遗传神经网络预测模型在选矿中的应用(2)

0 780 770 670 690 700 650 600 780 440 58

0 810 7100 720 740 640 600 680 480 63

00 7600 7400 7800 720 430 67

0 150 700 650 150 600 600 650 150 500 60

0 150 500 650 650 450 600 650 500 500 70

00 700 650 7000 4500 500 450 50

0 850 750 650 750 850 750 550 750 650 75

0 850 850 850 850 850 850 850 850 850 85

0 0 400 450 750 700 450 500 500 650 55

(5/6、4/6、

30

0 7210 7270 6150 615

非线性映射

有 色 金 属 第52卷

0 8870 8800 8560 8560 6440 9050 8570 7270 8330 889

0 5590 4660 5040 5160 5240 5430 4920 5540 4660 494

0 8870 8500 8180 8990 8920 8780 8280 8520 8340 844

0 2760 4160 4050 4160 2880 395 0 3970 330

0 0 6170 4100 6650 8940 726 0 5850 750

[1]

0 6410 6730 5820 6150 5750 589

根据问题特征及参数预选,对于神经网络的结构、神经元的激活函数采用S型函数,输入层、隐含层及输出层节点数依次为19、27和6。应用以下学习样本进行训练,训练过程如下所示。

(1)采用二进制编码方案:由于网络中权值有W(i,j)与W(j,k),阈值有Q(j)与Q(k),i=1,2, ,19;j=1,2, ,27;k=1,2, ,6。权值与阈值都在-30 0到+30 0之间,第n个权值(或阈值)用一8位0/1串表示,则一个5504位0/1串就对应于一个神经网络。每一个8位串与对应的权值的关系是

Wi=(-127+yi)/128!30 0

其中yi是此8位0/1串对应的十进制数值。(2)适应度函数的确定方法很多,系统中提供四种可供选择的方案

F=C-e;F=1/e;F=C-E;F=1/E其中C为一常数,e为误差

e=E=

值{Vkj}以及输出层单元k的阈值 k求出输出层单元k的输出Yk

Yk=f(

%Vkj&Hj-j

k)

3)由学习模式的教师信号和输出层的输出得到第m个模式的第k个节点的误差emk

emk=

Ymk-Ymk,而e=

%%emk

m

k

和E=

%%emk

2

m

k

(3)选择继承:评价各个权值及阈值,对适应度Fi的个体赋予其选择概率Ps

Ps=Fi/给下一代。

(4)交叉:只用一点交叉,但在训练中将整个0/1串分为两部分:连接权部分和阈值部分,对于给定的网络结构,前5240位(bit0~5239)为连接权子串,而后264位(bit5240~5503)为阈值子串。对这两个子串分别进行一点交叉,基于这种考虑的原因是在整个训练过程中将权值与阈值分开。

(5)变异:以变异概率Pm随机地改变0/1串中的某些位。

(6)从当前父代和子代的各种取值中重新排序选择出N个适应度较大的个体作为下一代的样本。转步骤(2)重新进行训练,终止条件为群体适应度趋于稳定或系统的相关指数达到0 950或已到达预定的进化代数10000,训练结果如以下矩阵式所示(F=1/E,Pc=0 04,Pm=0 04,N=50)。

j=1

%Fj

N

在实际训练中,一般将适应度最大的个体直接遗传

%%(Ymk-m

k

Ymk)Ymk)

2

E为网络的能量函数

m

k

%%(Ymk-

Ymk及Ymk分别为第m个训练样本的第k个输出节点的期望输出与实际输出,e的计算过程(即神经网络的正向处理过程),包括下面几步:

1)把某一个学习模式的值作为输入层单元的输出{Ii},用输入层到隐层的权值{Wji}和中间层单元的阈值 j求出中间层单元j的输出Hj

Hj=f(

%Wji&Ii-i

j)

