综合应用

风靡全球

综合应用

神经网络BP模型具有很强的预测功能,特别是与主成分分析法结合的神经网络BP模型解决了模型中输入、输出因素之间的相关性问题,大大提高了建模质量。利用改进的BP模型对对均值比较得出的结果进行验证,即可以验证均值比较的优劣,又可以进一步的得出选矿药剂的较佳用量。

数据预处理

将原始数据利用均值比较粗略的确定出在较目前选厂更优的精矿品位和回收率组合。根据第四章精矿品位和回收率均值比较的分析结果,选取经过分析所得的三组数据)作为验证子集,用第三章主成分分析后的数据作为训练子集输入改造过的ANN模型中进行预测。并将所得预测结果与期望输出进行比较验证,若预测结果与均值比较结果相吻合,则此模型成立。借助于SPSS中的主成分分析功能对数据进行主成分分析,由于主成分分析法要求数据标准化,首先对原始数据进行标准化处理。主成分计算后的数据.

无论在国内还是国外,神经网络预测模型在矿业中的应用尚属初级阶段,还有许多方面需要改善、提高。本论文综合应用神经网络技术、主成分分析法、均值比较等对选矿厂数学建模进行了进一步的探索与研究,

主要得出以下结论:

(1)BP神经网络由于其高度非线性映射的能力,现已在各种领域里得到了广泛的应用。但在BP网络的实际应用中,比较突出的问题是训练时间长、收敛速度慢的问题,而且选矿数据之间的关系较为复杂,各因素之间或多或少都有一些关联,这将大大影晌选矿广建模质量,所建BP网络精度不是很高,说明还存在一些理论问题有待进一步研究解决。为改善应用BP网络所建立的选厂经验预测模型,可综合应用神经网络与统计分析软件,对改进BP网络的预测精度有一定效果,有助于选矿厂的生产经营与管理,提高选厂的经济效益和资源回收率。

(2)本文将主成分分析法和BP网络方法相结合,对实际生产数据进行主成分分析后再用于BP网络建模.主成分分析法能够消除BP网络输入、输出数据间的相关性,并在保留数据最大量信息的前提下,对数据进行维数压缩,减少网络的输入数,简化网络结构,提高网络学习速率,提高选矿厂建模的质量。

(3)精矿品位和回收率之阁存在着一定的相关关系,使得选矿现场始终存在精矿品位和回收率很难同时达到最优值,存在着此消彼长的趋势。利用均值比较对实际生产数据进行分析,可获得精矿品位和回收率的较优组合,进而获得在此精矿品位和回收率下的合理的药剂用蚤。这一方法为浮选车间在较优的选别指标下确定更为合理的选矿药剂用量提供了一条捷径。另一方面在神经网络用于选矿厂建模过程中,一般只用于预测选矿效果,很少用于指导选矿现场。5PSS的均值比较,可弥补这一缺陷,丰富了神经网络的内容。

(4)均值比较得出几组精矿品位、回收率以及相应的选矿药剂的较优组合,利用已建立的主成分分析一神经网络BP模型进行验证,验证结果与数据分析结果相符。均值比较与主成分分析、神经网络BP模型联合应用于选矿现场生产可挖掘出潜在的精矿品位和回收率较佳结合下的选矿药剂用量,进而反过来控制一定的药剂量以求达到现有选矿条件下的精矿品位和回收率均可达到的较佳组合。

) g) W8 a6 G3 R

想自由ing

6666666666666666

想自由ing

66666666666666666666
( \5 b3 b, A% k