System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及原产地溯源,尤其涉及一种基于深度学习的铜精矿样品溯源方法及系统。
技术介绍
1、微量元素和同位素分析已成为确定物质原产地的重要手段,微量元素分析可以揭示出物质在形成过程中所经历的地质和地球化学过程,而同位素丰度比则提供了关于物质形成年代和来源区域的关键信息,特别是在地质学和地球科学领域,这些技术被广泛应用于矿石、土壤、水体等样本的原产地溯源研究。
2、基于上述缺陷,现有技术采取x射线荧光光谱结合同位素检测技术,通过检测获取不同矿区或原产地国家的样本数据中同位素丰度比、元素数据,构建分类预测模型,为其产地溯源提供理论和方法参考,将微量元素、铅同位素丰度比输入至模型中实现原产地溯源,得到原产地溯源结果,然而,由于微量元素和铅同位素丰度比在数据特性、变异性以及对原产地溯源的贡献程度上可能存在差异,若训练集不进行筛选处理直接进行预测,比较大的数据量为模型带来数据误差,降低原产地溯源的准确性,降低预测精度。
技术实现思路
1、为了解决上述技术问题,本专利技术提供了一种基于深度学习的铜精矿样品溯源方法及系统,通过筛选的关联参数作为模型训练集,以实现铜精矿样品原产地的溯源。
2、本专利技术提供了一种基于深度学习的铜精矿样品溯源方法,包括:
3、步骤s1,获取铜精矿样品信息,所述铜精矿样品信息包括微量元素信息和铅同位素丰度比;所述微量元素信息包括微量元素种类和微量元素种类含量;
4、步骤s2,根据所有所述铜精矿样品信息中的微量元素种类检
5、具体包括以下步骤:
6、步骤s21,根据微量元素种类等级为所述微量元素种类赋予权重值;
7、步骤s22,确定所述微量元素种类的影响因子;
8、步骤s23,确定所述影响因子的影响范围,将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度;
9、步骤s24,根据所述影响因子的贡献度与所述影响因子的具体数值确定所述微量元素种类的影响系数;
10、步骤s25,根据所述微量元素种类的影响系数以及所述微量元素种类权重值确定所述微量元素种类的综合权重值;
11、步骤s3,所述微量元素种类与所述铅同位素丰度比关联处理获得关联参数,具体包括以下步骤:
12、步骤s31,获取所述微量元素种类与所述铅同位素丰度比进行关联的关联数据集;
13、步骤s32,计算所述关联数据集中的所述微量元素种类与所述铅同位素丰度比的相关系数;
14、步骤s33,根据所述关联数据集中所述微量元素种类与所述铅同位素丰度比的相关系数与所述微量元素种类等级下所述微量元素种类的综合权重值相乘并求和,得到所述关联数据集的指标值;
15、步骤s34,根据所述关联数据集的指标值确定指标阈值,根据所述指标阈值筛选出关联参数;
16、步骤s4,构建深度学习模型,将所述关联参数的具体数值以及对应的目标值作为训练集,对深度学习模型进行训练,获得训练完成的深度学习模型;
17、步骤s5,将待预测的铜精矿数据输入训练完成的深度学习模型,输出铜精矿原产地预测结果。
18、进一步地,所述微量元素种类等级包括:高频微量元素种类、中频微量元素种类、低频微量元素种类;
19、所述高频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为95%-100%的元素,所述中频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为80%-96%的元素,所述低频微量元素种类为每个铜精矿样品中所述微量元素种类的检出频率为1%-79%的元素。
20、进一步地,在所述步骤s23中确定所述影响因子的影响范围,将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度,包括:
21、所述影响范围有三个梯度,梯度包括:第一梯度,所述第一梯度的取值范围为:pa={paa,pab,pac,...,pah};处于第一梯度的所述影响因子的贡献度的取值范围为a-h;
22、第二梯度,所述第二梯度的取值范围为:pb={pbi,pbj,pbk,...,pbp};处于第二梯度的所述影响因子的贡献度的取值范围为i-p;
23、第三梯度,所述第三梯度的取值范围为:pc={pcq,pcr,pcs,...,pcz};处于第三梯度的所述影响因子的贡献度的取值范围为q-z;
24、获取所述微量元素种类的所述影响因子的具体数值并与所述影响范围比对,当所述影响因子的具体数值处于第一梯度、第二梯度、第三梯度中任一取值范围内,根据选取的所述影响范围确定所述影响因子的贡献度。
25、进一步地,所述影响因子包括微量元素种类平均含量和微量元素种类含量变化差值。
26、进一步地,将每个所述梯度的取值范围内的数据划分为三个阶梯,三个阶梯包括高阶梯、中阶梯和低阶梯,所述高阶梯的数据大于中阶梯的数据,中阶梯的数据大于低阶梯的数据,所述高阶梯、中阶梯和低阶梯内的数据均由高到低排列;每个梯度的所述影响因子的贡献度划分为三部分,包括第一贡献度、第二贡献度、第三贡献度,所述第一贡献度大于第二贡献度,所述第二贡献度大于第三贡献度,所述第一贡献度为所述高阶梯中数据对应的贡献度的数值范围,所述第二贡献度为所述中阶梯中数据对应的贡献度的数值范围,所述第三贡献度为所述低阶梯中数据对应的贡献度的数值范围。
27、进一步地,将每个梯度的取值范围内的数据划分为三个阶梯,包括:获取每个梯度的取值范围内数据最大值、数据最小值和数据中位值,将处于数据最大值和数据中位值的数据区间前2/3的数据划分为高阶梯,将处于数据中位值与数据最小值的数据区间后1/3的数据划分为低阶梯,将处于数据最大值和数据中位值的数据区间后1/3和数据中位值与数据最小值的数据区间前2/3的数据划分为中阶梯。
