铁矿粉中全铁含量的SFIM-RFR高光谱预测模型
发布时间：2021-06-09 12:58
铁矿是全球储量最高的金属矿产之一。全铁含量是评价铁矿石、铁矿粉品质的重要指标,在铁矿开采、矿石精选、矿粉冶炼等生产环节中有特殊意义。传统的铁矿粉全铁含量化学分析方法存在耗时久、操作复杂、污染严重等缺点,因此,探寻一种快速、有效、无污染的检测方法越来越成为矿山环境的研究热点。高光谱技术具有光谱分辨率高、曲线连续、无损伤、无污染、可对物质特征或成分进行精确探测等特点。使用铁矿粉高光谱数据,通过建立用于光谱特征筛选的光谱特征重要性评分（SFIM）指标,并结合随机森林回归（RFR）方法构建铁矿粉全铁含量预测的SFIM-RFR模型。以河北省阳原县三义庄铁矿为研究区,于2018年11月与2019年3月在研究区收集铁精粉、铁尾砂原料,分别制作第一批次的训练组和验证组铁矿粉试样以及第二批次的二次验证组铁矿粉试样,并使用ASD Field Spec4型光谱仪测量试样的光谱反射率;然后使用第一批次的训练组光谱数据训练SFIM-RFR模型,对第一批次的验证组样本的全铁含量进行预测,同时采用常规RFR、线性回归（LR）预测模型来对比分析铁矿粉样本全铁含量预测结果;最后使用二次验证组光谱数据检验多模型鲁棒性。结...
【文章来源】：光谱学与光谱分析. 2020,40(08)北大核心EISCICSCD
【文章页数】：6 页
【部分图文】：
三义庄铁矿地理位置示意图
表3 二次验证组样本全铁含量及标记Table 3 Total iron contents and labeling of second testing group samples 全铁含量/% 标记 全铁含量/% 标记 2.67 TFe(2.67) 50.07 TFe(50.07) 10.37 TFe(10.37) 60.04 TFe(60.04) 20.09 TFe(20.09) 64.34 TFe(64.34) 30.26 TFe(30.26)1.6 模型构建与预测
SFIM-RFR模型、 RFR模型、 LR模型对验证组铁矿粉样本全铁含量的预测结果与真实值的差异如图3所示, 由图3(a)与图3(b)所示SFIM-RFR模型和RFR模型得出的预测值与真实值的差异较小, 而图3(c)所示LR模型得出的预测值与真实值的差异略大。 3个模型得到的样本全铁含量预测值与真实值的R-Square与RMSE见表4, SFIM-RFR模型的R-Square为0.991 8, RMSE为0.016 9; RFR模型的R-Square为0.988 4, RMSE为0.020 1; LR模型的R-Square为0.898 7, RMSE为0.059 6; 可见, SFIM-RFR模型的预测结果最好, RFR模型的预测结果较好, LR模型的预测结果较差。 总体来说, 利用铁矿粉高光谱数据建立的LR模型、 RFR模型、 SFIM-RFR模型对铁矿粉的全铁含量都有一定的预测能力, 其中SFIM-RFR模型的预测精度最好。表4 基于训练组和验证组数据的模型预测精度表Table 4 Prediction accuracy of the model based on the training and testing data Model R-Square RMSE SFIM-RFR 0.991 8 0.016 9 RFR 0.988 4 0.020 1 LR 0.898 7 0.059 6
【参考文献】：
期刊论文
[1]基于神经网络集成-X射线荧光光谱法的铁矿石中全铁含量测定[J]. 李颖娜,徐志彬. 冶金分析. 2019(01)
[2]基于可见光—近红外光谱特征的BIF铁矿原位测定方法[J]. 何群,王东,刘善军,毛亚纯,孙厚广,孙铭辰. 金属矿山. 2018(12)
[3]煤矿区土壤有机碳含量的高光谱预测模型[J]. 孙问娟,李新举. 水土保持学报. 2018(05)
[4]芦苇粉大尾蚜虫害下芦苇叶绿素高光谱反演估算[J]. 窦志国,崔丽娟,武高洁,李晶,潘旭,蔡张杰,雷茵茹,李伟. 生态学杂志. 2018(10)
[5]基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算[J]. 张卓然,常庆瑞,张廷龙,班松涛,由明明. 西北农林科技大学学报(自然科学版). 2018(11)
