神经网络在选矿中应用.docVIP

神经网络在选矿中应用 　　[摘 要] 神经网络在选矿中的应用主要针对矿石可选性预测、选矿生产指标预报问题，建立相应的遗传神经网络模型。本文主要对基于人工神经网络的非线性建模在不同的选别方法下应用的优势与不足进行理论分析。 　　[关键词] 人工神经网络 浮选 磁选 重选 　　1. 前言 　　神经网络在矿业工程中的应用是从90 年代才开始的，主要应用于水力旋流器、磨矿回路、浮选回路、碳金浸出过程、试验研究这几个方面非线性建模及控制。采用的神经网络一般为多层前馈模型，BP 学习算法。由于神经网络具有鲁棒性、强适应性、可处理含噪信息等特点，预计将在选矿领域得到更加广泛的应用。 　　2. 人工神经网络简介 　　2.1 人工神经网络 　　人工神经网络是借鉴人类大脑和神经系统贮存、处理信息的某些特性而抽象出来的一种数学模型，这种模型为求解诸如多维、高阶问题提供了新的手段和方法。人工神经网络的研究要以神经生理学为基础。人工神经网络的模型辩识主要包括确定模式结构、估计模型未知参数和检验模型效果三个内容。当采用神经网络模型进行模型辩识时，这三个内容就相应的变成网络拓扑结构的选择、学习训练以及网络泛化能力的检验。 　　20 世纪80 年代Rumelhart 和Willian 提出了最有影响的多层网的BP ( back propagation) 学习算法，解决了多层感知器的学习问题，引起了多层网研究的热潮。目前BP 学习算法是人工神经网络模型中最为重要的、研究最为透彻的、应用最为广泛的模型。 　　2.2 神经网络系统的基本原理 　　一个BP 网络由多个网络层构成，其中包括一个输入层、一个或几个隐含层、一个输出层，层与层之间采用全互连接，同层神经元之间不存在相互连接。 　　BP 网络的学习过程由前向传播和反向传播组成，在前向传播过程中，输入模式(信号) 经输入层、隐含层逐层处理，并传向输出层，其传播和输出过程可用式(1) 表示： 　　0j = f ( ΣWij -θj ) (1) 　　式中 0j ―节点j 的输出； 　　Xj ―节点j 的输入向量； 　　Wij ―节点i 与j 之间的连接权值； 　　θj―神经单元阈值； 　　f ―非线性作用函数，一般取f ( t ) = 1/ (1 + e - t) 。 　　在输出层，可将各个神经单元的输出结果与期望值(实际值) 进行比较，计算其误差Ep (式2)： 　　Ep = 1/ 2 ×Σ( Yi - Oi) 2 (2) 　　式中 Yi ―i 节点的期望输出值； 　　0i ―i 节点的计算输出值。 　　如果所有输入模式(样本) 的输出误差不能达到预期的结果，则转入反向传播过程，将误差值沿连接通路逐层反向传送，并修正各层连接权值(式3)： 　　ΔWij (n + 1) =α×Ei ×0j +η×ΔWij (n) (3) 　　式中 　　α―学习因子(根据输出误差动态调整) ； 　　η―动量因子； 　　Ei ―计算误差。 　　对于给定的一组训练模式，不断用一个训练模式训练网络，重复前向传播和误差反向传播过程，直到网络均方误差( Ep) 小于给定值为止。 　　3. 基于神经网络的非线性建模 　　3. 1 概述 　　神经网络技术以较少的实验工作量建立高精度的变量间的非线性映射模型。利用神经网络技术可建立各种指标与影响因素之间的非线性映射，ANN 具有自学习自记忆的功能，学习结束后建立起来的网络模型反映了变量之间的相互关系，有较好的预测效果。基于目前选厂的技术要求，应用ANN技术在选矿厂进行研究，结合建模理论寻找一种新的选矿厂数据处理方法，在生产中将有较好的工作前景。 　　3.2 SOM 模型与BP 模型 　　SOM 网络模型是一种具有自组织特征的映射网络(SELF ―ORGANIZIN G FEATURE MAP) 。SOM 的实质是聚类，即对原始数据自动分类或组成模式对。BP 网络模型是一种前馈模型，它的实质是反映输入变量与输出变量的关系，是一种高精度的非线性映射。目前，BP 网络模型在选矿研究中已得到了应用但尚未发挥其优越性。SOM 网络模型在选矿厂中的应用相对较少，尚有较大的工作空间。 　　3.3 选矿数字实验室 　　以选矿厂作为研究对象，引入系统分析考虑选矿厂实际检测数据中存在的“时滞”现象，充分利用所有的检测数据，建立反映选矿厂实际系统运行规律数学模型，即“选矿数字实验室”。在选择学习样本时，应尽量选取不相关或相关性较小的因素进行训练，这样使分割空间后建立起来的关系式组可更好的反映自变量―――多因变量的关系式，可应用SOM 对建模数据进行动态聚类或应用BP 网络及其他模式识别方法判断检测的数据所属类别。 　　SOM 可将数据分成数据子集，针