28、进一步地,根据选取的所述影响范围确定所述影响因子的贡献度,确定所述影响因子的具体数值与阶梯内最小值的相对位置,将相对位置映射到贡献度。
29、进一步地,所述微量元素种类的影响系数的计算公式为:
30、;
31、式中,代表第i个微量元素种类的影响系数,代表第i个微量元素种类的影响因子具体数值,代表第i个微量元素种类的影响因子贡献度。
32、进一步地,所述微量元素种类的综合权重值的计算公式为:
33、;
34、式中,代表第i个微量元素种类的综合权重值,代表第i个微量元素种类的影响系数,代表第i个微量元素种类的权重值。
35、进一步地,根据所述指标阈值筛选出关联参数,包括:当所述关联数据集的指标值大于等于所述指标阈值时,当前所述关联数据集中的参数为关联参数。
36、本专利技术实施例具有以下技术效果:
37、1.本专利技术通过计算每个微量元素种类的综合权重值,借助本文档来自技高网...
【技术保护点】
1.一种基于深度学习的铜精矿样品溯源方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,所述微量元素种类等级包括:高频微量元素种类、中频微量元素种类、低频微量元素种类;
3.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,在所述步骤S23中确定所述影响因子的影响范围,将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度,包括:
4.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,所述影响因子包括微量元素种类平均含量和微量元素种类含量变化差值。
5.根据权利要求3所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,将每个所述梯度的取值范围内的数据划分为三个阶梯,三个阶梯包括高阶梯、中阶梯和低阶梯,所述高阶梯的数据大于中阶梯的数据,中阶梯的数据大于低阶梯的数据,所述高阶梯、中阶梯和低阶梯内的数据均由高到低排列;每个梯度的所述影响因子的贡献度划分为三部分,包括第一贡献度、第二贡献度、第三贡献度,所述第一贡献度大于第二贡献度,所述
6.根据权利要求5所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,将每个梯度的取值范围内的数据划分为三个阶梯,包括:获取每个梯度的取值范围内数据最大值、数据最小值和数据中位值,将处于数据最大值和数据中位值的数据区间前2/3的数据划分为高阶梯,将处于数据中位值与数据最小值的数据区间后1/3的数据划分为低阶梯,将处于数据最大值和数据中位值的数据区间后1/3和数据中位值与数据最小值的数据区间前2/3的数据划分为中阶梯。
7.根据权利要求3所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,根据选取的所述影响范围确定所述影响因子的贡献度,确定所述影响因子的具体数值与阶梯内最小值的相对位置,将相对位置映射到贡献度。
8.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,所述微量元素种类的影响系数的计算公式为:
9.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,所述微量元素种类的综合权重值的计算公式为:
10.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,根据所述指标阈值筛选出关联参数,包括:当所述关联数据集的指标值大于等于所述指标阈值时,当前所述关联数据集中的参数为关联参数。
...【技术特征摘要】
1.一种基于深度学习的铜精矿样品溯源方法,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,所述微量元素种类等级包括:高频微量元素种类、中频微量元素种类、低频微量元素种类;
3.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,在所述步骤s23中确定所述影响因子的影响范围,将所述影响因子的具体数值与所述影响范围作对比确定所述影响因子的贡献度,包括:
4.根据权利要求1所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,所述影响因子包括微量元素种类平均含量和微量元素种类含量变化差值。
5.根据权利要求3所述的一种基于深度学习的铜精矿样品溯源方法,其特征在于,将每个所述梯度的取值范围内的数据划分为三个阶梯,三个阶梯包括高阶梯、中阶梯和低阶梯,所述高阶梯的数据大于中阶梯的数据,中阶梯的数据大于低阶梯的数据,所述高阶梯、中阶梯和低阶梯内的数据均由高到低排列;每个梯度的所述影响因子的贡献度划分为三部分,包括第一贡献度、第二贡献度、第三贡献度,所述第一贡献度大于第二贡献度,所述第二贡献度大于第三贡献度,所述第一贡献度为所述高阶梯中数据对应的贡献度的数值范围,所述第二贡献度为所述中阶梯中数据对应的贡献度的数值范围,所述第三贡献度为所述低阶...
【专利技术属性】
技术研发人员:赵伟,杨涛,唐晨,封亚辉,郑建明,
申请(专利权)人:南京海关工业产品检测中心,
类型:发明
国别省市:
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。