本發(fā)明涉及一種礦石的檢測(cè)技術(shù)，具體涉及一種鐵礦石的分類(lèi)建模方法。

背景技術(shù)：

鐵礦石(赤鐵礦、磁鐵礦)具有很高的鐵含量，是鋼鐵生產(chǎn)企業(yè)的重要原材料，鋼鐵產(chǎn)品廣泛應(yīng)用建筑工程、機(jī)械制造、容器制造、造船、橋梁建造、鍋爐的爐殼和橋梁結(jié)構(gòu)，以及汽車(chē)大梁結(jié)構(gòu)、江海運(yùn)輸?shù)拇瑲?、某些機(jī)械零部件，還可以拼裝焊接成大型構(gòu)件等。

目前我國(guó)生產(chǎn)與出口的鋼鐵材料大多是原料的粗加工產(chǎn)品，而低檔產(chǎn)品與高檔產(chǎn)品的效益相差十幾倍。加之目前國(guó)際市場(chǎng)對(duì)高純度需求量的增加，如何利用簡(jiǎn)單有效、方便精確、成本低廉的方法鑒別預(yù)測(cè)礦石的種類(lèi)與其鐵含量的值尤為重要。

由于本實(shí)驗(yàn)的鐵礦石樣本數(shù)據(jù)來(lái)自于鞍千礦業(yè)，在鐵礦區(qū)除了有赤鐵礦石與磁鐵礦石外，還含有大量的花崗巖，千枚巖，綠泥石與赤鐵礦和磁鐵礦混合在一起。但是它們都含有很少的鐵含量，實(shí)際冶煉費(fèi)時(shí)費(fèi)工，需將赤鐵礦石和磁鐵礦石從中區(qū)分開(kāi)來(lái)。而用傳統(tǒng)分別鐵礦石種類(lèi)有兩種：一是傳統(tǒng)的人工方法，長(zhǎng)期從事鐵礦工作且有大量的經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)工程師進(jìn)行手標(biāo)本鑒別，這種方式精確度不高；另一種是通過(guò)化學(xué)方法進(jìn)行鑒別，精確度比較高，但是需要專(zhuān)業(yè)人員操作且存在分析周期長(zhǎng)、操作步驟復(fù)雜、使用儀器多、工作效率低、工作強(qiáng)度大等缺點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中鐵礦石的分類(lèi)存在精確度低、分析周期長(zhǎng)、工作效率低、強(qiáng)度大等不足，本發(fā)明要解決的問(wèn)題是提供一種可縮短分析周期、易操作、精度高的鐵礦石的分類(lèi)建模方法。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：

本發(fā)明一種鐵礦石的分類(lèi)建模方法，利用包含多個(gè)隱含層的elm算法建立礦石的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測(cè)分析各種礦石的種類(lèi)，包括以下步驟：

1)選取多份鐵礦石樣本進(jìn)行近紅外光譜實(shí)驗(yàn)得出其光譜數(shù)據(jù)并保存；

2)使用主元分析法即pca分析法對(duì)上述光譜數(shù)據(jù)進(jìn)行壓縮，降低光譜數(shù)據(jù)矩陣的維數(shù)；

3)將壓縮后的光譜數(shù)據(jù)分為兩部分，利用其中一部分?jǐn)?shù)據(jù)建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型，利用建立的定量分析數(shù)學(xué)模型對(duì)另一部分?jǐn)?shù)據(jù)進(jìn)行測(cè)試，預(yù)測(cè)出被測(cè)試部分鐵礦石的種類(lèi)。

使用主元分析法即pca分析法對(duì)上述光譜數(shù)據(jù)進(jìn)行壓縮包括以下步驟：

21)將樣本光譜數(shù)據(jù)制成m×n的矩陣，并對(duì)該矩陣進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的矩陣；

