遗传神经网络预测模型在选矿中的应用

第52卷 第4期2000年 11月

有 色 金 属

NONFERROUSMETALS

Vol.52,No.4November 2000

遗传神经网络预测模型在选矿中的应用

景广军,梁雪梅,李松仁

(中南大学矿物工程系,长沙 410083)

摘 要:分析遗传算法(GA)及BP神经网络(NN)的理论基础,提出了GA与NN结合的主要方式和步骤。讨论了基

于遗传神经网络的建模思路,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。论述了选矿数据预处理的方法和GA-BP神经网络的设计。通过实例验证,模型的预测精度达到90%以上。

关键词:选矿;遗传算法;神经网络;预测模型

中图分类号:TD91 文献标识码:A 文章编号:1001-0211(2000)04-0027-06

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。

遗传算法在国外已得到广泛应用,特别适合于解决其它优化方法不能解决或难以解决的问题,如结构优化、非线性优化、多目标决策、机器学习等,成功地用于飞机结构设计、桁架结构优化,管线网络拓扑结构确定等领域。我国从90年代开始研究这门学科,现已成为继专家系统、人工神经网络之后又一受人青睐的学科。

神经网络理论有许多缺陷,例如训练速度慢,易陷入局域极小和全局搜索能力弱等。遗传算法的出现使神经网络的训练有了一崭新的面貌,目标函数既不要求连续,也不要求可微,仅要求该问题可计算,而且它的搜索始终遍及整个解空间,因此容易得到全局最优解。它具有如下特点:智能式搜索、渐进式搜索、全局最优解、黑箱结构、通用性强和并行式算法等。因此,GANN可以很好地解决矿业中采场尺寸、运输线路、采场结构形式、开拓运输方式、桁架结构、岩体质量评价、矿体自动圈定、高炉故障诊断及地质、采矿、选矿、冶金综合优化等问题。

收稿日期:2000-06-19

基金项目:国家自然科学基金资助项目(59574034),湖南省自

然科学基金资助项目

选矿领域问题是一个多目标、大型的、复杂的问题求解系统,根据实际需要,在选矿过程建模时,主要针对矿石可选性预测、选矿生产指标预报等问题,建立相应的遗传神经网络模型。

1 模型结构

基于遗传神经网络的建模思路,先将试验数据模糊化,再作为前馈神经网络的输入和输出,同时利用具有高搜索效率和全局搜索能力的遗传算法配合BP算法对网络进行训练,最后得到原始数据与有关指标之间的非线性映射模型。遗传神经网络模型的总体结构如图1所示,主要包括四个部分:输入参数的模糊化、神经网络子功能块NNM、输出量的去模糊和神经网络的学习算法GABP。这四个部分组成一个整体,通过对已知学习样本的学习,调整好内部参数,可对未知情况做出预测。从选矿过程中取得的试验数据往往由于各种各样的原因存在着一定的误差,将其进行模糊化处理之后,按照不同的语言值分档之后作为系统的输入,可以在一定的程度上减少这种误差带来的影响,因而使得系统具有一定的容错和过滤作用。另外,某些参数变化时应主要考察其变化率及未来趋势,比较符合实际。输入参数的模糊化主要是确定其隶属函数。隶属函数有不同的表达形式,通常可采用三角形和高斯形等隶属函数。

NNM的输出值为一模糊值。如果把输出变量也模糊化,则该数值为输出变量中某个模糊语言变量的隶属度值。实际输出可采用最大隶属度或求质心法对其进行去模糊运算。将遗传算法和BP算法作者简介:景广军(1972-),男,中南大学博士