[6]云南个旧矿区土壤锌污染遥感反演研究[J]. 宋婷婷,付秀丽,陈玉,魏永明,王钦军,程先锋. 遥感技术与应用. 2018(01)
[7]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福. 遥感学报. 2016(05)
[8]土壤有机质含量区间值高光谱估测[J]. 李西灿,赵庚星,陈红艳,武彬,田野,张永浩. 测绘科学技术学报. 2014(06)
[9]铁矿石中全铁含量分析的研究进展[J]. 闵红,任丽萍,秦晔琼,周海明,朱志秀. 冶金分析. 2014(04)
本文编号：3220625
【文章来源】：光谱学与光谱分析. 2020,40(08)北大核心EISCICSCD
【文章页数】：6 页
【部分图文】：
三义庄铁矿地理位置示意图
表3 二次验证组样本全铁含量及标记Table 3 Total iron contents and labeling of second testing group samples 全铁含量/% 标记 全铁含量/% 标记 2.67 TFe(2.67) 50.07 TFe(50.07) 10.37 TFe(10.37) 60.04 TFe(60.04) 20.09 TFe(20.09) 64.34 TFe(64.34) 30.26 TFe(30.26)1.6 模型构建与预测
SFIM-RFR模型、 RFR模型、 LR模型对验证组铁矿粉样本全铁含量的预测结果与真实值的差异如图3所示, 由图3(a)与图3(b)所示SFIM-RFR模型和RFR模型得出的预测值与真实值的差异较小, 而图3(c)所示LR模型得出的预测值与真实值的差异略大。 3个模型得到的样本全铁含量预测值与真实值的R-Square与RMSE见表4, SFIM-RFR模型的R-Square为0.991 8, RMSE为0.016 9; RFR模型的R-Square为0.988 4, RMSE为0.020 1; LR模型的R-Square为0.898 7, RMSE为0.059 6; 可见, SFIM-RFR模型的预测结果最好, RFR模型的预测结果较好, LR模型的预测结果较差。 总体来说, 利用铁矿粉高光谱数据建立的LR模型、 RFR模型、 SFIM-RFR模型对铁矿粉的全铁含量都有一定的预测能力, 其中SFIM-RFR模型的预测精度最好。表4 基于训练组和验证组数据的模型预测精度表Table 4 Prediction accuracy of the model based on the training and testing data Model R-Square RMSE SFIM-RFR 0.991 8 0.016 9 RFR 0.988 4 0.020 1 LR 0.898 7 0.059 6
【参考文献】：
期刊论文
[1]基于神经网络集成-X射线荧光光谱法的铁矿石中全铁含量测定[J]. 李颖娜,徐志彬. 冶金分析. 2019(01)
[2]基于可见光—近红外光谱特征的BIF铁矿原位测定方法[J]. 何群,王东,刘善军,毛亚纯,孙厚广,孙铭辰. 金属矿山. 2018(12)
[3]煤矿区土壤有机碳含量的高光谱预测模型[J]. 孙问娟,李新举. 水土保持学报. 2018(05)
[4]芦苇粉大尾蚜虫害下芦苇叶绿素高光谱反演估算[J]. 窦志国,崔丽娟,武高洁,李晶,潘旭,蔡张杰,雷茵茹,李伟. 生态学杂志. 2018(10)
[5]基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算[J]. 张卓然,常庆瑞,张廷龙,班松涛,由明明. 西北农林科技大学学报(自然科学版). 2018(11)
[6]云南个旧矿区土壤锌污染遥感反演研究[J]. 宋婷婷,付秀丽,陈玉,魏永明,王钦军,程先锋. 遥感技术与应用. 2018(01)
[7]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福. 遥感学报. 2016(05)
[8]土壤有机质含量区间值高光谱估测[J]. 李西灿,赵庚星,陈红艳,武彬,田野,张永浩. 测绘科学技术学报. 2014(06)
[9]铁矿石中全铁含量分析的研究进展[J]. 闵红,任丽萍,秦晔琼,周海明,朱志秀. 冶金分析. 2014(04)
本文编号：3220625
本文链接：https://www.wllwen.com/projectlw/yjlw/3220625.html
