本文關鍵詞：組合算法在相山鈾礦資源巖石含礦類型識別中的應用　出處：《東華理工大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 含礦性識別 支持向量機 數據降維 分類算法 參數優(yōu)化

【摘要】：鈾礦資源不僅是自然資源的重要組成部分,更是人類社會賴以生存和物質發(fā)展的基礎。其開發(fā)和利用在推動國家富強、區(qū)域經濟增長、國家經濟安全的過程中起著重要的作用。目前,我國的礦床以中低品位為主,呈現出貧礦多富礦少的現象,而影響巖石含礦性的因素也錯綜復雜,這不僅給含礦性識別工作帶來了困難,也對我國鈾礦資源的開發(fā)與利用造成了影響。為了完善巖石含礦性識別的理論研究與實踐應用,利用數學算法建立組合模型從定量的角度對巖石含礦性進行分類識別對該領域的研究有著重要的意義。本文以相山鈾礦資源區(qū)域的3個礦床、55個樣本、20個微量元素變量作為分析樣本建立以下數學模型進行分析和研究:第一,對20個微量元素變量利用對應分析進行降維處理,找到對3種類型巖石(分別為:富礦石、貧礦石或蝕變巖和圍巖)影響較大的14個變量,分別為:U、Th、Mo、Yb、Y、P、Sr、Pb、Zr、K、Zn、Sm、Rb和Ta,并以此建立判別分析模型。本文將選取其中前45個樣本數據作為訓練樣本,后10個樣本數據作為測試樣本,得到實驗結果。結果表明,分類準確率從降維處理之前的70%提升為降維處理之后的80%,模型效果優(yōu)于降維前。第二,建立基于遺傳算法的BP神經網絡組合模型(BP-GA)對巖石的含礦性進行識別應用。利用GA進行變量篩選,挑選出對巖石含礦性分類影響最大的8個變量,分別為:U、Sr、Th、Ce、Hf、Mo、Zn、U、Pb,并以此建立GA-BP模型。結果表明,分類準確率由70%提升為降維后的90%,模型效果得到了一定程度的提高。第三,建立基于主成分的支持向量機組合模型(PCA-SVM)對巖石含礦性進行識別應用。由于影響巖石含礦性的成分存在復雜相關性,所以先利用PCA選取出累計貢獻率大于%85的6個主成分作為SVM的輸入變量。再采取網格搜索法(GS)、粒子群算法(PSO)及遺傳算法(GA)對SVM的主要參數c、g進行優(yōu)化。結果表明,不論哪一種參數優(yōu)化方法,在對原始數據進行PCA處理后,其分類準確率都得到了提高;利用GA優(yōu)化模型得到的效果最好,PCA-GA-SVM模型的分類準確率達到100%。上述幾種組合模型算法在鈾礦巖石含礦性識別中的研究與應用,為探索定量識別地質學科中巖石分類等問題提供了新的途徑與方法。
【學位授予單位】：東華理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：P619.14;TP18

【相似文獻】

中國期刊全文數據庫 前7條

1 馬中;《高等數學》教學中的類型識別[J];青海大學學報(自然科學版);2003年01期

2 ;氣象文摘[J];新疆氣象;1987年09期

3 江R，

本文編號：1309113