28有 色 金 属 第52卷

首先用遗传算法对初始权值分布进行优化,在解空间中搜索出最优解。一般情况下,混合训练的效率和效果比单独用遗传算法进化方法和BP训练方法

的结果要好。

用线性插值法。其原理是:若有一组数[ai]在区间[a1,an]内,把其中的ai转化成区间[x1,xn]上的数值,则

xi=x1+(xn-x1)!部分参数赋值过程如下:(1)主要有用矿物

方铅矿、闪锌矿、黄铁矿:0 65方铅矿、闪锌矿:0 85

方铅矿、铁闪锌矿、黄铁矿:0 55方铅矿、铁闪锌矿、闪锌矿:0 70方铅矿、铁闪锌矿、磁黄铁矿:0 50方铅矿、闪锌矿、磁黄铁矿、黄铁矿:0 60方铅矿、闪锌矿、黄铁矿、黄铜矿:0 25闪锌矿、黄铁矿:0 80

方铅矿、铁闪锌矿、磁黄铁矿、黄铁矿:0 45方铅矿、闪锌矿、白铁矿、黄铁矿:0 60方铅矿、闪锌矿、白铅矿、异极矿:0 30方铅矿、闪锌矿、白铅矿、菱锌矿:0 30(2)原矿铅品位<0 5%:0 00

0 50%~6 00%:0 40+0 005)!10

(3)原矿铅锌比

铅品位大于锌品位时:原矿锌品位 原矿铅品位

锌品位大于铅品位时:原矿铅品位 原矿锌品位

(4)闪锌矿含铁率<0 50%:0 80

#0 50%:(1-闪锌矿含铁率)3(5)原矿铅氧化率>0 00%:(1-铅氧化率)2(6)方铅矿嵌布粒度

设方铅矿嵌布粒度表示为[d1,d2],单位为mm,则用下式进行标准化:

[1-(

2 2 模糊语言变元数值化

模糊语言变元主要是指选矿领域中有关的状态参数与指标变量,每个参量都有自身的变化状态或1/41/4

)+1-()]/2

2000d12000d2

(原矿铅品位-ai-a1

an-a1

图1 遗传神经网络模型的总体结构

Fig 1 Generalstructureofgeneticneuralnetworkmodel

2 选矿原始数据预处理

本文以硫化铅锌矿选矿研究为对象,选矿领域有关数据非常复杂,可分为定性描述型、数值描述型、模糊描述型等多种类型。无论是哪一种类型数据,都不能直接被遗传神经网络模型所处理,必须要对数据进行数值化、标准化、归一化,约定遗传神经网络的输入值在[0,1]之间。在模型中,原始数据主要包括矿石性质、工艺参数、操作参数、方案指标等。

2 1 定性描述变元数值化

硫化铅锌矿部分原矿性质包括:主要有用矿物、主要脉石矿物、原矿铅品位、原矿锌品位、原矿硫品位、原矿铅锌比、闪锌矿含铁量、铅氧化率、锌氧化率、原矿含泥率、方铅矿嵌布粒度、闪锌矿嵌布粒度、黄铁矿嵌布粒度、方铅矿嵌布特性、闪锌矿嵌布特性、黄铁矿嵌布特性等。不同类型的铅锌矿石有其不同的选矿方法和选矿工艺,这就需要确定影响铅锌矿石选别的矿石本身所具有的主要特征,即矿石特征提取。特征提取的原始依据是特征结构的相似性。可以用[0,1]中的数值定量地表示特征与特征的相似性, 0 表示完全不相似, 1 表示完全相似,区间中的其它数值表示相应的相似程度,所取的特征值只具有相对意义。具体赋值方法是:通过收集不同铅锌矿类型的选矿数据,根据已有的数据找出铅锌矿石特征值(矿石性质)的分布规律,按特征值的不同,分别赋给[0,1]的对应数字值。数据变换的方式很多,为使数据经变化后能在[0,1]区间内均匀分布>6 00%:0 90+原矿铅品位 10

第4期 景广军等:遗传神经网络预测模型在选矿中的应用29

方法。

2 2 1 线性变换。针对某些参数,有固定的等级刻划并按倒序排列。如目的矿物疏水性、非目的矿物疏水性及搅拌强度可分为(强、较强、一般、较弱、弱)。循环孔闸门、进气孔闸门、溢流闸门、泡沫槽冲水闸门等可分为全开、大半开、适中、大半闭、 …… 此处隐藏：3064字，全部文档内容请下载后查看。喜欢就下载吧 ……