基于主成分分析与神经网络采矿方法的优选分析.docVIP

基于主成分分析与神经网络采矿方法的优选分析 王进 方圆(德安)矿业投资有限公司 X 关注成功！ 加关注后您将方便地在 我的关注中得到本文献的被引频次变化的通知！ 新浪微博 腾讯微博 人人网 开心网 豆瓣网 网易微博 摘????要： 采矿方法优选的过程中, 单一的神经网络并不能充分发挥优选作用, 将其与成分分析法有机结合并构建优选模型, 这不仅能够有效减少神经网络关联性较弱的数据量, 而且还能针对神经网络存在的不足进行具体弥补, 以此提高预测准确度。本文首先介绍了主成分分析法, 然后对神经网络展开了具体分析, 最后探究了二者结合在采矿方法优选中的应用。 关键词： 主成分分析; 神经网络; 采矿方法; 近年来, 我国矿山生产活动逐渐增多, 因此, 采矿方法被提出了较高的适用标准, 选择正确的、高效的采矿方法能够增加矿山生产的安全性, 同时, 还会提高矿山企业的经济效益。由于传统的采矿方法较单一, 并且预测准确率较低, 因此, 本文应用神经网络与成分分析法相结合的方式对其优选, 以此简化网络结构、提高预测精度。 1 主成分分析法基本介绍 该方法进行信息提取时, 能够从可见变量入手, 并将提取后的变量信息重组, 并进行隐含变量处理。这一方法常用原则为:原变量信息尽量不变, 即使有个别变化现象发生, 所替代的主成分也要相应减少, 以此增大方差、降低问题难度。 基本思想:从上述原则介绍中能够看出, 问题分析时会受较多因素 (变量/目标) 影响, 为了促使探究问题有效解决, 应总结变量间的相关性, 并针对共同影响因素具体划分, 即综合目标被具体划分, 其中, 被划分后的指标能够具备原始变量信息, 彼此间又互不影响, 这能够在一定程度上减少信息渗透, 同时, 还会降低问题难度。 基本原理:在实际问题中, 随机变量由X表示, 变量个数多少分别显示于X下角标, 协方差矩阵主要由Σ表示, Σ具有明显的特征值以及特征向量, 其中, 主成分信息除以总信息即贡献率的计算方式, 主成分由字母λ表示, 贡献率由字母Y表示, 往往首个主成分包含大量信息, 并且贡献率相对较大。用前M个主成分Y1~Ym代替X1~Xm, 这不仅会保持原始变量信息的完整性, 而且还会适当降低变量维数。 图1 平面坐标轴样品点分布 ??下载原图 几何意义:在所构建的模型中针对多数量样品进行分布情况分析, 其中, 单个样品中的观测量为两个, 用字母X表示, 具体分布如下图所示。从中可知, 样品分布无序, 并且离散现象明显, 但坐标轴进行适当调整, 进而坐标轴Y会加大样品点间的距离, 即代表观测方差的增大。 2 神经网络具体分析 它主要由神经元组成, 所组成的网络结构具有较强非线性映射能力, 信息常处于神经元权重范围内, 以此增强网络鲁棒性。其中, 反向传输算法又是这一算法的别称, 即神经网络有序性以及稳定性借助权重有序调节来实现, 其中权重分布又可以通过误差函数数值来改变, 以此完成适当输出任务。此外, 隐含层、输入层和输出层是基本层数构成, 这三层又代表了正向传播方向, 神经元间互相影响, 一旦出现输出结果不符合预期时, 此时应适当调整信号传播程序, 在此期间, 不断缩小误差函数值, 确保信息全面提取工作顺利进行[1]。 模型训练算法:要想提高网络高效性, 应有效处理输入样本, 此时具体训练方法流程为:样本对 (包含输入和输出信息) 正常提交于网络, 接下来进行网络有效性训练, 以此促使网络神经元合理分配, 提高阈值和权值准确性, 当网络输入样本所得的输出结果接近于既定输出结果时, 则证明网络训练过程能够顺利进行, 在这一过程中, 训练算法指的是网络权值有效调整以及合理修正的基本规则。 3 采矿方法优选过程中主成分分析与神经网络的应用 将二者有机结合, 同时构建预测模型, 即借助主成分分析法有效拆分原始变量信息相关性, 并将无效信息针对性删除, 这不仅会降低数据维度, 有效提炼主成分, 而且还会减少节点数量、完成输入神经元和网络模型的构建活动。 3.1 软件介绍 社会科学用统计软件包简称为SPSS, 它能够广泛搜集信息数据, 并且分析功能丰富, 将这一软件应用到采矿方法优选中, 这不仅能够得到丰富数据信息, 而且还会提高信息分析的准确性, 同时, 还会得到较多分析方法支持。 3.2 相关性分析 借助SPSS软件进行相关性分析, 变量因素主要有倾角、长度、采矿功效、上盘稳固性、倾角、矿成本、采场生产能力、厚度、下盘稳固性、损失率、采矿功效和贫化率采;输出因素即采矿方法。开采技术条件和技术经济指标主要由表1和表2所示。 表1 开采技术条件 ?? 下载原表 表2 开采经济指标 ?? 下载原表 3.3 数据处理 采矿方法优选过程中在数据等级方面存在差异性, 因此,