可见光-近红外光谱的低品位斑岩型铜矿反演模型

发布时间：2021-07-20 12:30

　　目前,国内外铜矿品位分析多以化学分析法为主,但由于化学分析法存在成本高、时间长和污染物残留等缺点,其相对配矿流程存在严重的滞后效应,致使尾矿铜含量过高,必然造成资源浪费。开展斑岩型铜矿可见光-近红外光谱特征与建模研究是解决这一问题的有效途径。以121个乌山斑岩型铜矿的化学分析与光谱测试数据为数据源,分析了斑岩型铜矿可见光-近红外光谱特征,以主成分分析法（PCA）、局部线性嵌入算法（LLE）两种降维算法对原始光谱数据进行了处理,所降维数分别为3维和5维,同时利用遗传算法（GA）对原始光谱数据进行了波段选择,共选取了467个最佳波段。然后以BP神经网络为建模方法,并分别以92个和29个斑岩型铜矿可见光-近红外光谱数据作为建模样本和测试样本,建立了斑岩型铜矿可见光-近红外光谱的定量反演模型。利用原始数据所建模型的品位反演平均绝对误差为0.104%,利用主成分分析法、局部线性嵌入算法、遗传算法处理后的数据所建模型品位反演平均绝对误差分别为0.110%, 0.093%和0.045%,由此可见,利用主成分分析法处理后的数据所建模型品位反演精度较差,利用局部线性嵌入算法处理后的数据所建模型品位反演精... 

【文章来源】：光谱学与光谱分析. 2020,40(08)北大核心EISCICSCD

【文章页数】：5 页

【部分图文】：

实验样品可见光-近红外光谱曲线

主成分分析法[13]是一种线性数据降维分析方法, 采用主成分分析法对斑岩型铜矿原始光谱数据进行降维分析, 设置累计贡献率为95%, 依据累计贡献率计算最终降维维度d。 经处理后, 原始数据被降为3维, 各维主成分所占贡献率如图2所示。 图中横坐标为各主成分, 纵坐标为各主成分贡献率。(2)局部线性嵌入算法

式(1)中, Τ ^ ={t 1 ,t 2 ,?,t n } 为样本铜含量的预测值, T={t1,t2,…,tn}为样本铜含量的真实值, n为本实验测试样本的样本数目。经遗传算法处理后, 挑选出了467个最佳波段组合, 以此为依据, 在所有样本的光谱数据中选出对应的467个波段反射率作为后续建模的输入数据。

【参考文献】：
期刊论文
[1]一种改进PCA与IHS融合的高光谱图像异常检测算法[J]. 江铁成.  计算机工程与科学. 2016(04)
[2]中国铜矿资源现状及国家级铜矿床实物地质资料筛选[J]. 邓会娟,季根源,易锦俊,尚磊,姜爱玲.  中国矿业. 2016(02)
[3]利用可见光近红外的尾矿区农田土壤Cu含量反演[J]. 吕杰,郝宁燕,崔晓临.  农业工程学报. 2015(09)
[4]中国铜矿现状及潜力分析[J]. 陈建平,张莹,王江霞,肖克炎,娄德波,丁建华,阴江宁,向杰.  地质学刊. 2013(03)
[5]基于连续投影算法的土壤总氮近红外特征波长的选取[J]. 高洪智,卢启鹏,丁海泉,彭忠琦.  光谱学与光谱分析. 2009(11)



本文编号：3292826