基于遺傳算法的主成分選擇方法在選礦精礦產(chǎn)量與精礦品位預報中的應用.pdf

1、選礦過程就是將從地下開采出來的原礦石經(jīng)過物理/化學變化使有用礦物進行富集的過程[1，2]。富集的有用成分稱為精礦。而其富集的程度即為精礦品位，其產(chǎn)量稱為精礦產(chǎn)量。精礦品位和精礦產(chǎn)量都是選礦生產(chǎn)過程的重要生產(chǎn)指標，如何合理設(shè)定精礦品位和精礦產(chǎn)量的目標值以有效地調(diào)控生產(chǎn)過程是保證選礦生產(chǎn)企業(yè)效益的關(guān)鍵。
　　而選礦過程是典型的流程工業(yè)過程，它由一系列的生產(chǎn)工序串聯(lián)組成，每個工序都有衡量其效果或相關(guān)指標的工序指標。而這些工序指標直接或間

2、接影響選礦過程的精礦產(chǎn)量和精礦品位這兩個綜合生產(chǎn)指標。因此，如果能夠有效地考慮選礦過程中的各個工序的生產(chǎn)指標與綜合精礦產(chǎn)量以及綜合精礦品位指標之間的關(guān)系，建立相應的關(guān)系模型，這樣便可以根據(jù)既定的各個工藝指標的值在離線測驗出精礦產(chǎn)量指標與精礦品位指標之前預報出他們的值。這樣便可以有效地、及時的調(diào)整生產(chǎn)設(shè)定值，是解決選礦流程大滯后這一特點的有效方法。因此，本文的目的便是基于機器學習的方法提出精礦產(chǎn)量與精礦品位的預報方法，實現(xiàn)精礦產(chǎn)量與精礦品

3、位指標的準確預報。
　　本文依托國家自然科學基金“動態(tài)環(huán)境下復雜工業(yè)全過程多工序工藝指標閉環(huán)優(yōu)化決策方法”，提出了一種新型方法:基于遺傳算法的主成分選擇方法;之后將其分別應用到精礦產(chǎn)量和精礦品位指標的預報中，有效地提高了選礦綜合精礦產(chǎn)量與精礦品位指標的預報精度。本文的主要研究工作如下:
　　(1)提出了基于遺傳算法的主成分選擇方法
　　主成分分析是一種有效的特征提取方法，原變量經(jīng)由主成分分析法線性變換為相同數(shù)量的主成分

4、之后，需要有效的主成分選擇方法來保證選出的主成分既能保留有足夠的有價值信息，以代表所有的數(shù)據(jù)，又要保證選出的主成分對于預測輸出變量具有重要作用，這是主成分選擇問題的難點所在。本文提出的基于遺傳算法的主成分選擇方法根據(jù)主成分在訓練集上的表現(xiàn)對主成分組合加以評價，保證選出的主成分對于預測輸出具有重要作用，同時衡量每個主成分組合的總的方差貢獻率大小，保證主成分組合具有一定量的信息。通過仿真實驗測試，并與現(xiàn)有的主成分選擇方法的實驗效果進行對比，

5、表明了本文提出的方法的有效性。
　　(2)建立了基于LS-SVM和基于遺傳算法的主成分選擇方法的精礦產(chǎn)量預報模型
　　由于選礦的生產(chǎn)流程工藝指標與綜合產(chǎn)量指標之間的關(guān)系復雜，不能夠使用機理模型進行建模，因此本文采用LS-SVM對各個工藝指標與綜合產(chǎn)量指標之間的關(guān)系進行建模。LS-SVM的模型參數(shù)用粒子群算法進行優(yōu)化。而本文提出的基于遺傳算法的主成分選擇方法用于對LS-SVM模型的輸入數(shù)據(jù)進行特征提取，去除噪聲和冗余，通知保留

6、有用信息，最終達到提高模型預報精度的目的。通過對比之前存在的方法:程偉建提出的“LS-SVM方法和自適應混沌粒子群優(yōu)化算法”的建模方法，表明本文方法有效地提高了精礦產(chǎn)量指標的預測精度。
　　(3)建立了基于遺傳算法的主成分選擇方法和基于“線性模型加非線性誤差補償模型”的精礦品位預報模型
　　針對精礦品位指標以及相關(guān)數(shù)據(jù)的特點，本文采用一種比較有效的精礦品位預報模型，即“線性模型加非線性誤差補償模型”。并利用本文提出的“基于遺