[发明专利]一种菱镁矿矿石的品级的分类方法及系统在审
申请号: | 201710954112.4 | 申请日: | 2017-10-13 |
公开(公告)号: | CN107704883A | 公开(公告)日: | 2018-02-16 |
发明(设计)人: | 肖冬;程锦甫;黎霸俊;毛亚纯;柳小波;王继春;何大阔 | 申请(专利权)人: | 东北大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 北京易捷胜知识产权代理事务所(普通合伙)11613 | 代理人: | 韩国胜 |
地址: | 110169 辽*** | 国省代码: | 辽宁;21 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 菱镁矿 矿石 品级 分类 方法 系统 | ||
1.一种菱镁矿矿石的品级的分类方法,包括:
对待分类的菱镁矿矿石的第一数据矩阵通过栈式自编码网络进行降维处理,得到第二数据矩阵;其中,第一数据矩阵用于指示所述待分类的菱镁矿矿石的光谱数据;
对所述第二数据矩阵通过极限学习机ELM进行数据的分类,以得到所述待分类的菱镁矿矿石的品级;其中,所述极限学习机ELM为预先经训练样本训练后得到的,以第二数据矩阵为输入,以菱镁矿矿石的品级为输出的模型。
2.如权利要求1所述的方法,其特征在于,所述极限学习机ELM的输入层和隐含层之间的激励函数为Sigmoid函数。
3.如权利要求1所述的方法,其特征在于,所述极限学习机ELM的输入层和隐含层的节点数量为45。
4.如权利要求2所述的方法,其特征在于,所述极限学习机ELM的构建过程包括:
循环极限学习机ELM;其中,极限学习机ELM的循环次数不超过N,N为正整数;
比较训练样本经所述极限学习机ELM训练后的输出结果;
从输出结果中确定对应的一组或几组输入层和隐含层之间的输入权值及隐含层阈值;
将由确定的所述输入权值和所述隐含层阈值组成的模型重新确定为所述极限学习机ELM。
5.如权利要求4所述的方法,其特征在于,N小于等于200。
6.如权利要求4所述的方法,其特征在于,对所述第二数据矩阵通过极限学习机ELM进行数据的分类,以得到所述待分类的菱镁矿矿石的品级,包括:
将所述第二数据矩阵输入至所述极限学习机ELM中,经所述激励函数和所述输入权值运算后得到所述隐含层的目标输出矩阵;
将所述目标输出矩阵与输出权重的乘积作为输出的菱镁矿矿石的品级。
7.一种菱镁矿矿石的品级的分类系统,包括:
降维单元,用于对待分类的菱镁矿矿石的第一数据矩阵通过栈式自编码网络进行降维处理,得到第二数据矩阵;其中,第一数据矩阵用于指示所述待分类的菱镁矿矿石的光谱数据;
输出单元,用于对所述第二数据矩阵通过极限学习机ELM进行数据的分类,以得到所述待分类的菱镁矿矿石的品级;其中,所述极限学习机ELM为预先经训练样本训练后得到的,以第二数据矩阵为输入,以菱镁矿矿石的品级为输出的模型。
8.如权利要求7所述的系统,其特征在于,所述极限学习机ELM的输入层和隐含层之间的激励函数为Sigmoid函数。
9.如权利要求7所述的系统,其特征在于,所述极限学习机ELM的输入层和隐含层的节点数量为45。
10.如权利要求7-9任一所述的系统,其特征在于,还包括:
构建模型单元,用于循环极限学习机ELM;其中,极限学习机ELM的循环次数不超过N,N为正整数;比较训练样本经所述极限学习机ELM训练后的输出结果;从输出结果中确定对应的一组或几组输入层和隐含层之间的输入权值及隐含层阈值;将由确定的所述输入权值和所述隐含层阈值组成的模型重新确定为所述极限学习机ELM。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北大学,未经东北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710954112.4/1.html,转载请声明来源钻瓜专利网。