期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
铁矿粉中全铁含量的SFIM-RFR高光谱预测模型
被引量：
7
1
作者
高伟
杨可明
+2 位作者
李孟倩
李艳茹
韩倩倩
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2020年第8期2546-2551,共6页
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...
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。结果表明:SFIM-RFR, RFR和LR模型全铁含量预测结果与2018年11月采集的验证组样本全铁含量真实值的确定系数(R-Square)分别为0.991 8, 0.988 4和0.898 7,均方根误差(RMSE)分别为0.016 9, 0.020 1和0.059 6,多模型预测效果总体较好, SFIM-RFR模型预测结果误差最小,说明了SFIM-RFR模型用于预测铁矿粉中全铁含量的可行性和有效性,且SFIM-RFR模型预测效果优于常规的预测模型;SFIM-RFR, RFR和LR模型全铁含量预测结果与2019年3月采集的二次验证组样本全铁含量真实值的R-square分别为0.976 8, 0.974 5和0.914 0, RMSE分别为0.034 6, 0.036 2和0.071 9,证明了SFIM-RFR模型的预测效果较为理想且鲁棒性很强。
展开更多
关键词
高
光谱
铁矿粉全铁含量
预测模型
光谱特征重要性评分
随机森林回归
在线阅读
下载PDF
职称材料
题名
铁矿粉中全铁含量的SFIM-RFR高光谱预测模型
被引量：
7
1
作者
高伟
杨可明
李孟倩
李艳茹
韩倩倩
机构
中国矿业大学(北京)地球科学与测绘工程学院
华北理工大学
出处
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2020年第8期2546-2551,共6页
基金
国家自然科学基金项目(41971401)资助。
文摘
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。结果表明:SFIM-RFR, RFR和LR模型全铁含量预测结果与2018年11月采集的验证组样本全铁含量真实值的确定系数(R-Square)分别为0.991 8, 0.988 4和0.898 7,均方根误差(RMSE)分别为0.016 9, 0.020 1和0.059 6,多模型预测效果总体较好, SFIM-RFR模型预测结果误差最小,说明了SFIM-RFR模型用于预测铁矿粉中全铁含量的可行性和有效性,且SFIM-RFR模型预测效果优于常规的预测模型;SFIM-RFR, RFR和LR模型全铁含量预测结果与2019年3月采集的二次验证组样本全铁含量真实值的R-square分别为0.976 8, 0.974 5和0.914 0, RMSE分别为0.034 6, 0.036 2和0.071 9,证明了SFIM-RFR模型的预测效果较为理想且鲁棒性很强。
关键词
高
光谱
铁矿粉全铁含量
预测模型
光谱特征重要性评分
随机森林回归
Keywords
Hyperspectral
Total iron contents of iron ore powder
Prediction model
SFIM
Random forest regression
分类号
TP75 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
铁矿粉中全铁含量的SFIM-RFR高光谱预测模型
高伟
杨可明
李孟倩
李艳茹
韩倩倩
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2020
7
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
