江西科学
江西科學
강서과학
JIANGXI SCIENCE
2015年
1期
106-111
,共6页
累计铀浸出率%预测%核主成分分析%支持向量机%粒子群算法
纍計鈾浸齣率%預測%覈主成分分析%支持嚮量機%粒子群算法
루계유침출솔%예측%핵주성분분석%지지향량궤%입자군산법
针对影响堆浸工艺铀矿浸出率的因素较多且具有非线性的特点,提出一种利用核主成分分析(KPCA)进行参数处理,整合冗余,降低维数,并将处理后得到的6个主成分作为支持向量机(SVM)测量模型输入的预测方法.在此过程中,利用粒子群算法(PSO)优化核主成分分析和支持向量机的参数,使模型具有较高的训练精度.在此基础上,对铀矿堆浸进行建模仿真,并进行预测.结果表明,基于KPCA-SVM的铀矿累计浸出率模型与BP神经网络方法相比,具有有效降低数据维数、在小样本条件下学习更加有效、建模采样过程更快、预测精度更高的优点.
針對影響堆浸工藝鈾礦浸齣率的因素較多且具有非線性的特點,提齣一種利用覈主成分分析(KPCA)進行參數處理,整閤冗餘,降低維數,併將處理後得到的6箇主成分作為支持嚮量機(SVM)測量模型輸入的預測方法.在此過程中,利用粒子群算法(PSO)優化覈主成分分析和支持嚮量機的參數,使模型具有較高的訓練精度.在此基礎上,對鈾礦堆浸進行建模倣真,併進行預測.結果錶明,基于KPCA-SVM的鈾礦纍計浸齣率模型與BP神經網絡方法相比,具有有效降低數據維數、在小樣本條件下學習更加有效、建模採樣過程更快、預測精度更高的優點.
침대영향퇴침공예유광침출솔적인소교다차구유비선성적특점,제출일충이용핵주성분분석(KPCA)진행삼수처리,정합용여,강저유수,병장처리후득도적6개주성분작위지지향량궤(SVM)측량모형수입적예측방법.재차과정중,이용입자군산법(PSO)우화핵주성분분석화지지향량궤적삼수,사모형구유교고적훈련정도.재차기출상,대유광퇴침진행건모방진,병진행예측.결과표명,기우KPCA-SVM적유광루계침출솔모형여BP신경망락방법상비,구유유효강저수거유수、재소양본조건하학습경가유효、건모채양과정경쾌、예측정도경고적우점.