2)用中间的输出{Hj},中间层到输出层的权

第4期 景广军等:遗传神经网络预测模型在选矿中的应用

-18 407-17 308-13 405-11 401-10 908

-15 878-11 890-19 405-17 546-15 981

-9 225-8 771-9 2144 5672 109 -7 021-7 998-8 343-9 120-10 210

-13 123-10 762-11 265-9 602-7 223 4 0569 7605 441-10 195-5 337

-10 630-12 150-13 560-15 776-17 762

-2 4399 3214 532-5 3203 872

-19 380-20 993-19 5433 890-18 905

-6 885-2 1049 03410 9956 334

-19 844 -18 124 -20 667 -11 329 -22 456

7 467-5 890-9 653

-10 938-12 903-6 4503 4498 793 -10 403-8 3322 5565 347-4 765

-8 445-10 740-12 203-5 486-7 320 -4 560-11 882-10 229-12 408-19 552

-13 210-15 982-12 887-18 669-11 264

-12 4323 108-6 4506 87210 772

2 3013 4565 8709 23110 90611 60219 95918 62012 09316 2104 056

31

-12 702 -10 403

4 模型的预测仿真

针对训练好的遗传神经网络结构和权值分布,即已建成的选矿系统神经网络模型,用具体实例进行预测仿真。文中以凡口铅锌矿选矿系统为应用实例。该选矿厂处理的矿石属于碳酸盐类岩石中矿物成分简单的中低温热液裂隙充填交代矿床。矿石类型以块状黄铁矿、铅锌矿为主。主要金属矿物为方铅矿、闪锌矿和黄铁矿。次要金属矿物有毒砂、黄铜矿、黝铜矿、磁黄铁矿、车轮矿、辉锑矿、硫锑铅矿等。伴生稀散元素有镉、锗、镓及贵金属金、银等。脉石矿物为方解石、白云石、石英、绢云母等。铅锌矿石矿物组成简单,但嵌布复杂,尤其是部分方铅矿粒度很细,且与闪锌矿紧密共生,闪锌矿溶蚀交代黄铁矿,而方铅矿多呈他形晶粒或细脉状嵌布于黄铁矿中。方铅矿的嵌布粒度为0 01~1 0mm,闪锌矿的嵌布粒度为0 1~1 5mm,黄铁

矿嵌布粒度为0 02~0 4,属于不均匀细粒嵌布。矿石中铅氧化率为9%~10%,锌氧化率为1 3%~2 3%,原矿含水5%~7%,最终破碎产品粒级中,-74 m含量13%~15%,矿石密度2 75t/m3,松散密度1 75t/m3,普氏硬度8~12,铅锌比为0 43。

对凡口铅锌矿选矿系统中的原矿性质、影响参数及相关指标进行数值化后,将其输入到遗传神经网络预测模型中进行预测,流程及浮选指标得到的预测结果为:

产品方案:Pb、Zn、S

破碎流程:三段闭路破碎流程磨矿流程:两段闭路磨矿流程选别方法:浮选

选别方案:阶段磨矿、阶段选别、高碱度优先浮选

选别指标:铅品位51 21%、铅回收率

表1 主要工艺指标实测与预报结果

Table1 Testdataandpredictedresultsofmaintechnicaltargets

序号1

2345678910111213141516171819d值

检测值/%预报值/%72 072 177 178 773 569 869 376 172 470 169 971 273 767 672 770 874 274 171 871 972 376 978 673 770 169 475 572 570 270 171 074 067 671 970 974 373 972 0命中否是是是是是是是否是是是是是是否是是是是C溢值

检测值/%39 039 034 032 037 839 540 036

239 039 439 239 038 241 038 139 037 935 038 2预报值/%39 139 234 332 137 539 639 936 038 838 639 138 938 341 038 039 138 035 038 5命中否是是是是是是是是是否是是是是是是是是是C磨值

检测值/%78 277 382 382 979 877 176 881 279 076 876 …… 此处隐藏：3759字，全部文档内容请下载后查看。喜欢就下载吧 ……