目前,國(guó)內(nèi)外銅礦品位分析多以化學(xué)分析法為主,但由于化學(xué)分析法存在成本高、時(shí)間長(zhǎng)和污染物殘留等缺點(diǎn),其相對(duì)配礦流程存在嚴(yán)重的滯后效應(yīng),致使尾礦銅含量過(guò)高,必然造成資源浪費(fèi)。開(kāi)展斑巖型銅礦可見(jiàn)光-近紅外光譜特征與建模研究是解決這一問(wèn)題的有效途徑。以121個(gè)烏山斑巖型銅礦的化學(xué)分析與光譜測(cè)試數(shù)據(jù)為數(shù)據(jù)源,分析了斑巖型銅礦可見(jiàn)光-近紅外光譜特征,以主成分分析法（PCA）、局部線性嵌入算法（LLE）兩種降維算法對(duì)原始光譜數(shù)據(jù)進(jìn)行了處理,所降維數(shù)分別為3維和5維,同時(shí)利用遺傳算法（GA）對(duì)原始光譜數(shù)據(jù)進(jìn)行了波段選擇,共選取了467個(gè)最佳波段。然后以BP神經(jīng)網(wǎng)絡(luò)為建模方法,并分別以92個(gè)和29個(gè)斑巖型銅礦可見(jiàn)光-近紅外光譜數(shù)據(jù)作為建模樣本和測(cè)試樣本,建立了斑巖型銅礦可見(jiàn)光-近紅外光譜的定量反演模型。利用原始數(shù)據(jù)所建模型的品位反演平均絕對(duì)誤差為0.104%,利用主成分分析法、局部線性嵌入算法、遺傳算法處理后的數(shù)據(jù)所建模型品位反演平均絕對(duì)誤差分別為0.110%, 0.093%和0.045%,由此可見(jiàn),利用主成分分析法處理后的數(shù)據(jù)所建模型品位反演精度較差,利用局部線性嵌入算法處理后的數(shù)據(jù)所建模型品位反演精... 

【文章來(lái)源】：光譜學(xué)與光譜分析. 2020,40(08)北大核心EISCICSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

實(shí)驗(yàn)樣品可見(jiàn)光-近紅外光譜曲線

主成分分析法[13]是一種線性數(shù)據(jù)降維分析方法, 采用主成分分析法對(duì)斑巖型銅礦原始光譜數(shù)據(jù)進(jìn)行降維分析, 設(shè)置累計(jì)貢獻(xiàn)率為95%, 依據(jù)累計(jì)貢獻(xiàn)率計(jì)算最終降維維度d。 經(jīng)處理后, 原始數(shù)據(jù)被降為3維, 各維主成分所占貢獻(xiàn)率如圖2所示。 圖中橫坐標(biāo)為各主成分, 縱坐標(biāo)為各主成分貢獻(xiàn)率。(2)局部線性嵌入算法

式(1)中, Τ ^ ={t 1 ,t 2 ,?,t n } 為樣本銅含量的預(yù)測(cè)值, T={t1,t2,…,tn}為樣本銅含量的真實(shí)值, n為本實(shí)驗(yàn)測(cè)試樣本的樣本數(shù)目。經(jīng)遺傳算法處理后, 挑選出了467個(gè)最佳波段組合, 以此為依據(jù), 在所有樣本的光譜數(shù)據(jù)中選出對(duì)應(yīng)的467個(gè)波段反射率作為后續(xù)建模的輸入數(shù)據(jù)。

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)PCA與IHS融合的高光譜圖像異常檢測(cè)算法[J]. 江鐵成.  計(jì)算機(jī)工程與科學(xué). 2016(04)
[2]中國(guó)銅礦資源現(xiàn)狀及國(guó)家級(jí)銅礦床實(shí)物地質(zhì)資料篩選[J]. 鄧會(huì)娟,季根源,易錦俊,尚磊,姜愛(ài)玲.  中國(guó)礦業(yè). 2016(02)
[3]利用可見(jiàn)光近紅外的尾礦區(qū)農(nóng)田土壤Cu含量反演[J]. 呂杰,郝寧燕,崔曉臨.  農(nóng)業(yè)工程學(xué)報(bào). 2015(09)
[4]中國(guó)銅礦現(xiàn)狀及潛力分析[J]. 陳建平,張瑩,王江霞,肖克炎,婁德波,丁建華,陰江寧,向杰.  地質(zhì)學(xué)刊. 2013(03)
[5]基于連續(xù)投影算法的土壤總氮近紅外特征波長(zhǎng)的選取[J]. 高洪智,盧啟鵬,丁海泉,彭忠琦.  光譜學(xué)與光譜分析. 2009(11)



本文編號(hào)：3292826