 中国自然资源航空物探遥感中心 一种基于深度学习的斑岩浅成低温热液型矿产预测方法及系统
CN117609848A (zh) * 2023-09-19 2024-02-27 昆明理工大学 基于深度学习矿产资源分类预测方法及系统

Also Published As

Publication number Publication date
CN117934019A (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
JP2020501238A (ja) 顔検出トレーニング方法、装置及び電子機器
CN111879710B (zh) 钢结构涂层防腐性能评定方法、系统、服务器和存储介质
CN110018294B (zh) 土壤重金属检测值校正方法、装置和计算机存储介质
US11880776B2 (en) Graph neural network (GNN)-based prediction system for total organic carbon (TOC) in shale
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
CN113111305A (zh) 一种异常检测方法、装置、存储介质及电子设备
CN111582387A (zh) 一种岩石光谱特征融合分类方法及系统
CN116858789A (zh) 食品安全检测系统及其方法
CN117056834A (zh) 基于决策树的大数据分析方法
CN114611582B (zh) 一种基于近红外光谱技术分析物质浓度的方法及系统
CN113487223B (zh) 一种基于信息融合的风险评估方法和评估系统
CN117934019B (zh) 一种基于深度学习的铜精矿样品溯源方法及系统
US20200279148A1 (en) Material structure analysis method and material structure analyzer
CN116740900B (zh) 一种基于svm的电力施工预警方法及系统
CN115598164B (zh) 一种集成机器学习的土壤重金属浓度检测方法及系统
CN115266583B (zh) 环境光滤除方法、系统、计算机设备及计算机可读存储介质
CN116451081A (zh) 数据漂移的检测方法、装置、终端及存储介质
CN116482597A (zh) 电能表运行数据变量筛选方法、电子设备及存储介质
CN115754199A (zh) 基于隶属度函数和主成分分析的水质检测方法
CN114141316A (zh) 一种基于谱图分析的有机物生物毒性预测方法及系统
CN114694771A (zh) 样品分类方法、分类器的训练方法、设备和介质
CN117574245B (zh) 一种应用于山地勘探的智能检波器指标自检方法及系统
CN117929655B (zh) 一种气味强度检测方法、装置、设备、存储介质及车辆
CN113656395B (zh) 数据质量治理方法、装置、设备及存储介质
CN113740293B (zh) 基于近红外建模的尿素检测分析方法及装置

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