【技术实现步骤摘要】
基于数据拟合的稀土矿尾中稀土元素含量的规律研究方法
本专利技术具体涉及基于数据拟合的稀土原地浸矿尾矿中稀土元素含量的规律的研究,属于稀土尾矿中稀土元素分析
技术介绍
稀土元素因其具有特有的电子层结构,因此使得稀土元素自身具有优异的磁、光、电等特性,现在已经普遍地适用于各行各业。南方风化壳稀土矿是我国特有的、宝贵的稀土资源,加大对稀土原地浸取尾矿的研究,提高稀土资源的利用率,减少尾矿对环境的影响,意义十分的重大。但是,到目前我们还不能确定原地浸取尾矿中稀土元素含量的变化规律,以及潜在的可再开发效益。为此,我们收集有关稀土含量随着深度变化而变化的数据,以进行相关分析。
技术实现思路
我们根据收集得到的有关稀土含量随着深度变化而变化的数据,从而得到所收集数据的具体走势,画出散点图。因为散点图无法清晰给出尾矿中稀土元素的变化规律,所以我们进一步根据对应的散点图,采用局部加权线性回归算法给所有的待预测点附近的每个点都赋予一定的权重,基于最小均方差来进行回归,从而获得数据的基本回归曲线走势。之后根据所得到的曲线基本走势,结合最小二乘法来求的最终的曲线,通过使其平方和误差最小,获得最优曲线。根据局部加权回归算法定义,需要给自变量每一个点都赋予对应的权重,也就是W矩阵。目前局部加权回归算法当中常用的权重函数有高斯(Gauss)权函数应用局部加权线性回归方法,也就是对n组值中的自变量点xi,i=1,2,...,n,求得对应的a0(xi),a1(xi),...,ap(xi)从而使得取得最小值。这里可以使得W(x)=diag[w1(x),w2(x),...,wn(x)]将 ...
【技术保护点】
1.基于数据拟合的稀土矿尾中稀土元素含量的规律研究方法,其特征在于,根据收集得到的有关稀土含量随着深度变化而变化的数据,从而得到所收集数据的具体走势,画出散点图;因散点图无法清晰给出尾矿中稀土元素的变化规律,需根据对应的散点图,采用局部加权线性回归算法给所有的待预测点附近的每个点都赋予一定的权重,基于最小均方差来进行回归,从而获得数据的基本回归曲线走势;再根据所得到的曲线基本走势,结合最小二乘法来求的最终的曲线,通过使其平方和误差最小,获得最优曲线,具体如下:1)、局部加权回归局部加权回归算法即LOWESS,使回归模型中的各个参数所取的值随着模型中自变量取值的变化而变化,进而取得不同变化中所产生值,选择不同的参数值;即不同的参数值对应不同的参数,从而在局部根据自变量的不同给出相应回归函数的估计值;对不同的点xi,i=1,2,...,n,通过选择合适的权值函数得到对应的权值wi(xi),通过使用带有权值wk(xi)来对xi,i=1,2,...,n,利用最小二乘法来进行多阶多项式拟合,从而得到相对应的值yi,i=1,2,...,n;通过该方法,来进行赋予权值wk(xi)得到相对应的拟合值的 ...
【技术特征摘要】
1.基于数据拟合的稀土矿尾中稀土元素含量的规律研究方法,其特征在于,根据收集得到的有关稀土含量随着深度变化而变化的数据,从而得到所收集数据的具体走势,画出散点图;因散点图无法清晰给出尾矿中稀土元素的变化规律,需根据对应的散点图,采用局部加权线性回归算法给所有的待预测点附近的每个点都赋予一定的权重,基于最小均方差来进行回归,从而获得数据的基本回归曲线走势;再根据所得到的曲线基本走势,结合最小二乘法来求的最终的曲线,通过使其平方和误差最小,获得最优曲线,具体如下:1)、局部加权回归局部加权回归算法即LOWESS,使回归模型中的各个参数所取的值随着模型中自变量取值的变化而变化,进而取得不同变化中所产生值,选择不同的参数值;即不同的参数值对应不同的参数,从而在局部根据自变量的不同给出相应回归函数的估计值;对不同的点xi,i=1,2,...,n,通过选择合适的权值函数得到对应的权值wi(xi),通过使用带有权值wk(xi)来对xi,i=1,2,...,n,利用最小二乘法来进行多阶多项式拟合,从而得到相对应的值yi,i=1,2,...,n;通过该方法,来进行赋予权值wk(xi)得到相对应的拟合值的方法就称为局部加权回归;2)、稀土元素含量的分析运用回归方法来进行回归拟合,首先假定已有的待测数据是放在矩阵X当中,对应的回归系数则存放在向量W当中;这时对应已有的输入数据Xi,其对应的预测结果通过Yi=XiTW,其中T表示矩阵X的转置得到;已有的数据是包括x和y的,找到一个误差最小的W;这里所指的误差是通过得到的算法模型所得到的预测值与实际已有的值之间的差值,采用平方误差;平方误差写做:对应的矩阵表达形式为(y-Xw)T(y-Xw);最终解出,wε=(XTX)-1XTy,其中wε表示这是当前估计的最优解;所运用求解最佳w的方法就是最小二乘法。2.如权利要求1所述的方法,其特征在于,所述1)局部加权回归权重的确定与参数估计:根据局部加权回归算法定义可知,在算法中需要给自变量每一个点都赋予对应的权重,也就是W矩阵,其中距离x近的点赋予较大的权重,因为往往离样本点越近,往往更加符合同一个模型;相对应,某些间隔较远的点则赋予较小的权,甚至不赋予权重;因此指定一个函数W(u),其中W(u)满足以下三点:(1)W(u)≥0;(2)当u>1时,W(u)=0;(3)当0≤u≤1时,W(u)是u非递增函数;目前局部加权回归算法当中常用的权重函数有三次权函数,以及高斯(Gauss)权函数应用局部加权线性回归方法,对n组值中的的自变量点xi,i=1,2,...,n,求得对应的a0(xi),a1(xi),...,ap(xi)从而使得取得最小值;使得W(x)=diag[w1(x),w2(x),...,wn(x)]假定待测数据是放在矩阵X当中,而对于的回归系数则存放在向量W当中;从而对于任意给定的数据Xi,估计的结果通过Yi=XiTW,其中T表示矩阵X的转置来得到;这时通过采...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。