22)對(duì)標(biāo)準(zhǔn)化后的矩陣進(jìn)行奇異值分解，得到負(fù)載向量和得分向量；

23)利用負(fù)載向量和得分向量通過(guò)累計(jì)貢獻(xiàn)率法求取主元個(gè)數(shù)；

24)根據(jù)主元個(gè)數(shù)求取空間負(fù)載矩陣，進(jìn)而求出壓縮后的矩陣。

建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型為：

31)多個(gè)隱含層的elm模型中激活函數(shù)g(x)取sigmoid函數(shù)(g(x)＝1/(1+e^-x))，隱含層節(jié)點(diǎn)數(shù)取20～60，隱含層數(shù)目取3～5；

32)計(jì)算權(quán)值，將得到的鐵礦石訓(xùn)練集b20中的160～200組近紅外光譜數(shù)據(jù)矩陣{x,t}＝{xi,ti}(i＝1,2,3....q)，代入多個(gè)隱含層的elm算法，計(jì)算得到網(wǎng)絡(luò)權(quán)值，根據(jù)權(quán)值建立定量分析數(shù)學(xué)模型。

多隱含層elm算法包括以下步驟：

321)采集q個(gè)訓(xùn)練樣本{x,t}＝{xi,ti}(i＝1,2,3....q)，x是輸入樣本，t是輸入樣本的標(biāo)簽；多隱含層的elm網(wǎng)絡(luò)結(jié)構(gòu)的每一個(gè)隱含層都含有l(wèi)個(gè)隱層節(jié)點(diǎn)；隱含層采用的激活函數(shù)為sigmod函數(shù)：g(x)＝1/(1+e^-x)；

322)隨機(jī)初始化輸入層與第一個(gè)隱含層之間的權(quán)值w和第一個(gè)隱含層的閾值b；

323)計(jì)算第一個(gè)隱含層的輸出h為：h＝g(wx+b)；并對(duì)h進(jìn)行化簡(jiǎn)得：h＝g(wx+b)＝g([bw][1x]^t)＝g(wiexe)，將其作為總的隱含層的輸出，并且令wie＝[bw],xe＝[1x]^t；

324)計(jì)算隱含層與輸出層之間的輸出權(quán)值矩陣β，當(dāng)隱含層節(jié)點(diǎn)數(shù)l小于訓(xùn)練樣本的數(shù)目q時(shí)，采用計(jì)算權(quán)值；當(dāng)隱含層節(jié)點(diǎn)數(shù)l大于訓(xùn)練樣本的數(shù)目q時(shí)，采用計(jì)算權(quán)值；其中i為一個(gè)單位矩陣，λ為0至1之間的一個(gè)隨機(jī)數(shù)；

325)并由β值可得到網(wǎng)絡(luò)的第i+1個(gè)隱含層的輸出矩陣h1為：h1＝tβ⁺，且β⁺為β的廣義逆矩陣；且i＝1，2，3……；

326)計(jì)算第i個(gè)隱含層與第i+1個(gè)隱含層之間的權(quán)值w1，計(jì)算第i+1個(gè)隱含層的閾值b1，由h1＝tβ⁺且h1＝g(w1h+b1)＝g([b1w1][1h]^t)＝g(whehe)經(jīng)過(guò)g(x)的反函數(shù)運(yùn)算得出w1和b1的值為：

且whe＝[b1w1]，he＝[1h]^t

得到第(i+1)個(gè)隱含層的期望輸出h2：

h2＝g(whehe)

其中，g^-1(x)為激活函數(shù)的反函數(shù)，且i＝1，2，3……。

327)更新隱含層的輸出權(quán)值β：和其中i為一個(gè)單位矩陣，λ為0至1之間的一個(gè)隨機(jī)數(shù)；

328)計(jì)算最終網(wǎng)絡(luò)結(jié)構(gòu)的輸出：f(x)＝h2βnew。

本發(fā)明還包括以下步驟：

329)如果隱含層的數(shù)目大于2時(shí)，從步驟325)～327)進(jìn)行循環(huán)迭代，每一步循環(huán)后令β＝βnew,he＝[1h2]^t；

330)取其精確度最高的一組，同時(shí)保留下來(lái)對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)。

