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的关联属性上，体现出不同的连续性或变化性的特征。这一特征在自然、社会科学领域均较常见。例如：在处理环境污染问题时，很容易发现污染物在沿河道方向上的连续性会明显大于垂直于河道方向。因此，各向异性特征对于估值和预测精度具有重要意义。
[0006]由上述分析过程可知，GRNN模型虽然具有简单、高效的特征，但它在估值和预测的过程中并没有充分考虑到数据的各向异性特征。因此，GRNN的预测效果还存在较大的可提升。

技术实现思路

[0007]本专利技术的目的是提供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，以解决上述现有技术存在的问题。
[0008]为实现上述目的，本专利技术提供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：
[0009]获取矿石品位样本数据，对所述矿石品位数据进行预处理；
[0010]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；
[0011]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；
[0012]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。
[0013]可选的，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。
[0014]可选的，所述实验变差函数表示为：
[0015][0016]式中，h表示任意两个样本点之间的距离。例如，样本点X
i
与样本点X
j
之间的距离h＝(X
i
‑
X
j
)(X
i
‑
X
j
)
T
；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(即相距为h的两个样品点)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。
[0017]可选的，拟合的过程包括：根据标准化实验差值绘制绘制取样数据在不同方向的实验变差函数散点图，使标准高斯变差函数模型对应的理论曲线与若干方向的实验变差值之间的差距最小，完成拟合。
[0018]可选的，获得变异方向及对应的理论变差函数模型的过程包括：
[0019]获得若干方向中变程值最大的理论变差函数模型，将此模型对应的计算方向作为第一主变异方向；
[0020]寻找与第一主变异方向垂直的所有方向对应的理论变差函数模型，选取变程值最大的变差函数模型对应计算方向作为第二主变异方向；
[0021]选取所有垂直于第一主变异方向、第二主变异方向构成平面的方向对应的理论变差函数模型，比较变程值，将变程值最大的对应计算方向作为第三主变异方向。
[0022]可选的，获得统一变差函数模型的过程包括：获取各个理论变差函数模型之间变程值、基台值的差异值，若差异值不超过限定值，则选取任意一个方向的变差函数模型作为统一变差模型；若差异值超出限制，则对理论变差函数模型进行线性变换，获得统一变差函数模型。
[0023]可选的，若差异值超出限制值，且主变异方向与对应的理论变差函数模型变程值方向与不一致，则在线性变换完成后，进行坐标变换获得统一变差函数模型。
[0024]本专利技术的技术效果为：
[0025]本专利技术优化了GRNN模型模式层传递函数的表现形式，使其能充分考虑数据的各向异性特征；提高了参数搜索的效率。避免了现有方法的大量迭代计算过程，节约了时间成本；具有更强的适应性。当取样数据过少、不足进行交叉验证和变差函数计算的情况下，也可以根据专家经验建立研究区的高斯变差函数模型，使得本方法能够顺利实施；应用于地质统计学领域矿石品位估值，涉及到空间数据的空间插值问题，通过改进的GRNN模型得到更精确的插值结果。选取模拟数据其中前三列为三维坐标，最后一列代表品位值，将数据进行预处理，通过归一化消除数据间量纲的影响。
附图说明
[0026]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1为本专利技术实施例中的GRNN三维空间插值模型结构图；
[0028]图2为本专利技术实施例中的变差函数图散点图；
[0029]图3为本专利技术实施例中的几何各向异性变差函数结构图；
[0030]图4为本专利技术实施例中的方向
‑
变程图；
[0031]图5为本专利技术实施例中的方法整体流程图；
[0032]图6为本专利技术实施例中的原始数据示例图；
[0033]图7为本专利技术实施例中的插值预测结果示意图。
具体实施方式
[0034]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0035]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0036]实施例一
[0037]如图1
‑
7所示，本实施例中提供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：
[0038]进行数据预处理<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：