一种顾及各向异性的广义回归神经网络矿石品位估值方法技术

本发明专利技术公开了一种顾及各向异性的广义回归神经网络矿石品位估值方法，包括：获取矿石品位样本数据并进行预处理；构建实验变差函数，基于实验变差函数与预处理后的数据计算标准化实验差值，采用标准高斯变差函数模型对实验变差函数进行拟合，获得主变异方向及对应的理论变差函数模型；根据理论变差函数模型获得统一变差函数模型；使用统一变差函数模型对GRNN模式层传递函数套合计算获得协方差函数并代替模式层传递函数，获得改进模型，根据预测值与真实值之间的误差，优化模型，采用模型进行矿石品位估值。本发明专利技术通过将各个方向的变异性结构进行套合，并将其融入GRNN模型，能更好地保持数据的结构关联性、提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
一种顾及各向异性的广义回归神经网络矿石品位估值方法


[0001]本专利技术属于机器学习和地质统计学领域，特别是涉及一种顾及各向异性的广义回归神经网络矿石品位估值方法。

技术介绍

[0002]广义回归神经网络(GRNN)是基于径向基函数网络(RBF)的一种改进形式。设输入的数据为x，对应的输出结果为y，f(x，y)为二者的联合概率密度函数。当x取值为x0时，GRNN取y的数学期望为其回归值其计算公式为：
[0003][0004]其中，x
i
,y
i
为随机变量x和y的第i个观测值，n为样本容量，σ为平滑因子。在典型的空间插值问题中，随机变量x表示测量点或待估点的三个坐标分量(X,Y,Z)，其维数为3。将此方法应用于地质统计学领域矿石品位估值中，随机变量x表示的是待估点的三维坐标。矿石品位数据具有唯一取样性特点，难以实现重复取样，导致最终取样数据过少，对于未取样位置处的品位值，通常需要使用空间插值算法进行计算。广义回归神经网络三维空间插值模型结构如图1所示。
[0005]各向异性特征指的是数据在不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种顾及各向异性的广义回归神经网络矿石品位估值方法，其特征在于，包括以下步骤：获取矿石品位样本数据，对所述矿石品位数据进行预处理；构建实验变差函数，通过所述实验变差函数对预处理后的矿石品位样本数据计算标准化实验差值；基于标准化实验差值，采用标准高斯变差函数模型对若干方向的实验变差函数进行拟合，获得主变异方向及对应的理论变差函数模型；根据所述理论变差函数模型的几何各向异性结构获得统一变差函数模型；将GRNN模式层传递函数使用统一变差函数模型套合计算获得协方差函数；将GRNN模型的模式层传递函数替换为所述协方差函数，获得改进GRNN模型，采用改进GRNN模型进行预测，判断预测值与真实值之间的误差，循环以上步骤，直至误差值在预设范围内后，采用改进GRNN模型进行矿石品位估值。2.根据权利要求1所述的顾及各向异性的广义回归神经网络矿石品位估值方法，其特征在于，预处理的过程包括：对所述矿石品位样本数据中空缺值、异常值和错误值进行处理；对处理后的数据进行归一化处理。3.根据权利要求1所述的顾及各向异性的广义回归神经网络矿石品位估值方法，其特征在于，所述实验变差函数表示为：式中，h表示任意两个样本点之间的距离，Y(x
i
+h)和Y(x
i
)分别表示位置为(x
i
+h)和(x
i
)的两个采样点的属性值，N(h)代表距离为h的样本点数据对的个数；Var(Y)为Y的方差。4...

【专利技术属性】
技术研发人员：李章林，张夏林，罗勇，吴冲龙，刘刚，田宜平，张志庭，翁正平，何珍文，李新川，张军强，陈麒玉，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：