隱含層節(jié)點(diǎn)數(shù)的選取首先確定隱含層中節(jié)點(diǎn)數(shù)目的范圍，然后再通過(guò)不斷試驗(yàn)來(lái)選取效果最佳的隱含層節(jié)點(diǎn)數(shù)。

隱含層的個(gè)數(shù)通過(guò)不斷地試驗(yàn)來(lái)驗(yàn)證最佳的取值；

所述樣品礦石均為塊狀。

礦石包括赤鐵礦、磁鐵礦、花崗巖、千枚巖和綠泥石。

本發(fā)明具有以下有益效果及優(yōu)點(diǎn)：

1.本發(fā)明方法可以快速、準(zhǔn)確地實(shí)現(xiàn)鐵礦石的分類(lèi)，分析周期短、操作步驟簡(jiǎn)單，利用計(jì)算機(jī)建模并計(jì)算、提高了測(cè)試精度、提高了工作效率。

2.本發(fā)明方法的使用減少了儀器的投入和人力的投入，工作強(qiáng)度小，節(jié)約了生產(chǎn)所投入的成本，同時(shí)減少了人為誤差。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例中鐵礦石的分類(lèi)建模方法流程圖；

圖2為光譜數(shù)據(jù)壓縮流程圖；

圖3為建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型的流程圖；

圖4為本發(fā)明實(shí)施例中累計(jì)貢獻(xiàn)率法求主元個(gè)數(shù)在matlab中的仿真圖；

圖5為本發(fā)明實(shí)施例中多個(gè)隱含層的elm模型訓(xùn)練集輸出仿真圖；

圖6為本發(fā)明實(shí)施例中多個(gè)隱含層的elm模型測(cè)試集輸出仿真圖；

圖7為應(yīng)用本發(fā)明方法得到的每種礦石的正確率統(tǒng)計(jì)截圖。

具體實(shí)施方式

下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明作進(jìn)一步闡述。

如圖1所示，本發(fā)明一種選取的分類(lèi)建模方法，利用包含多個(gè)隱含層的elm算法建立礦石(包括赤鐵礦、磁鐵礦、花崗巖、千枚巖和綠泥石)的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測(cè)分析各種礦石的種類(lèi)，包括以下步驟：

1)選取多份鐵礦石樣本進(jìn)行紅外光譜實(shí)驗(yàn)得出其光譜數(shù)據(jù)并保存；其中樣品礦石均為塊狀；

2)使用主元分析法即pca分析法對(duì)上述光譜數(shù)據(jù)進(jìn)行壓縮，降低光譜數(shù)據(jù)矩陣所需的維數(shù)；

3)將壓縮后的光譜數(shù)據(jù)分為兩部分，利用其中一部分?jǐn)?shù)據(jù)建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型，利用建立的定量分析數(shù)學(xué)模型對(duì)另一部分?jǐn)?shù)據(jù)進(jìn)行測(cè)試，預(yù)測(cè)出被測(cè)試部分鐵礦石的種類(lèi)。

如圖2所示，使用主元分析法即pca分析法對(duì)上述光譜數(shù)據(jù)進(jìn)行壓縮包括以下步驟：

21)將樣本光譜數(shù)據(jù)制成m×n的矩陣，并對(duì)該矩陣進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的矩陣；

22)對(duì)標(biāo)準(zhǔn)化后的矩陣進(jìn)行奇異值分解，得到負(fù)載向量和得分向量；

23)利用負(fù)載向量和得分向量通過(guò)累計(jì)貢獻(xiàn)率法求取主元個(gè)數(shù)；

24)根據(jù)主元個(gè)數(shù)求取空間負(fù)載矩陣，進(jìn)而求出壓縮后的矩陣。

如圖3所示，建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型為：

31)多個(gè)隱含層的elm模型中激活函數(shù)g(x)取sigmoid函數(shù)(g(x)＝1/(1+e^-x))，隱含層節(jié)點(diǎn)數(shù)取40(節(jié)點(diǎn)數(shù)最合適的選擇空間為20至60)，隱含層數(shù)目取為3(隱層數(shù)最合適的選擇空間是3至5)；

