基于近红外光谱和ELM算法的菱镁矿石品级分类研究

由工业发展需求,针对菱镁矿石矿物含量不同以及分布不均匀而难以判定其品级的情况,提出一种由近红外光谱技术结合ELM的菱镁矿石品级分类模型。该模型可以实现菱镁矿石品级的快速分类。近红外光谱利用菱镁矿中不同种类含H基团对近红外光谱有不同吸收的特性,用来测定菱镁矿石的成分及其含量,其操作简便、不破坏样品、速度快、准确高效。以辽宁省营口市大石桥的菱镁矿石30组为研究对象,采集菱镁矿石的近红外光谱数据样本30×973。采用主成分分析(PCA)对其进行降维处理,以主元贡献率大于99.99%而得到10维的特征变量值。建立了ELM算法定量分析数学模型,取20组样本为训练样本(包括6组特级,14组非特),其余10组作为测试样本(其中4组特级,6组非特),ELM算法模型的隐含层节点数选取20。为了进一步提高分类效果,提出两种ELM算法模型的改进:采用循环模式对传统ELM的输入权值和阈值进行寻优的精选ELM和在精选ELM基础上进行集成的集成-精选ELM。并与用人工方法、化学方法和BP神经网络模型方法对菱镁矿石样品品级分类作对比。结果表明:近红外光谱和ELM菱镁矿石品级分类模型不论在时间上还是成本上,都具有明显的优势,且其准确率能够达到90%以上,为菱镁矿石品级分类提供了一条新的途径。

深度学习在图像识别中的研究及应用

在图像识别领域当中,深度学习是一项非常重要的技术手段,其有着较为广阔的应用前景,而针对图像识别技术加强研究对于人工智能以及计算机视觉的发展具有至关重要的作用,因此,文章针对深度学习在图像识别中的研究与应用进行讨论,希望能够进一步提升深度学习的应用效果,使其能够在图像识别领域发挥更大的作用。

基于神经网络的数据挖掘研究探讨

随着科技的进步,现代信息技术得到了快速的发展,数据库的应用范围以及规模也在不断扩大,人们可以获得更多的数据种类和数据量,但在这些规模庞大的数据当中,会有很多“噪声”数据存在,而怎样在其中对有价值的数据进行提取,有效提升信息利用率,逐渐成为了相关领域研究的重要方向。鉴于此,论文就以神经网络为基础的数据挖掘进行研究,在了解神经网络结构的同时,对相关内容进行具体论述,希望能够为相关领域的发展提供一定的参考和借鉴。