數(shù)據(jù)降維算法在鈾礦堆浸工藝中的應(yīng)用研究.pdf

1、鈾礦生物堆浸工藝是將鈾礦堆浸和生物浸出相結(jié)合的一項(xiàng)技術(shù)，它不僅保留了生物浸出技術(shù)的特點(diǎn)，還兼具鈾礦堆浸工藝的優(yōu)越性。因此，生物堆浸工藝憑借其良好的經(jīng)濟(jì)和環(huán)境效益，現(xiàn)如今已經(jīng)發(fā)展成為世界很多國(guó)家生產(chǎn)鈾礦的支撐性技術(shù)。
　　目前，我國(guó)的鈾礦石呈現(xiàn)出類型復(fù)雜、中低品位居多等特點(diǎn)，而且已不能滿足我國(guó)核電長(zhǎng)遠(yuǎn)發(fā)展的需要。因此，為了完善鈾礦生物堆浸工藝的理論研究與實(shí)踐應(yīng)用，采用一些數(shù)據(jù)挖掘方法建立數(shù)學(xué)模型，并借助統(tǒng)計(jì)分析軟件進(jìn)行仿真實(shí)驗(yàn)對(duì)生物

2、浸鈾工藝進(jìn)行研究具有重要的意義。為此，本文選取某礦區(qū)ZQ7堆浸柱在鈾礦生物堆浸工藝中產(chǎn)生的一批實(shí)測(cè)樣品數(shù)據(jù)作為樣本，建立了以下幾種數(shù)學(xué)模型對(duì)其進(jìn)行研究分析：
　?。?）構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對(duì)鈾的累計(jì)浸出率進(jìn)行仿真實(shí)驗(yàn)。為了排除劃分樣本的偶然性，本文對(duì)樣本進(jìn)行了不同方式的劃分。實(shí)驗(yàn)表明，該模型具有較好的模擬效果，能滿足一般實(shí)際生產(chǎn)的需求。其中，前53個(gè)樣本作為訓(xùn)練集，后15個(gè)樣本作為測(cè)試集的劃分方式具有最好的模擬效果，其均方根誤差R

3、MSE=0.7012，平均相對(duì)誤差MRE=0.491823；
　?。?）建立基于主成分分析（PCA）的支持向量機(jī)（SVM）模型（PCA-SVM）對(duì)鈾的累計(jì)浸出率進(jìn)行仿真實(shí)驗(yàn)。由于生物堆浸工藝中各因素間存在著相互關(guān)聯(lián)，所以采用PCA提取出累計(jì)貢獻(xiàn)率大于85%的三個(gè)主成分作為SVM模型的輸入變量。在實(shí)驗(yàn)過(guò)程中利用網(wǎng)格搜索、遺傳（GA）算法、粒子群（PSO）算法對(duì)參數(shù)c和g進(jìn)行優(yōu)化。實(shí)驗(yàn)表明，經(jīng)PCA特征提取比未經(jīng)PCA特征提取的模型具

4、有更好的模擬效果；在三種尋優(yōu)算法中，PSO算法有最好的搜索效率；PCA-PSO-SVM模型的模擬效果最好，其結(jié)果為：均方根誤差RMSE=0.0673，平均相對(duì)誤差MRE=0.000793；
　?。?）將支持向量機(jī)作為分類器，建立基于平均影響值（MIV）的 SVM模型（MIV-SVM）選擇特征子集?；贛IV算法可對(duì)特征因子進(jìn)行排序，以此選取得到最高精度時(shí)的前7個(gè)特征，即Eh出，pH出，F(xiàn)e2+出，F(xiàn)e2+進(jìn)，F(xiàn)e3+進(jìn)，F(xiàn)e3+出

5、，浸出液體積，將這7個(gè)特征作為SVM模型的輸入變量，其模擬效果優(yōu)于原始10個(gè)特征的效果，其結(jié)果為：均方根誤差RMSE=0.3519，平均相對(duì)誤差MRE=0.004173；
　?。?）將支持向量機(jī)作為分類器，建立基于離散二進(jìn)制粒子群（BPSO）算法的SVM模型選擇特征子集。最終BPSO算法篩選出最優(yōu)的特征子集包含：噴淋強(qiáng)度，Eh出，F(xiàn)e2+進(jìn)，F(xiàn)e2+出，U出共5個(gè)特征，該模型的模擬結(jié)果為：均方根誤差RMSE=0.3332，平均相對(duì)

6、誤差MRE=0.003985；
　?。?）由于MIV-SVM和BPSO算法有其不同的優(yōu)勢(shì)及局限性，因此，可建立組合算法對(duì)樣本進(jìn)行模擬分析。采用MIV-SVM算法對(duì)特征進(jìn)行排序，快速去掉無(wú)關(guān)特征，然后以排序后的優(yōu)良子集初始化后續(xù)BPSO算法的部分種群，使其有一個(gè)好的搜索起點(diǎn)。最終MIV-SVM-BPSO模型的模擬結(jié)果為：均方根誤差RMSE=0.3071，平均相對(duì)誤差MRE=0.003528，其模擬效果均比單一的MIV-SVM和BPS