32)計(jì)算權(quán)值，即將得到的鐵礦石訓(xùn)練集b20中的200(訓(xùn)練樣本數(shù)最合適的選擇空間是160至200)組近紅外光譜數(shù)據(jù)矩陣{x,t}＝{xi,ti}(i＝1,2,3....q)，代入多個(gè)隱含層的elm算法，得到權(quán)值，根據(jù)權(quán)值建立定量分析數(shù)學(xué)模型。

本實(shí)施例中，鐵礦石中礦石種類(lèi)分類(lèi)的建模方法應(yīng)用于塊狀鐵礦石鑒別，其詳細(xì)流程如下：

步驟1)中，準(zhǔn)備樣品：采集遼寧省鞍千礦業(yè)赤鐵礦石與磁鐵礦石作為樣品，將所采集的礦石切割成塊狀，將樣本分成2份，每一份等量分成252組并編號(hào)。a份的252組樣品按編號(hào)依次為a01、a02、…、a251、a252；b份的252組樣品按編號(hào)依次為b01、b02、…、b251、b252。其中，a份樣品用于采用現(xiàn)有化學(xué)方法鑒別其種類(lèi)；b份樣品用于采用本發(fā)明所述建模方法鑒別其種類(lèi)。

如圖1所示，首先采用美國(guó)svchr-1024便攜式地物光譜儀分別對(duì)b份樣品中的252組樣品依次進(jìn)行近紅外光譜實(shí)驗(yàn)，得到252組樣品的近紅外光譜數(shù)據(jù)并保存所得到的數(shù)據(jù)。將所得到的252組近紅外光譜數(shù)據(jù)中的前200組作為訓(xùn)練組b20，后52組作為測(cè)試組b10待用。

步驟2)中，使用主元分析法(pca)對(duì)252組近紅外光譜數(shù)據(jù)進(jìn)行壓縮，達(dá)到降低所述光譜數(shù)據(jù)矩陣的維數(shù)。

步驟21)中，數(shù)據(jù)標(biāo)準(zhǔn)化，即將所得到的252組近紅外光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。所得到的252組近紅外光譜數(shù)據(jù)表格制成m×n的矩陣，這里m＝252，n＝973，即得到的b份中252組光譜數(shù)據(jù)陣x(252×973)；代入下列公式進(jìn)行歸一化處理，得到標(biāo)準(zhǔn)化后的矩陣。

其中，n為樣本點(diǎn)個(gè)數(shù)，m為變量個(gè)數(shù)，i為樣本點(diǎn)索引，j為變量索引。

步驟22)中，奇異值分解，將上述步驟中得到的標(biāo)準(zhǔn)化后的矩陣進(jìn)行奇異值分解，得到負(fù)載向量和得分向量。

本實(shí)施例中具有252個(gè)樣本，973個(gè)變量，將矩陣分解為252個(gè)向量的外積之和，公式如式(4)：

x＝t1p1^t+t2p2^t+…+tmpm^t(4)

其中，ti為得分向量，pi為負(fù)荷向量。也可以寫(xiě)成式(5)的矩陣形式如下：

x＝tp^t(5)

其中，t＝[t1t2…tn]為得分矩陣，p＝[p1p2…pm]為負(fù)載矩陣。

步驟23)中，求主元個(gè)數(shù)，即求出累計(jì)貢獻(xiàn)率超過(guò)給定的特征值個(gè)數(shù)。

每個(gè)主元的方差和總方差的比值稱(chēng)為該主元對(duì)樣本總方差的貢獻(xiàn)率，將協(xié)方差矩陣的特征值從大到小排列，求其累積貢獻(xiàn)率。本發(fā)明實(shí)施例采用累計(jì)貢獻(xiàn)率法來(lái)確定主元個(gè)數(shù)，當(dāng)某些主成分的累積貢獻(xiàn)率超過(guò)一定的指標(biāo)后，我們就可以認(rèn)為這些主成分可以綜合原數(shù)據(jù)足夠多的信息。本發(fā)明在matlab中仿真累計(jì)貢獻(xiàn)率法求主元個(gè)數(shù)，當(dāng)主元個(gè)數(shù)為12時(shí)，仿真中選取的貢獻(xiàn)率特征值個(gè)數(shù)/總成分?jǐn)?shù)≥0.999，故選取主元個(gè)數(shù)為12，即變量數(shù)為12，其仿真圖如圖4所示。

