MIV-SVM-BPSO模型在铀矿堆浸中的应用

利用某矿区ZQ7堆浸柱实测数据作为建模分析样本,建立MIV-SVM、BPSO-SVM、MIV-SVM-BPSO三种模型,对铀矿堆浸进行建模仿真。其中,平均影响值(MIV)算法,可对影响铀矿浸出率的特征因子进行排序;离散二进制粒子群(BPSO)算法可筛选出最优的特征子集;而改进的MIV-SVM-BPSO模型,则是将排序后的优良子集作为后续BPSO算法的部分种群,进而对样本进行仿真实验。结果表明,MIV-SVM-BPSO模型的模拟效果均比单一的MIV-SVM和BPSO-SVM模型好,该模型具有有效降低数据维数,在小样本条件下学习更加有效,建模采样过程更快,模拟精度更高的优点;将浸出液体积,Eh_出,Fe■,Fe~(2+)_出作为铀矿生物堆浸工艺的主要控制因数可降低生产成本,提高铀矿浸出率。     

个性化服务综述

介绍了个性化服务的概念、发展历史,探讨了个性化研究的基本问题,论述了建立个性化服务的关键技术,并对个性化服务系统进行了总结。     

基于KPCA-SVM的预测模型在铀矿堆浸中的应用

针对影响堆浸工艺铀矿浸出率的因素较多且具有非线性的特点,提出一种利用核主成分分析(KPCA)进行参数处理,整合冗余,降低维数,并将处理后得到的6个主成分作为支持向量机(SVM)测量模型输入的预测方法。在此过程中,利用粒子群算法(PSO)优化核主成分分析和支持向量机的参数,使模型具有较高的训练精度。在此基础上,对铀矿堆浸进行建模仿真,并进行预测。结果表明,基于KPCA-SVM的铀矿累计浸出率模型与BP神经网络方法相比,具有有效降低数据维数、在小样本条件下学习更加有效、建模采样过程更快、预测精度更高的优点。