买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳隆基智能技术研究有限公司

摘要：本发明提供了一种基于XRF的矿石元素品位随机权神经网络软测量方法，包括：将采用XRF法实时获取的待测元素的特征峰面积数据以及与待测元素对应的m种干扰元素的特征峰面积数据输入构建完成的RVFL神经网络，即可输出相应的待测元素的品位预测值。本发明提供的基于XRF的矿石元素含量随机权神经网络软测量方法,其中，所述RVFL神经网络的构建包括：计算输入层和隐藏层到输出层的权重β的最优解，本发明的随机权神经网络仅网络的输出权值需要训练，其他权值随机设置，整个训练过程无需网络的梯度信息，克服了基于梯度下降的神经网络收敛速度慢及局部极小问题，且测量精度较高。

主权项：1.一种基于XRF的矿石元素品位随机权神经网络软测量方法，其特征在于，包括：将采用XRF法实时获取的待测元素的特征峰面积数据以及与待测元素对应的m种干扰元素的特征峰面积数据输入构建完成的RVFL神经网络，即可输出相应的待测元素的品位预测值；其中，所述RVFL神经网络的构建包括：采用XRF法测得n个目标样本中待测元素以及与待测元素对应的m种干扰元素的特征峰面积数据，并通过人工化验获取前述各目标样本中待测元素的品位数据，所述待测元素以及与待测元素对应的m种干扰元素的特征峰面积数据和所述待测元素的品位数据构成用于训练RVFL神经网络的样本数据，其中，n与m均为正整数，且nm；以及确定随机分配的输入权重矩阵W和偏置矩阵B，计算输入层和隐藏层到输出层的权重β的最优解，设定节点数目为A的输入层、增强节点数目为L的隐藏层和节点数目为D的输出层，其中A＝m+1，增强节点数目L由经验公式确定，其中，c为正整数且取值为1-10，A为大于等于2的正整数、D为大于等于1的正整数；所述RVFL神经网络的训练过程包括：步骤1，将上述样本数据分为训练集数据和测试集数据，并进行归一化处理后，构建随机分配的输入权重矩阵W和偏置矩阵B： B＝b1…bi…bL1*L，其中：A表示输入层节点数目，L表示隐藏层增强节点数目；步骤2，根据所述输入权重矩阵W和偏置矩阵B计算出隐藏层输出矩阵与训练集中单个样本输入矩阵的叠加HA+Lx＝Hx+x，并据此求出RVFL神经网络的输出HA+Lxβ；计算隐藏层输出矩阵与训练集中单个样本输入矩阵的叠加之前，根据已有隐藏层节点的线性相关性来确定对隐藏层中冗余节点进行删除操作；所述对隐藏层中冗余节点进行删除操作包括：计算含有L个增强节点的隐藏层输出矩阵Hx的秩rankHx；若rankHxL，则计算矩阵Hx的每个列向量的范数，然后删掉Hx中范数最大的L-rankHx个元素对应的列，得到新的隐藏层输出矩阵H*x，相应的隐藏层节点个数变为L*＝rankHx；步骤3，根据所述RVFL神经网络的输出HA+Lxβ计算出输入层和隐藏层到输出层的权重β的最优解，即可得到参数优化的RVFL神经网络，其中，计算β的最优解的目标函数β*为： 其中，T为训练集样本的输出；||·||为欧式范数；步骤4，采用经归一化后的所述训练集数据对步骤3所得到的参数优化后的RVFL神经网络进行训练，得到训练完成的RVFL神经网络，将经归一化后的所述测试集数据输入所述训练完成的RVFL神经网络进行测试，获得所述测试集样本中待测元素的品位预测值，并将所述RVFL神经网络模型输出的待测元素品位预测值与所述测试集样本输出的待测元素品位数据进行对比，求取决定系数R2和均方根误差RMSE。

全文数据：

权利要求：

百度查询： 沈阳隆基智能技术研究有限公司 基于XRF的矿石元素品位随机权神经网络软测量方法