主元個(gè)數(shù)的判斷是通過(guò)標(biāo)準(zhǔn)化后矩陣的協(xié)方差矩陣的特征值判斷的，得分向量就是所要得到的主元向量。

步驟24)中，數(shù)據(jù)重構(gòu)，根據(jù)主元個(gè)數(shù)求取主元空間負(fù)載矩陣，并求出壓縮后的矩陣。

將負(fù)載矩陣p＝[p1p2…pm]代入式(6)得到壓縮后的矩陣。

t＝xmxnpm(6)

所得的壓縮后的矩陣x(252×12)。

本實(shí)施例通過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化、奇異值分解求出負(fù)載向量和得分向量、特征值、求主元個(gè)數(shù)、根據(jù)主元個(gè)數(shù)求取主元空間的負(fù)載矩陣以及數(shù)據(jù)重構(gòu)這些步驟實(shí)現(xiàn)了數(shù)據(jù)的降維，將252×973的塊狀紅外光譜數(shù)據(jù)壓縮成252×12的粉狀紅外光譜數(shù)據(jù)。

步驟3)中，對(duì)步驟2)中壓縮后的近紅外光譜數(shù)據(jù)中的前200組即b20建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型，基于該數(shù)學(xué)模型對(duì)所壓縮后的近紅外光譜數(shù)據(jù)中的后52組即b10數(shù)據(jù)進(jìn)行預(yù)測(cè)。

多個(gè)隱含層的elm算法的主要思想是首先產(chǎn)生幾個(gè)不同隱含層數(shù)目的elm網(wǎng)絡(luò)，進(jìn)而找到最合適隱含層數(shù)目的elm網(wǎng)絡(luò)，從而得到最終的輸出結(jié)果。建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型：該多個(gè)隱含層的elm網(wǎng)絡(luò)的第一個(gè)隱含層的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，而且一旦生成后，它們的值將不變直到訓(xùn)練結(jié)束。因此，只需確定隱含層神經(jīng)元的激活函數(shù)、隱含層神經(jīng)元個(gè)數(shù)和網(wǎng)絡(luò)隱含層的個(gè)數(shù)，即可計(jì)算出輸出層權(quán)值β。

步驟31)中，多個(gè)隱含層的elm模型中激活函數(shù)g(x)取sigmoid函數(shù)(g(x)＝1/(1+e^-x))，隱含層節(jié)點(diǎn)數(shù)取40(節(jié)點(diǎn)數(shù)最合適的選擇空間為20至60)，隱含層數(shù)目取為3(隱層數(shù)最合適的選擇空間是3至5)；

步驟32)計(jì)算權(quán)值，將得到的鐵礦石訓(xùn)練集即b20中的200組近紅外光譜數(shù)據(jù)矩陣n＝{(xi,ti)|xi∈rⁿ,i＝1,…,n}代入建立多個(gè)隱含層的elm算法定量分析數(shù)學(xué)模型，可得到多隱含層elm算法：

本實(shí)施例是先用elm算法構(gòu)造出整個(gè)神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)的一些參數(shù)是未知的，通過(guò)訓(xùn)練參數(shù)就是即利用這200個(gè)數(shù)據(jù)，得到所需參數(shù)，這樣整個(gè)模型就建立起來(lái)，然后再用這個(gè)模型預(yù)測(cè)其它數(shù)據(jù)。

多隱含層elm算法包括以下步驟：

31)多個(gè)隱含層的elm模型中激活函數(shù)g(x)取sigmoid(g(x)＝1/(1+e^-x))，隱含層節(jié)點(diǎn)數(shù)取40(節(jié)點(diǎn)數(shù)最合適的選擇空間為20至60)，隱含層數(shù)目取為3(隱層數(shù)最合適的選擇空間是3至5)；

32)計(jì)算權(quán)值，將得到的鐵礦石訓(xùn)練集b20中的200(訓(xùn)練樣本數(shù)最合適的選擇空間是160至200)組近紅外光譜數(shù)據(jù)矩陣{x,t}＝{xi,ti}(i＝1,2,3....q)，代入多個(gè)隱含層的elm算法，得到網(wǎng)絡(luò)權(quán)值，根據(jù)權(quán)值建立定量分析數(shù)學(xué)模型。

多隱含層elm算法包括以下步驟：

321)采集q個(gè)訓(xùn)練樣本{x,t}＝{xi,ti}(i＝1,2,3....q)，x是輸入樣本，t是輸入樣本的標(biāo)簽；多隱含層的elm網(wǎng)絡(luò)結(jié)構(gòu)的每一個(gè)隱含層都含有l(wèi)個(gè)隱層節(jié)點(diǎn)；隱含層采用的激活函數(shù)為sigmod函數(shù)：g(x)＝1/(1+e^-x)；

322)隨機(jī)初始化輸入層與第一個(gè)隱含層之間的權(quán)值w和第一個(gè)隱含層的閾值b；

323)計(jì)算第一個(gè)隱含層的輸出h為：h＝g(wx+b)；并對(duì)h進(jìn)行化簡(jiǎn)得：h＝g(wx+b)＝g([bw][1x]^t)＝g(wiexe)，將其作為總的隱含層的輸出，并且令wie＝[bw],xe＝[1x]^t；

324)計(jì)算隱含層與輸出層之間的輸出權(quán)值矩陣β，當(dāng)隱含層節(jié)點(diǎn)數(shù)l小于訓(xùn)練樣本的數(shù)目q時(shí)，采用計(jì)算權(quán)值；當(dāng)隱含層節(jié)點(diǎn)數(shù)l大于訓(xùn)練樣本的數(shù)目q時(shí)，采用計(jì)算權(quán)值；其中i為一個(gè)單位矩陣，λ為0至1之間的一個(gè)隨機(jī)數(shù)；

325)并由β值可得到網(wǎng)絡(luò)的第i+1個(gè)隱含層的輸出矩陣h1為：h1＝tβ⁺，且β⁺為β的廣義逆矩陣；且i＝1，2，3……；

326)計(jì)算第i個(gè)隱含層與第i+1個(gè)隱含層之間的權(quán)值w1，計(jì)算第i+1個(gè)隱含層的閾值b1，由h1＝tβ⁺且h1＝g(w1h+b1)＝g([b1w1][1h]^t)＝g(whehe)經(jīng)過(guò)g(x)的反函數(shù)運(yùn)算得到w1和b1的值為：

且whe＝[b1w1]，he＝[1h]^t

得到第(i+1)個(gè)隱含層的期望輸出h2：

h2＝g(whehe)

其中，g^-1(x)為激活函數(shù)的反函數(shù)，且i＝1，2，3……。

327)更新隱含層的輸出權(quán)值β：和其中i為一個(gè)單位矩陣，λ為0至1之間的一個(gè)隨機(jī)數(shù)；

328)計(jì)算最終網(wǎng)絡(luò)結(jié)構(gòu)的輸出：f(x)＝h2βnew。

329)如果隱含層的數(shù)目大于2時(shí)，從步驟325)～327)進(jìn)行循環(huán)迭代，每一步循環(huán)后令β＝βnew,he＝[1h2]^t；

330)取其精確度最高的一組，同時(shí)保留下來(lái)對(duì)應(yīng)的參數(shù)。

所有的矩陣h,h1,h2都規(guī)范在-0.9與0.9之間，當(dāng)矩陣中的最大值大于1或者最小值小于-1時(shí)。

用matlab實(shí)現(xiàn)模型的仿真，并根據(jù)其準(zhǔn)確度作出圖像，得到多個(gè)隱含層的elm訓(xùn)練集輸出仿真圖如圖5所示，體現(xiàn)了五種礦石的訓(xùn)練集的分類(lèi)輸出。

將得到的鐵礦石樣本測(cè)試集即b10中的52組近紅外光譜數(shù)據(jù)矩陣帶入到多個(gè)隱含層的elm模型中，通過(guò)matlab實(shí)現(xiàn)仿真并計(jì)算得出結(jié)果，并根據(jù)其準(zhǔn)確度作出圖像，得到多個(gè)隱含層的elm測(cè)試集輸出仿真圖如圖6所示：五種礦石的測(cè)試集的分類(lèi)輸出。

將得出結(jié)果與樣品a份真實(shí)的礦石種類(lèi)與其中鐵含量的值作比較。

這里，采用化學(xué)實(shí)驗(yàn)的方法分別對(duì)樣品a份中的252組塊狀鐵礦石做實(shí)驗(yàn)并得到其種類(lèi)。

通過(guò)比較測(cè)試集預(yù)測(cè)值與真實(shí)值間對(duì)應(yīng)數(shù)值，可以看出多個(gè)隱含層的elm對(duì)于鐵礦石得到其種類(lèi)更加接近于實(shí)際。

對(duì)照組1，傳統(tǒng)人工建模方法

傳統(tǒng)的人工建模方法主要是長(zhǎng)期從事鐵礦石工作且有大量的經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)工程師對(duì)礦石進(jìn)行手工標(biāo)本鑒別。該建模方法簡(jiǎn)單快捷但是準(zhǔn)確度不高。

對(duì)照組2，現(xiàn)有化學(xué)實(shí)驗(yàn)建模方法

現(xiàn)有對(duì)鐵礦石的分類(lèi)與其中鐵含量的建模方法主要通過(guò)化學(xué)實(shí)驗(yàn)方法對(duì)待檢測(cè)礦石進(jìn)行測(cè)試。采用化學(xué)方法檢測(cè)所述礦石樣本中fe2o3、fe3o4、sio2、feo含量，計(jì)算出所述鐵礦石樣本中組分fe2o3、fe3o4、sio2、feo的質(zhì)量百分比，對(duì)照鐵礦石工業(yè)指標(biāo)中fe2o3、fe3o4、sio2、feo的質(zhì)量百分比得出所述鐵礦石樣本的種類(lèi)與鐵含量值。

實(shí)驗(yàn)組3，本發(fā)明建模方法

本實(shí)驗(yàn)組采用本發(fā)明實(shí)施例所述的一種鐵礦石的分類(lèi)建模方法對(duì)待檢測(cè)鐵礦石進(jìn)行測(cè)試，該建模方法是利用多個(gè)隱含層的elm算法建立鐵礦石的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測(cè)出鐵礦石的種類(lèi)與其中鐵含量的值。本發(fā)明所述建模方法分析周期短、操作步驟簡(jiǎn)單，利用計(jì)算機(jī)建模并計(jì)算、提高了測(cè)試精度、提高了工作效率。另外，該方法的使用減少了儀器和試劑的投入和大量人力的投入，工作強(qiáng)度小，節(jié)約了生產(chǎn)所投入的成本，同時(shí)減少了人為誤差。

如圖7所示，為應(yīng)用本發(fā)明方法得到的每種礦石的正確率matlab截圖。從圖中可以看到訓(xùn)練樣本中赤鐵礦的正確率為100％，磁鐵礦石的正確率為100％，花崗巖礦石的正確率為100％，千枚巖礦石的正確率為100％，綠泥石的正確率為100％；測(cè)試樣本中赤鐵礦的正確率為100％，磁鐵礦石的正確率為100％，花崗巖礦石的正確率為100％，千枚巖礦石的正確率為100％，綠泥石的正確率為100％。